[发明专利]网络异常检测方法、装置及计算机可读存储介质

说明书

本发明公开了一种网络异常检测方法、装置及计算机可读存储介质，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。本发明能够提高网络异常检测方式的鲁棒性。

技术领域

本发明涉及深度学习技术领域，尤其涉及一种网络异常检测方法、装置及计算机可读存储介质。

背景技术

网络攻击的主要方式有SQL注入攻击、跨站脚本攻击以及网页挂马攻击等。为检测网络是否遭受到攻击发生异常，当前通常采用的网络异常检测方式是基于规则匹配的检测方式，该方式首先需要检测人员设置好检测规则，然后对报文进行逐条匹配，该方法需要针对黑客的攻击特点找出正则匹配的算法，同时需要不断的对规则库进行更新升级，以满足不断变化的攻击类型。但是，由于该检测方式需要不断的对规则库进行更新升级，难以适应不断变化的网络攻击类型，使得这种网络异常检测方式的鲁棒性较差。

发明内容

本发明的主要目的在于提供一种网络异常检测方法、装置及计算机可读存储介质，旨在提高网络异常检测方式的鲁棒性。

为实现上述目的，本发明提供一种网络异常检测方法，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。

在一实施例中，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。

在一实施例中，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。

在一实施例中，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。