[发明专利]一种智能流量调度保护方法和系统

说明书

本发明提出一种智能流量调度保护方法和系统。方法包括：基于良性测试数据和待检测流量调度模型的模型结构，构建具有模型结构且流量调度的错误率低于第一阈值的良性流量调度模型，以及构建具有模型结构且能够触发包含恶意攻击数据的触发样本的恶性流量调度模型；将包含恶意攻击数据的触发样本分别输入至良性流量调度模型和恶性流量调度模型，以确定良性流量调度模型的指标特征和恶性流量调度模型的指标特征；将良性测试数据输入至待检测流量调度模型，以获取待检测流量调度模型的待检测指标特征，基于待检测指标特征、良性流量调度模型的指标特征、恶性流量调度模型的指标特征，确定待检测流量调度模型的性质，以实现智能流量调度保护。

技术领域

本发明属于针对智能流量调度保护技术领域，尤其涉及一种智能流量调度保护方法和系统。

背景技术

在基于循环神经网络的流量调度应用场景中，由于深度神经网络容易受到对抗扰动与中毒攻击的影响，存在模型鲁棒性差的问题，容易造成流量调度出错的安全问题。尤其是在循环神经网络的训练阶段和推理阶段都存在对抗干扰和恶意攻击，使得网络环境中出现流量激增等安全性问题，在智能化网络信息系统中会产生严重的财产损失。

为了进一步提高智能化网络信息系统中的流量调度任务性能，需要通过对智能化网络系统进行安全漏洞挖掘，研究在数据和模型层面存在的安全问题，挖掘系统的安全隐患，并对异常的流量数据进行检测防御，以区分正常流量数据和异常流量数据，进一步实现智能化网络系统的免疫加固，达到智能化网络流量调度的安全应用。

发明内容

为了解决上述技术问题，本发明提供了一种智能流量调度保护方案，目的在于保护基于深度学习的智能流量调度模型不受自身模型漏洞或者恶意攻击的影响。

本发明第一方面公开了一种智能流量调度保护方法。所述方法包括：

步骤S1、基于良性测试数据和待检测流量调度模型的模型结构，构建具有所述模型结构且流量调度的错误率低于第一阈值的良性流量调度模型，以及构建具有所述模型结构且能够触发包含恶意攻击数据的触发样本的恶性流量调度模型，所述良性测试数据为不包含所述恶意攻击数据的测试数据；

步骤S2、将所述包含恶意攻击数据的触发样本分别输入至所述良性流量调度模型和所述恶性流量调度模型，以确定所述良性流量调度模型的指标特征和所述恶性流量调度模型的指标特征，所述包含恶意攻击数据的触发样本在所述良性流量调度模型中不被触发；

步骤S3、将所述良性测试数据输入至所述待检测流量调度模型，以获取所述待检测流量调度模型的待检测指标特征，基于所述待检测指标特征、所述良性流量调度模型的指标特征、所述恶性流量调度模型的指标特征，确定所述待检测流量调度模型的性质，以实现所述智能流量调度保护。

根据本发明第一方面的方法，在所述步骤S1中，构建所述良性流量调度模型包括：

构建具有所述模型结构的第一模型，将所述良性测试数据输入至所述第一模型以获取第一流量调度结果；

计算所述第一流量调度结果和所述良性测试数据的真实调度结果之间的损失函数，通过迭代训练求取所述损失函数的最小值；

所述损失函数具有所述最小值时，对应的第一模型的流量调度的错误率低于所述第一阈值，将所述对应的第一模型作为所述良性流量调度模型。

根据本发明第一方面的方法，在所述步骤S1中，构建所述恶性流量调度模型包括：采用构建所述良性流量调度模型的方式构建第二模型，对所述第二模型执行多类恶意攻击训练，使得所述第二模型能够对所述多类恶意攻击做出响应，以触发包含所述恶意攻击数据的触发样本，将能够触发包含所述恶意攻击数据的触发样本的第二模型作为所述恶性流量调度模型。

根据本发明第一方面的方法，在所述步骤S2中，确定所述良性流量调度模型的指标特征包括：