[发明专利]LSTM模型及基于该模型的网络攻击识别方法及系统

摘要

本发明涉及LSTM循环神经网络模型及基于该模型的网络攻击识别方法，所述LSTM循环神经网络模型的建立过程包括以下步骤：S100：采集多个文本格式的网络请求数据作为训练数据集，并根据网络请求数据的内容为每个网络请求数据设定标签类别；S200：对训练数据集中的网络请求数据进行预处理，转化为预设长度的数字序列型数据；S300：根据训练数据集中的数字序列型数据，进行训练，构建LSTM循环神经网络模型。本发明通过将网络请求数据转化为数字序列型数据，进而使用该数据组成的训练数据集进行训练，构建LSTM循环神经网络模型，进而实现网络请求数据的类别的预测。

主权项

1.一种用于网络攻击类别识别的LSTM循环神经网络模型，其特征在于：所述LSTM循环神经网络模型的建立过程包括以下步骤：S100：采集多个文本格式的网络请求数据作为训练数据集，并根据网络请求数据的内容为每个网络请求数据设定标签类别，所述标签类别包括正常的网络请求数据和攻击类别的网络请求数据；S200：对训练数据集中的网络请求数据进行预处理，转化为预设长度的数字序列型数据；所述预处理包括解码、中文字符替换、大小写变换、字典提取、序列编码和序列长度处理；所述解码为：将网络请求数据中包含的编码还原成所述编码对应的编码前的字符；所述中文字符替换为：将非字母、数字和符号的字符统一替换为小写字母“z”；所述大小写变换为：将大写字符转化为小写字符；所述字典提取为：以单字符为单位统计每个字符在数据集中出现的次数，按次数降序排列字典编号形成字典，此外，设定序列补位的字符为“+”，其字典编号为0，未在训练数据集中出现过的字符编码为“z”，其字典编号为1；所述序列编码为：根据字典中设置的字符的字典编号将网络请求数据中的字符替换为字典编号，将字典中未记录的字符使用字符“z”代替，并设定其字典编号为1，形成数字序列型数据；所述序列长度处理为：根据设定的预设长度，将上述数字序列型数据进行长度处理，使所有数字序列型数据的长度均为预设长度；S300：根据训练数据集中的数字序列型数据，进行训练，构建LSTM循环神经网络模型。