[发明专利]一种基于KNN半监督学习模型的网络流量异常检测方法与系统有效
| 申请号： | 201910545310.4 | 申请日： | 2019-06-22 |
| 公开（公告）号： | CN110225055B | 公开（公告）日： | 2020-10-09 |
| 发明（设计）人： | 张浩;陈龙;魏志强 | 申请（专利权）人： | 福州大学 |
| 主分类号： | H04L29/06 | 分类号： | H04L29/06;G06K9/62 |
| 代理公司： | 福州元创专利商标代理有限公司 35100 | 代理人： | 钱莉;蔡学俊 |
| 地址： | 350108 福建省福*** | 国省代码： | 福建;35 |
| 权利要求书： | 查看更多 | 说明书： | 查看更多 |
| 摘要： | 本发明涉及一种基于KNN半监督学习模型的网络流量异常检测方法与系统，首先使用初始有标记数据作为训练样本，利用监督学习训练初始分类模型；然后，利用初始分类模型对网络流量无标记数据进行分类，得到初始分类数据；再利用半监督学习模型对初始分类数据进行重新标记和修正；最后，利用新的分类数据重新训练分类模型，并更新初始分类模型，如此往复不断更新分类模型，从而提高检测效果。本发明基于半监督学习模型，在分类检测过程中不断优化和更新分类模型，能够在生产环境下实现快速、高效的网络异常检测。 | ||
| 搜索关键词： | 一种 基于 knn 监督 学习 模型 网络流量 异常 检测 方法 系统 | ||
【主权项】：
1.一种基于KNN半监督学习模型的网络流量异常检测方法，其特征在于，包括以下步骤：步骤S1：对网络流量数据进行采集和预处理；步骤S2：使用初始有标记的数据集D1作为训练样本，选择监督学习分类算法训练得到分类模型M1；步骤S3：将步骤S1预处理后的网络流量数据作为分类样本，利用分类模型M1对分类样本进行分类，得到初始分类数据集D2；步骤S4：利用半监督学习方法对数据集D2进行重新标记，得到新的分类数据集D3；步骤S5：结合数据集D2和D3，利用步骤S2中分类模型构建方法，训练新的模型并进行分类模型更新。
下载完整专利技术内容需要扣除积分，VIP会员可以免费下载。
该专利技术资料仅供研究查看技术是否侵权等信息，商用须获得专利权人授权。该专利全部权利属于福州大学，未经福州大学许可，擅自商用是侵权行为。如果您想购买此专利、获得商业授权和技术合作，请联系【客服】
本文链接：http://www.vipzhuanli.com/patent/201910545310.4/，转载请声明来源钻瓜专利网。
