[发明专利]网络流量异常在线检测方法、系统、计算机设备及存储介质

权利要求书

1.一种网络流量异常在线检测方法，其特征在于，包括：

数据获取步骤：将获得的网络流量按照发生的时间顺序对数据包进行编号形成数值序列，通过滑动窗口从所述数值序列中提取子序列；

最终特征获得步骤：利用小波分析从每个滑动窗口内的所述子序列中提取能量特征及时域特征，将所述能量特征及所述时域特征融合后获得最终特征；

检测模型获得步骤：根据所述最终特征对聚类模型中进行训练获得检测模型；

在线检测步骤：根据在线检测数据通过所述检测模型输出检测结果。

2.如权利要求1所述的基于小波分析和聚类模型的网络流量异常在线检测方法，其特征在于，所述最终特征获得步骤包括：

能量特征提取步骤：利用小波分析从每个滑动窗口内的所述子序列中提取能量特征；

时域特征提取步骤：利用小波分析提取时域中的均值和标准差；

融合步骤：将所述均值和所述标准差加入所述能量特征中获得最终特征。

3.如权利要求1所述的网络流量异常在线检测方法，其特征在于，所述数据获取步骤中包括：

根据网络流量对所有数据包序列按时间从1开始排序，然后根据包长周期设置滑动时间窗口大小和步长划定所述子序列。

4.如权利要求3所述的网络流量异常在线检测方法，其特征在于，所述能量特征提取步骤包括：

分解步骤：将所述子序列分解为低频分量和高频分量；

提取步骤：分别提取所述低频分量和所述高频分量的能量值；

计算步骤：根据所述能量值计算获得所述低频分量和所述高频分量在各层的能量在总能量中的占比做为所述能量特征。

5.一种网络流量异常在线检测系统，其特征在于，包括：

数据获取单元：将获得的网络流量按照发生的时间顺序对数据包进行编号形成数值序列，通过滑动窗口从所述数值序列中提取子序列；

最终特征获得单元：利用小波分析从每个滑动窗口内的所述子序列中提取能量特征及时域特征，将所述能量特征及所述时域特征融合后获得最终特征；

检测模型获得单元：根据所述最终特征对聚类模型中进行训练获得检测模型；

在线检测单元：根据在线检测数据通过所述检测模型输出检测结果。

6.如权利要求5所述的基于小波分析和聚类模型的网络流量异常在线检测系统，其特征在于，所述最终特征获得单元包括：

能量特征提取模块，利用小波分析从每个滑动窗口内的所述子序列中提取能量特征；

时域特征提取模块，利用小波分析提取时域中的均值和标准差；

融合模块，将所述均值和所述标准差加入所述能量特征中获得最终特征。

7.如权利要求5所述的网络流量异常在线检测系统，其特征在于，所述数据获取单元，根据网络流量对所有数据包序列按时间从1开始排序，然后根据包长周期设置滑动时间窗口大小和步长划定所述子序列。

8.如权利要求6所述的网络流量异常在线检测系统，其特征在于，所述能量特征提取模块，将所述子序列分解为低频分量和高频分量；所述能量特征提取模块，分别提取所述低频分量和所述高频分量的能量值；所述能量特征提取模块，根据所述能量值计算获得所述低频分量和所述高频分量在各层的能量在总能量中的占比做为所述能量特征。

9.一种计算机设备，包括存储器、处理器以及存储在所述存储器上并可在所述处理器上运行的计算机程序，其特征在于，所述处理器执行所述计算机程序时实现如权利要求1至4中任一项所述的一种网络流量异常在线检测方法。

10.一种存储介质，其上存储有计算机程序，其特征在于，该程序被处理器执行时实现如权利要求1至4中任一种网络流量异常在线检测方法。