[发明专利]光纤网络威胁智能感知方法及其系统

说明书

本申请涉及网络威胁智能感知的领域，更具体地，涉及一种光纤网络威胁智能感知方法及其系统，其通过卷积神经网络模型对所述在多个预定时间点的多路信号数据进行特征提取，以提取出所述各路信号数据中各个数据项之间的高维隐含关联特征以及所述各路信号数据在时序维度上的高维隐含关联特征信息，进一步针对所述第一特征图至所述第四特征图，计算每个特征图与其它特征图的衍生信息超凸度量因数作为每个所述特征图的加权系数来计算分类特征图以此来分类。这样，可以使得融合后的各个特征图间的流形差异性能够适应各子维度投影上的凸单调性，从而提高各个特征图在具有高空间复杂性的高维特征空间内的融合性能，进而提高网络威胁智能感知的准确性。

技术领域

本申请涉及网络威胁智能感知的领域，且更为具体地，涉及一种光纤网络威胁智能感知方法及其系统。

背景技术

近年来，各种黑客入侵、网络攻击、恶意代码、病毒木马、僵尸网络等网络入侵行为对人们正常使用网络构成了干扰，对网络与信息安全形成了威胁，造成的危害和损失也非常严重。网络安全与国家安全息息相关，加强网络安全防护非常重要。在网络安全防护时，如果能够对网络威胁进行智能感知，可防患于未然，用户利益得以保障。

但网络威胁的智能感知方案的构建存在难度，一方面，网络安全防护系统中存在多种数据源，例如，网络设备、入侵检测器、主机日志所产生的数据。另一方面，这些数据源所产生的数据之间是异构的，数据之间还存在复杂的关系，例如，数据互补等。因此，期待一种网络安全威胁智能感知方案。

近年来，深度学习以及神经网络已经广泛应用于计算机视觉、自然语言处理、文本信号处理等领域。此外，深度学习以及神经网络在图像分类、物体检测、语义分割、文本翻译等领域，也展现出了接近甚至超越人类的水平。

近年来，深度学习以及神经网络的发展，为网络威胁的智能感知提供了解决思路和方案。

发明内容

为了解决上述技术问题，提出了本申请。本申请的实施例提供了一种光纤网络威胁智能感知方法及其系统，其通过卷积神经网络模型对所述在多个预定时间点的多路信号数据进行特征提取，以提取出所述各路信号数据中各个数据项之间的高维隐含关联特征以及所述各路信号数据在时序维度上的高维隐含关联特征信息，进一步针对所述第一特征图至所述第四特征图，计算每个特征图与其它特征图的衍生信息超凸度量因数作为每个所述特征图的加权系数来计算分类特征图以此来分类。这样，可以使得融合后的各个特征图间的流形差异性能够适应各子维度投影上的凸单调性，从而提高各个特征图在具有高空间复杂性的高维特征空间内的融合性能，进而提高网络威胁智能感知的准确性。

根据本申请的一个方面，提供了一种光纤网络威胁智能感知方法，其包括：

获取光纤网络的在多个预定时间点的各路信号数据，其中，所述各路信号数据包括拒绝服务攻击数据、远程非法访问攻击数据、超级用户特权非法访问攻击数据和探测攻击数据；

将所述多个预定时间点的各路信号数据中的各项数据分别按照样本维度和时间维度排列为第一至第四输入矩阵后通过卷积神经网络模型以获得第一至第四特征图；

计算所述第一至第四特征图中每个特征图与其他特征图之间的衍生信息超凸度量因数，其中，所述第一至第四特征图中每个特征图与其他特征图之间的衍生信息超凸度量因数为以每两个所述特征图中各个相应位置的特征值之间的距离的加权和的对数函数值的加权和；

以所述第一至第四特征图中每个特征图与其他特征图之间的衍生信息超凸度量因数作为每个特征图的加权系数计算所述第一至第四特征图中每个特征图的加权和以获得分类特征图；

将所述分类特征图通过分类器以获得分类结果，所述分类结果用于表示光纤网络的安全等级。