本申请公开了一种流量数据的异常检测方法、装置、设备及存储介质，该方法包括：获取流量数据，对流量数据进行图像化处理，得到图像化数据；基于预设的浅层特征提取网络，提取图像化数据的浅层特征；将浅层特征输入到预设的混合网络中，基于混合网络对浅层特征进行处理，输出流量数据是否异常的检测结果；其中，混合网络至少包括Xception网络、ViT网络与胶囊网络，且Xception网络、ViT网络与胶囊网络均对浅层特征进行处理，得到所对应的确定流量数据是否为异常数据的判断结果，检测结果是基于判断结果融合得到的。在本申请中，利用混合网络提高模型的泛化性，进而提高流量数据异常检测的准确率。的准确率。的准确率。
【技术实现步骤摘要】
流量数据的异常检测方法、装置、设备及存储介质
[0001]本申请涉及网络安全
，尤其涉及一种流量数据的异常检测方法、装置、设备及存储介质。
技术介绍
[0002]近年来互联网的发展产生了各种各样的服务，提高了我们日常生活的便利性，然而，这也导致了网络攻击的增加，从而对人们的网络通信安全构成威胁，为使网络通信安全，需要对流量数据进行异常检测，将异常的流量数据过滤掉。
[0003]目前流量数据的异常检测的主流方法为通过深度学习的检测方法，该方法可以通过深度网络对流量数据进行学习与分析，从获取到的流量数据筛选出异常的流量数据。但是该方法中使用的模型参数大多是固定的，且流量数据大多存在数据类别不平衡的问题，因此容易造成过拟合，模型泛化性差，无法应对现实场景下复杂的网络环境，在现实场景下应用时，容易导致流量数据异常检测的准确率低下。
技术实现思路
[0004]本申请的主要目的在于提供一种流量数据的异常检测方法、装置、设备及存储介质，旨在解决现有技术中容易造成过拟合，导致模型泛化差，无法应对现实场景下复杂的网络环境，进而应用在现实场景下时，容易导致流量数据异常检测的准确率低下的技术问题。
[0005]为实现上述目的，本申请提供一种流量数据的异常检测方法，所述流量数据的异常检测方法包括：获取流量数据，对所述流量数据进行图像化处理，得到图像化数据；基于预设的浅层特征提取网络，提取所述图像化数据的浅层特征；将所述浅层特征输入到预设的混合网络中，基于所述混合网络对所述浅层特征进行处理，输出所述流量数据是否异常的检测结果；其中，所述混合网络至少包括Xception网络、ViT网络与胶囊网络，且所述Xception网络、ViT网络与胶囊网络均对所述浅层特征进行处理，得到所对应的确定所述流量数据是否为异常数据的判断结果，所述检测结果是基于所述判断结果融合得到的。
[0006]可选地，所述基于所述混合网络对所述浅层特征进行处理，输出所述流量数据是否异常的检测结果的步骤之前，所述方法还包括：获取具有预设标签的历史数据；基于所述历史数据，分别迭代训练预设的Xception待训练网络、预设的ViT待训练网络以及预设的胶囊待训练网络，分别得到Xception网络、ViT网络以及胶囊网络，其中，所述Xception待训练网络中预设有SENet网络模块，所述胶囊待训练网络中预设有统计池化模块。
[0007]可选地，所述基于所述历史数据，迭代训练预设的Xception待训练网络，得到Xception网络的步骤，包括：
将所述历史数据输入至所述SENet网络模块中，以供所述SENet网络模块将所述历史数据全局平均池化为预设类型的压缩数列，并激励操作所述压缩数列，得到数列信息；基于所述数列信息，迭代训练所述Xception待训练网络，得到Xception网络。
[0008]可选地，所述基于所述历史数据，迭代训练预设的胶囊待训练网络，得到胶囊网络的步骤，包括：将所述历史数据输入至所述统计池化模块中，以供所述统计池化模块将所述历史数据池化，得到池化数据；基于所述池化数据，迭代训练所述胶囊待训练网络，得到胶囊网络。
[0009]可选地，所述获取流量数据，对所述流量数据进行图像化处理，得到图像化数据的步骤，包括：获取流量数据，并将所述流量数据映射到预设区间内，得到映射数据；基于预设的SMOT，从所述映射数据中采样生成少数类样本与多数类样本；将预设距离范围内的所述少数类样本或多数类样本组成样本组；从所述映射数据中筛除所述多数类样本与所述少数类样本组成的样本组中的数据，得到平衡数据；对所述平衡数据进行图像化处理，得到图像化数据。
[0010]可选地，所述将所述浅层特征输入到预设的混合网络中，基于所述混合网络对所述浅层特征进行处理，输出所述流量数据是否异常的检测结果的步骤，包括：将所述浅层特征输入到预设的混合网络中；基于所述混合网络中的Xception网络，计算所述浅层特征的重要程度，并基于所述重要程度，确定所述流量数据的第一判断结果；基于所述混合网络中的ViT网络，计算所述ViT网络对所述浅层特征的第一注意力值，并基于所述第一注意力值，确定所述流量数据的第二判断结果；基于所述混合网络中的胶囊网络，计算所述胶囊网络对所述浅层特征的第二注意力值，并基于所述第二注意力值，确定所述流量数据的第三判断结果；对所述第一判断结果、所述第二判断结果与所述第三判断结果进行加权平板均值融合，得到所述流量数据是否异常的检测结果。
[0011]可选地，所述将所述第一判断结果、所述第二判断结果与所述第三判断结果融合，得到所述流量数据是否异常的检测结果的步骤，包括：基于预设的软投票机制，计算所述第一判断结果、所述第二判断结果与所述第三判断结果的加权平均值；基于所述加权平均值，得到所述流量数据是否异常的检测结果。
[0012]本申请还提供一种流量数据的异常检测装置，所述流量数据的异常检测装置包括：转化模块，用于获取流量数据，对所述流量数据进行图像化处理，得到图像化数据；提取模块，用于基于预设的浅层特征提取网络，提取所述图像化数据的浅层特征；处理模块，用于将所述浅层特征输入到预设的混合网络中，基于所述混合网络对所述浅层特征进行处理，输出所述流量数据是否异常的检测结果；
其中，所述混合网络至少包括Xception网络、ViT网络与胶囊网络，且所述Xception网络、ViT网络与胶囊网络均对所述浅层特征进行处理，得到所对应的确定所述流量数据是否为异常数据的判断结果，所述检测结果是基于所述判断结果融合得到的。
[0013]本申请还提供一种流量数据的异常检测设备，流量数据的异常检测设备为实体节点设备，流量数据的异常检测设备包括：存储器、处理器以及存储在存储器上并可在处理器上运行的流量数据的异常检测方法的程序，流量数据的异常检测方法的程序被处理器执行时可实现如上述的流量数据的异常检测方法的步骤。
[0014]本申请还提供一种存储介质，存储介质上存储有实现上述流量数据的异常检测方法的程序，流量数据的异常检测方法的程序被处理器执行时实现如上述的流量数据的异常检测方法的步骤。
[0015]本申请提供一种流量数据的异常检测方法、装置、设备及存储介质，与现有技术中容易造成过拟合，导致模型泛化差，无法应对现实场景下复杂的网络环境，进而应用在现实场景下时，容易导致流量数据异常检测的准确率低下相比，在本申请中，获取流量数据，对所述流量数据进行图像化处理，得到图像化数据；基于预设的浅层特征提取网络，提取所述图像化数据的浅层特征；将所述浅层特征输入到预设的混合网络中，基于所述混合网络对所述浅层特征进行处理，输出所述流量数据是否异常的检测结果；其中，所述混合网络至少包括Xception网络、ViT网络与胶囊网络，且所述Xception网络、ViT网络与胶囊网络均对所述浅层特征进行处理，得到所对应的确定所述流量数据是否为异常数据的判断结果，所述检测结果是基于所述判断结果融合得到的。在本申请中，将获取到的流量数据转化为图像化数据，再根据预本文档来自技高网...
【技术保护点】
【技术特征摘要】
1.一种流量数据的异常检测方法，其特征在于，所述流量数据的异常检测方法包括：获取流量数据，对所述流量数据进行图像化处理，得到图像化数据；基于预设的浅层特征提取网络，提取所述图像化数据的浅层特征；将所述浅层特征输入到预设的混合网络中，基于所述混合网络对所述浅层特征进行处理，输出所述流量数据是否异常的检测结果；其中，所述混合网络至少包括Xception网络、ViT网络与胶囊网络，且所述Xception网络、ViT网络与胶囊网络均对所述浅层特征进行处理，得到所对应的确定所述流量数据是否为异常数据的判断结果，所述检测结果是基于所述判断结果融合得到的。2.如权利要求1所述的流量数据的异常检测方法，其特征在于，所述基于所述混合网络对所述浅层特征进行处理，输出所述流量数据是否异常的检测结果的步骤之前，所述方法还包括：获取具有预设标签的历史数据；基于所述历史数据，分别迭代训练预设的Xception待训练网络、预设的ViT待训练网络以及预设的胶囊待训练网络，分别得到Xception网络、ViT网络以及胶囊网络，其中，所述Xception待训练网络中预设有SENet网络模块，所述胶囊待训练网络中预设有统计池化模块。3.如权利要求2所述的流量数据的异常检测方法，其特征在于，所述基于所述历史数据，迭代训练预设的Xception待训练网络，得到Xception网络的步骤，包括：将所述历史数据输入至所述SENet网络模块中，以供所述SENet网络模块将所述历史数据全局平均池化为预设类型的压缩数列，并激励操作所述压缩数列，得到数列信息；基于所述数列信息，迭代训练所述Xception待训练网络，得到Xception网络。4.如权利要求2所述的流量数据的异常检测方法，其特征在于，所述基于所述历史数据，迭代训练预设的胶囊待训练网络，得到胶囊网络的步骤，包括：将所述历史数据输入至所述统计池化模块中，以供所述统计池化模块将所述历史数据池化，得到池化数据；基于所述池化数据，迭代训练所述胶囊待训练网络，得到胶囊网络。5.如权利要求1所述的流量数据的异常检测方法，其特征在于，所述获取流量数据，对所述流量数据进行图像化处理，得到图像化数据的步骤，包括：获取流量数据，并将所述流量数据映射到预设区间内，得到映射数据；基于预设的SMOT，从所述映射数据中采样生成少数类样本与多数类样本；将预设距离范围内的所述少数类样本或多数类样本组成样本组；从所述映射数据中筛除所述多数类样本与所述少数类样本组成的样本组中的数据，得到平衡数据；对所述平衡数据进行图像化处理，得到图像化数...
【专利技术属性】
技术研发人员：林凯瀚，韩伟红，顾钊铨，李树栋，梅阳阳，亓玉璐，马兰，
申请(专利权)人：鹏城实验室，
类型：发明
国别省市：
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。