[发明专利]基于联邦学习的流量识别方法及装置

权利要求书

1.一种基于联邦学习的流量识别方法，其特征在于，所述方法包括：

根据流量输入数据的协议标识，确定所述流量输入数据的协议类型；

根据流量输入数据的协议类型，将流量输入数据的数据特征输入至对应的流量识别模型中，得到输出结果；其中，所述流量识别模型为利用横向联邦学习构建的；所述协议类型与所述流量识别模型对应；

根据所述流量识别模型的输出结果，确定属于攻击流量的流量输入数据；

其中，所述流量识别模型通过如下方式构建：

从流量样本数据中提取相关数据特征，所述相关数据特征包括与所述协议类型对应的协议特征；

将所述相关数据特征作为训练数据，输入至从联邦学习协作平台上获取的初始模型中，得到联邦学习模型及其中间参数；

对所述中间参数进行加密，并将加密后的中间参数发送至联邦学习协作平台；

接收所述联邦学习协作平台返回的更新后的中间参数，利用更新后的中间参数对所述联邦学习模型进行更新；

将更新后的所述联邦学习模型对应的中间参数上传至所述联邦学习协作平台再次进行更新，直至所述联邦学习模型收敛，所述联邦学习协作平台返回最终参数；

利用所述最终参数对联邦学习模型进行更新，得到流量识别模型；

其中，所述中间参数包括样本数量、损失函数及梯度；所述样本数量及所述损失函数用于所述联邦学习协作平台确定表征联邦学习模型收敛程度的总损失函数，所述梯度用于所述联邦学习协作平台确定用以更新联邦学习模型的总梯度。

2.根据权利要求1所述的方法，其特征在于，所述接收所述联邦学习协作平台返回的更新后的中间参数，利用更新后的中间参数对所述联邦学习模型进行更新包括：

接收所述联邦学习协作平台返回的总梯度；其中，所述联邦学习协作平台用于根据所述损失函数确定梯度计算权重，利用所述梯度计算权重及所述梯度确定总梯度；

利用更新后的总梯度对所述联邦学习模型进行更新。

3.根据权利要求2所述的方法，其特征在于，所述将更新后的所述联邦学习模型对应的中间参数上传至所述联邦学习协作平台再次进行更新，直至所述联邦学习模型收敛，所述联邦学习协作平台返回最终参数包括：

将更新后的所述联邦学习模型对应的样本数量、损失函数及梯度上传至所述联邦学习协作平台再次进行更新，直至所述联邦学习模型收敛，所述联邦学习协作平台返回最终参数；

其中，所述联邦学习协作平台还用于根据所述样本数量确定权重汇总结果，利用所述权重汇总结果及所述损失函数计算总损失函数，并在所述总损失函数小于预设阈值时，判定所述联邦学习模型收敛。

4.根据权利要求1至3任一项所述的方法，其特征在于，所述根据所述流量识别模型的输出结果，确定属于攻击流量的流量输入数据包括：根据所述流量识别模型的输出结果，判断所述流量输入数据是否为攻击流量，若是，则对攻击流量对应的账户进行封禁。