[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

说明书

本发明涉及一种基于卷积神经网络的流量异常检测方法及系统。本发明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，提高了流量异常检测的准确性。

技术领域

本发明涉及无线通信技术领域，特别是涉及一种基于卷积神经网络的流量异常检测方法及系统。

背景技术

数据中心作为互联网重要的基础设施之一，为庞大的终端用户提供了丰富的网络服务和应用。作为一个高度开放的网络，为了更好的确保用户的隐私，网络运营商必须更加关注网络安全威胁，例如物理层欺骗、干扰和分布式拒绝服务攻击。在机器故障诊断、疾病检测、入侵检测、信用卡(或保险)欺诈检测以及身份辨识等领域，一般只存在符合期望(目标类或正常类)行为的数据模式，而不符合期望(异常类或反类)行为的数据模式由于采样代价高昂或者采样非常困难，使得对异常行为所知甚少甚至一无所知，但是异常行为中却蕴含了显著的(通常具有很大危害甚至致命性的)行为信息圈。

目前的异常检测，一般均从已知的正常类数据中进行学习，建立正常行为的模型以进行异常检测。流量异常表示由各种元素(例如，网络中的恶意软件和故障节点)引起的网络异常行为。在过去的十年中，已经提出了许多方法来检测传统互联网服务提供商网络中的异常情况。例如，Nevat等人用广义似然比检验提出了异常检测问题。作者提出了两种低复杂度的高效算法来检测异常流量以及流中异常的属性，分别使用了交叉熵法和广义似然比检验。基于子空间的方法已广泛用于传统的大规模互联网服务提供商网络中以进行异常检测。通常，主成分分析方法首先使用聚合流，通过基于阈值的方法来计算正常子空间和异常子空间。然后，将观察到的交通数据投影到两个子空间上，以做出异常检测的决策。迄今为止，现有文献中已经提出了许多基于子空间的方法，以改进主成分分析方法。例如，Huang等人提出了一种基于距离的子空间方法来实现降维，然后将观测到的交通数据投影到异常子空间上进行异常检测。此外，针对实时在线异常检测，作者提出了一种基于分散子空间的方法，可以显着降低异常检测的计算复杂度。

虽然提出了许多异常检测优化方法，但一个显著的问题是难以获得最优解，进而无法准确的进行异常检测。因此，提出一种提高异常检测准确性的方法是目前亟待解决的技术问题。

发明内容

本发明的目的是提供一种基于卷积神经网络的流量异常检测方法及系统，提高了流量异常检测的准确性。

为实现上述目的，本发明提供了如下方案：

一种基于卷积神经网络的流量异常检测方法，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。

可选的，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：