[发明专利]网络异常检测方法、装置及计算机可读存储介质

权利要求书

1.一种网络异常检测方法，其特征在于，所述网络异常检测方法包括：

获取待检测数据包；

将所述待检测数据包中的数据转换为灰度图像；

根据所述灰度图像以及目标卷积神经网络模型确定所述待检测数据包对应的状态值，其中，所述状态值包括正常状态值或者异常状态值；

在所述状态值为异常状态值时，判定所述待检测数据包为异常数据请求对应的数据包。

2.如权利要求1所述的网络异常检测方法，其特征在于，所述目标卷积神经网络模型包括输入层、卷积层、最大池化层、空间金字塔池化层、全连接层、分类层以及输出层，所述输入层用于输入所述灰度图像，所述卷积层用于提取所述灰度图像的特征得到特征图，并将所述特征图输入至所述最大池化层，所述最大池化层用于压缩所述特征图，并将压缩后的所述特征图输入至所述空间金字塔池化层，所述空间金字塔池化层用于将压缩后的所述特征图的尺寸统一为预设尺寸，并将统一尺寸后的所述特征图输入至所述全连接层，所述全连接层用于对统一尺寸后的所述特征图进行加权计算，并将加权计算后的所述特征图输入至分类层，所述分类层用于根据加权计算后的所述特征图确定所述待检测数据包对应的状态值，并将所述状态值输入至所述输出层输出。

3.如权利要求1所述的网络异常检测方法，其特征在于，所述根据所述灰度图像以及目标卷积神经网络模型确定所述待检测数据包对应的状态值的步骤之前，还包括：

获取预设卷积神经网络模型以及训练数据包，其中，所述训练数据包包括正常数据请求对应的数据包以及异常数据请求对应的数据包；

将所述训练数据包中的数据转换为灰度图像；

通过所述训练数据包对应的灰度图像训练所述预设卷积神经网络模型得到目标卷积神经网络模型。

4.如权利要求3所述的网络异常检测方法，其特征在于，所述通过所述训练数据包对应的灰度图像训练所述预设卷积神经网络模型得到目标卷积神经网络模型的步骤包括：

通过所述训练数据包对应的灰度图像训练所述预设卷积神经网络模型；

获取训练后的所述预设卷积神经网络模型检测异常数据请求对应的数据包的检测误差；

在所述检测误差小于预设阈值时，将训练后的所述预设卷积神经网络模型确定为所述目标卷积神经网络模型；

在所述检测误差大于或等于所述预设阈值时，调整所述预设卷积神经网络模型的训练参数，并返回执行所述通过所述训练数据包对应的灰度图像训练所述预设卷积神经网络模型的步骤。

5.如权利要求1所述的网络异常检测方法，其特征在于，所述根据所述灰度图像以及目标卷积神经网络模型确定所述待检测数据包对应的状态值的步骤之后，还包括：

在所述待检测数据包的状态值为正常状态值时，判定所述待检测数据包为正常数据请求对应的数据包。

6.如权利要求1所述的网络异常检测方法，其特征在于，所述将所述待检测数据包中的数据转换为灰度图像的步骤之前，还包括：

获取所述待检测数据包中的数据的字节长度；

对所述字节长度进行开方运算得到所述灰度图像的边长；

其中，所述将所述待检测数据包中的数据转换为灰度图像的步骤包括：

将所述待检测数据包中的数据转换为所述边长对应的灰度图像。

7.如权利要求1所述的网络异常检测方法，其特征在于，所述获取待检测数据包的步骤包括：

获取数据请求；

获取所述数据请求对应的数据包；

将所述数据请求对应的数据包进行组装得到待检测数据包。

8.一种网络异常检测装置，其特征在于，所述网络异常检测装置包括：

获取模块，用于获取待检测数据包；

转换模块，用于将所述待检测数据包中的数据转换为灰度图像；

确定模块，用于根据所述灰度图像以及目标卷积神经网络模型确定所述待检测数据包对应的状态值，其中，所述状态值包括正常状态值或者异常状态值；

判定模块，用于在所述状态值为异常状态值时，判定所述待检测数据包为异常数据请求对应的数据包。