[发明专利]一种基于卷积神经网络的流量异常检测方法及系统

权利要求书

1.一种基于卷积神经网络的流量异常检测方法，其特征在于，所述方法包括：

从网管中心获取历史网络流量，并将所述历史网络流量表示为流量矩阵；

以整流线性单位作为激活函数，以基于马氏距离的损失函数作为损失函数，构建卷积神经网络；

根据所述流量矩阵，利用所述卷积神经网络预测网络流量，获得网络流量预测值；

获取当前网络流量，结合所述网络流量预测值，利用贪心算法学习确定基于阈值的异常检测机制的误差阈值；

根据所述当前网络流量、所述网络流量预测值和所述误差阈值，利用基于阈值的异常检测机制确定流量误差，实现网络流量的异常检测。

2.根据权利要求1所述的基于卷积神经网络的流量异常检测方法，其特征在于，所述从网管中心获取历史网络流量，并将所述历史网络流量表示为流量矩阵，具体包括：

从网管中心获取历史网络流量，并将所述历史网络流量表示为流量矩阵X；所述流量矩阵X＝{x_n,t}，x_n,t表示第n个OD流在时隙t的传输控制协议数据包的均值，t＝1,2,3,...,T，T为流量矩阵X的长度，n＝1,2,3,...,N，N为OD流的数量；

从流量矩阵X中收集具有B个时隙的连续流量数据集作为训练流量矩阵X_B，将流量矩阵X中所述B个时隙的连续流量数据集以外的流量数据集作为预测输入流量矩阵为X_A。

3.根据权利要求1所述的基于卷积神经网络的流量异常检测方法，其特征在于，所述基于马氏距离的损失函数为

其中，L_m为损失函数，m为训练示例的索引，m＝1,2,…M，M为训练示例的数量，λ为额外相，C_m为马氏距离，h_k,b(·)为卷积神经网络结构的输出函数，h_k,b(X^(m))为输入流量矩阵为X^(m)时的卷积神经网络结构的输出流量矩阵，k为卷积核，b为偏差，训练示例为为第N′+1个均值向量，E为输出流量矩阵与均值向量的差值，E^T为E矩阵的转置，P是关于h_k,b(X^(m))和的协方差矩阵，S_m为稀疏术语，S_m＝||h_k,b(X^(m))||₁，||·||₁为可以提取流量稀疏性的l₁-范数。

4.根据权利要求2所述的基于卷积神经网络的流量异常检测方法，其特征在于，所述根据所述流量矩阵，利用卷积神经网络预测网络流量，获得网络流量预测值，之前还包括：

对所述训练流量矩阵X_B进行奇异值分解，获得特征流矩阵、对角矩阵和正交矩阵；

利用所述特征流矩阵、所述对角矩阵和所述正交矩阵对所述卷积神经网络进行训练，获得训练后的卷积神经网络。