[发明专利]基于深度学习的增量学习流量异常检测方法

权利要求书

1.基于深度学习的增量学习流量异常检测方法，其特征在于，所述方法包括以下步骤：

收集网络流量数据，并对网络流量数据进行预处理，得到处理后的网络流量数据；

利用LSTM模型对处理后的网络流量数据进行特征预提取；

建立决策树改进支持向量机模型，通过k折交叉验证算法选取最优化参数，构建最优化模型；

训练得到改进后的向量机模型，用于对提取到的网络流量数据特征进行分类，对分类效果进行评估。

2.如权利要求1所述的基于深度学习的增量学习流量异常检测方法，其特征在于，所述预处理包括：

步骤101，提取网络流量数据的包头信息作为输入特征；

步骤102，由于不同的参数基本单位相差较大，对数据进行标准化处理，采用如公式一所述的离差标准化的方式进行线性变换缩小到[0,1]区间；

其中x_min为样本最小值，x_max为样本最大值，x为样本值，x^*为标准化后的样本值；

步骤104，在正常流量的基础上随机生成异常流量；

步骤104，将样本数据集划分为训练集和测试集。

3.如权利要求1所述的基于深度学习的增量学习流量异常检测方法，其特征在于，所述利用LSTM模型对处理后的网络流量数据进行特征预提取包括：

步骤201，向LSTM模型中输入训练样本，进行训练；

步骤202，在LSTM模型中加入BN层和全连接层，将修改后的LSTM模型作为特征提取器。

4.如权利要求1所述的基于深度学习的增量学习流量异常检测方法，其特征在于，所述建立决策树改进支持向量机模型包括：

步骤301，首先将网络数据集分为k个集合，每个集合都会轮流作为测试集，剩余集合则作为训练集；

步骤302，计算并比较k次训练的平均交叉验证正确率，选取交叉验证正确率最高的一组参数，参数(C,g)作为k折交叉验证的最优值应用到支持向量机回归预测中，其中惩罚参数C控制了模型结构风险与经验风险的相对比重；

预测模型选取g为高斯核函数，如公式二所示，

步骤303，将参数应用到模型中，对网络流量进行异常检测。

5.如权利要求1所述的基于深度学习的增量学习流量异常检测方法，其特征在于，所述训练得到改进后的向量机模型，用于对提取到的网络流量数据特征进行分类，对分类效果进行评估，包括：

步骤401，采用分类准确率作为评价指标；

步骤402，进行多组实验取平均值。