[发明专利]使用滚动窗口的连续学习神经网络系统

说明书

一种公开方法、一种分析计算机确定与用于随时间推移而发生的交互的交互数据相关联的滚动窗口。所述分析计算机可以检取用于在所述滚动窗口中发生的交互的交互数据。然后，所述分析计算机可以基于历史交互数据生成伪交互数据。所述分析计算机可以任选地嵌入用于在所述滚动窗口内发生的所述交互的所述交互数据和所述伪交互数据以形成交互数据矩阵。然后，所述分析计算机可以使用所述交互数据矩阵形成神经网络模型，所述神经网络模型是从所述滚动窗口中的所述交互数据和所述伪交互数据导出的。

相关申请交叉引用

本申请是2018年9月20日提交的第62/734,149号美国专利申请的非临时申请，所述美国专利申请的全文以引用的方式并入本文中。

背景技术

网络攻击正变得越来越动态和自动化。可以跟踪和分析网络攻击以预测未来的攻击。然而，在使用所有先前数据执行完整的数据分析之前，可能会发生新的网络攻击。虽然自动化学习可以解决一些问题，但这些模型会随时间推移而偏移。为了应对这种威胁，需要一种自动化解决方案来监控传入的数据。

本发明的实施例单独地和共同地解决了这种问题和其它问题。

发明内容

一个实施例涉及一种方法，包括：由分析计算机确定与用于随时间推移而发生的交互的交互数据相关联的滚动窗口；由所述分析计算机检取用于在所述滚动窗口中发生的交互的交互数据；由所述分析计算机基于历史交互数据生成伪交互数据；以及由所述分析计算机使用用于在所述滚动窗口内发生的交互的所述交互数据和所述伪交互数据形成神经网络模型。

另一个实施例涉及一种分析计算机，包括：处理器；耦合到所述处理器的计算机可读介质，所述计算机可读介质包括可由所述处理器执行以实施方法的代码，所述方法包括：确定与用于随时间推移而发生的交互的交互数据相关联的滚动窗口；检取用于在所述滚动窗口中发生的交互的交互数据；基于历史交互数据生成伪交互数据；以及使用用于在所述滚动窗口内发生的交互的所述交互数据和所述伪交互数据——交互数据矩阵——形成神经网络模型。

关于本发明的实施例的更多细节可以见于具体实施方式和附图说明。

附图说明

图1示出根据实施例的示例监控系统。

图2示出根据一些实施例的分析计算机的示例框图。

图3示出说明根据实施例的学习过程的示例图。

图4示出根据实施例的监控方法的示例流程图。

图5示出说明根据一些实施例的动态嵌入确定方法的示例流程图。

图6示出说明根据一些实施例的伪交互数据生成方法的示例流程图。

具体实施方式

在论述实施例之前，可以进一步详细地描述一些术语。

“机器学习模型”可以包括人工智能的应用，它向系统提供了从经验中自动地学习和改进而无需明确地被编程的能力。机器学习模型可以包括一组软件例程和参数，它们可以基于“特征向量”或其它输入数据预测过程的输出(例如，计算机网络攻击者的标识、计算机的认证、基于用户搜索查询的合适推荐等)。可以在训练过程中确定软件例程的结构(例如，子例程的数量和它们之间的关系)和/或参数的值，所述训练过程可以使用正被建模的过程的实际结果，例如，不同类的输入数据的标识。机器学习模型的示例包括支持向量机(SVM)、通过在不同分类的输入之间建立间隙或边界来对数据进行分类的模型，以及神经网络，即，通过响应于输入而激活来执行功能的人工“神经元”的集合。在一些实施例中，神经网络可以包括卷积神经网络、递归神经网络等。