[发明专利]基于生成对抗网络算法的网络行为分析诊断准确率提升方法

说明书

本发明公开了一种基于生成对抗网络算法的网络行为分析诊断准确率提升方法，在处理与分析一系列网络请求行为数据的过程中，为了更好的诊断未来数据与特定行为数据的拟合准确程度，特引入了对抗网络生成算法。引入对抗网络生成算法的目的是采取类人的思考模式，通过对一组数据的联想与猜想，来形成一组更加丰富的结果集，利用特定的算法找到合适的生成数据，并引入传统的拟合回归算法中，将有效的提高该算法模型的判断准确度。

技术领域

本发明涉及了一种网络行为数据分析判断的方法，尤其提供了一种基于生成对抗网络算法的网络行为分析诊断准确率提升方法。

背景技术

在传统的网络行为分析的过程中，常规的数据集合都是来自于真实的请求，而实际的网络请求会情况更多更加发散，使用基于原始数据的拟合训练，往往不能满足在未来不确定的场景下发生的数据行为，该部分的准确率一直有待提高。

发明内容

针对上述现有技术中存在的技术问题，本发明的目的在于一种基于生成对抗网络算法的网络行为分析诊断准确率提升方法。

为实现本发明的目的，本发明提供的一种基于生成对抗网络算法的网络行为分析诊断准确率提升方法，包括如下步骤：

步骤S1：按照已知的数据诊断逻辑，在已经的网络中，通过正常的行为产生正常的网络访问行为数据{x₁,x₂,…x_n}；

步骤S2：基于步骤S1中，正常的网络访问行为数据{x₁,x₂,…x_n}，利用对抗算法进行完成正反两种模型网络训练，从而完成对抗网络的训练；

所述步骤S2，具体包括如下步骤:

步骤SS1：输入随机变量{z₁,z₂,…z_n}给“正生成器Gn”；

步骤SS2：将正常的网络访问行为数据{x₁,x₂,…x_n}与正生成器Gn的输出交给“正判别器Dn”输出结果；

步骤SS3：根据输出结果更新参数，若正判别器Dn损失函数，做梯度上升：

若正生成器Gn损失函数，做梯度下降：

步骤SS4：重新生成随机变量{y₁,y₂,…y_n}给“反生成器Ga”；

步骤SS5：将正常的网络访问行为数据{x1,x2,…xn}与反生成器Ga的输出交给“反判别器Da”输出结果；

步骤SS6：根据输出结果更新参数，反判别器Da损失函数，做梯度上升：

若反生成器Ga损失函数，做梯度上升：

步骤SS7：每次训练产生的判别器偏移量，都交给诊断器进行正反对比，按照如下算法计算：

当正反两面的判断器结果小于0.5，则结束；

若公式结果小于1，则记录入数据集合(m)并重复步骤SS1-SS7；

若公式如果大于1，则重复步骤SS1-SS7；

步骤S3：针对步骤S2中产生的数据集合(m)，对数据集合(m)使用RNN算法进行回归模型运算。