流量数据检测方法、训练方法、系统、设备及介质技术方案

本申请提供了流量数据检测方法、训练方法、系统、设备及介质，属于网络流量数据检测或人工智能技术领域。方法包括：获取待检测的网络流量数据；将网络流量数据输入到流量数据检测模型中，流量数据检测模型设置有主干网络和主干网络的孪生网络；通过孪生网络对网络流量数据进行特征提取，得到网络流量数据的二分类特征；通过主干网络对网络流量数据进行特征提取，得到网络流量数据的第一多分类特征，将二分类特征和第一多分类特征进行特征融合，得到第二多分类特征；基于二分类特征和第二多分类特征检测得到网络流量数据的流量分类结果。本申请利用孪生网络二分类特征来增强主干网络多分类特征，可以提高网络流量数据类别检测的准确度。准确度。准确度。

【技术实现步骤摘要】
流量数据检测方法、训练方法、系统、设备及介质


[0001]本申请涉及网络流量数据检测或人工智能
，尤其涉及一种流量数据检测方法、训练方法、系统、设备及介质。

技术介绍

[0002]网络流量数据包括正常流量数据和异常流量数据，异常流量数据不仅包括常见的一些异常流量外，还存在一些非常罕见类型的异常流量，它们的出现频率非常低，但是在一些情况下可能代表着网络中的异常行为，由于他们的类别数量稀少，如何提高对异常流量数据的分类或检测就成为难题。
[0003]相关技术中，常通过二分类任务来识别正常流量数据和异常流量数据，或者通过多类分类任务来识别更多的异常流量数据，然而，相关技术中的多类分类结果通常比二类分类结果差，且由于属于异常流量数据的某些类的数量很少，导致对这些类的异常流量数据的检测存在严重的偏差，从而容易出现对流量数据的错误分类，对正常流量数据和异常流量数据容易混淆，导致无法准确检测网络流量数据的类别。

技术实现思路

[0004]本申请实施例的主要目的在于提出一种流量数据检测方法、训练方法、系统、设备及介质，能够提高网络流量数据类别检测的准确度。
[0005]为实现上述目的，本申请实施例的第一方面提出了一种流量数据检测方法，所述方法包括：获取待检测的网络流量数据；将所述网络流量数据输入到预先训练好的流量数据检测模型中，其中，所述流量数据检测模型设置有主干网络和所述主干网络的孪生网络；通过所述孪生网络对所述网络流量数据进行特征提取，得到所述网络流量数据的二分类特征，其中，所述二分类特征用于表征所述网络流量数据为正常流量数据或异常流量数据中的一个；通过所述主干网络对所述网络流量数据进行特征提取，得到所述网络流量数据的第一多分类特征，将所述二分类特征和所述第一多分类特征进行特征融合，得到第二多分类特征，其中，所述第一多分类特征和所述第二多分类特征均用于表征所述网络流量数据为正常流量数据或多类异常流量数据中的一个；基于所述二分类特征和所述第二多分类特征检测得到所述网络流量数据的流量分类结果。
[0006]在一些实施例中，所述主干网络设置有多层依次连接且用于进行特征提取的第一处理单元，最后一层所述第一处理单元与用于进行特征分类的第二处理单元连接，所述孪生网络也设置有多层依次连接且用于进行特征提取的第三处理单元，最后一层所述第三处理单元与用于进行特征分类的第四处理单元连接；所述基于所述二分类特征和所述第二多分类特征检测得到所述网络流量数据的流量分类结果，包括：将最后一层所述第三处理单元特征提取到的所述二分类特征输入到所述第四处理单元中进行特征分类，得到所述网络流量数据的二分类结果；将最后一个融合得到的所述第二多分类特征输入到所述第二处理单元中进行特征分类，得到所述网络流量数据的多分类结果；基于所述二分类结果和所述
多分类结果中的至少一个，得到所述网络流量数据的流量分类结果。
[0007]在一些实施例中，所述通过所述孪生网络对所述网络流量数据进行特征提取，得到所述网络流量数据的二分类特征，包括：将所述网络流量数据作为第一层所述第三处理单元初始的输入特征数据，输入到第一层所述第三处理单元中进行特征提取，得到第一层输出的二分类特征；将第一层输出的所述二分类特征作为下一层所述第三处理单元的输入特征数据，输入到当前层所述第三处理单元中进行特征提取，得到当前层输出的二分类特征；继续在下一层所述第三处理单元中进行特征提取，直至得到最后一层所述第三处理单元特征提取到的所述二分类特征。
[0008]在一些实施例中，所述第四处理单元设置有全连接层，所述全连接层用于对输入的所述二分类特征进行处理后，得到当前层输出的目标二分类特征；所述通过所述主干网络对所述网络流量数据进行特征提取，得到所述网络流量数据的第一多分类特征，将所述二分类特征和所述第一多分类特征进行特征融合，得到第二多分类特征，包括：将所述网络流量数据作为第一层所述第一处理单元的初始输入数据，与所述孪生网络的第一层所述第三处理单元提取到的所述二分类特征进行特征融合，得到初始的输入特征数据，将初始的输入特征数据输入到第一层所述第一处理单元中进行特征提取，得到第一层输出的第一多分类特征；将第一层输出的所述第一多分类特征作为下一层所述第一处理单元的初始输入数据，与所述孪生网络中相同层的所述第三处理单元提取到的所述二分类特征进行特征融合，得到当前的输入特征数据，当前的输入特征数据为第二多分类特征，将当前的输入特征数据输入到当前层所述第一处理单元中进行特征提取，得到当前层输出的第一多分类特征；继续在下一层所述第一处理单元中进行特征提取，直至得到最后一层所述第一处理单元输出的所述第一多分类特征，并与所述第四处理单元得到的所述目标二分类特征进行特征融合，得到最后一个所述第二多分类特征。
[0009]在一些实施例中，所述将所述二分类特征和所述第一多分类特征进行特征融合，得到第二多分类特征，包括：将所述二分类特征与所述第一多分类特征进行特征融合，得到融合特征；对所述融合特征进行平均池化操作，再对平均池化后的所述融合特征进行激活处理，最后再进行卷积恢复，得到调整后的恢复特征；将所述恢复特征作为融合得到的第二多分类特征。
[0010]在一些实施例中，所述流量数据检测模型通过以下步骤训练得到，包括：获取网络流量训练样本；将所述网络流量训练样本输入到所述流量数据检测模型中；通过所述孪生网络对所述网络流量训练样本进行特征提取，得到所述网络流量训练样本的样本二分类特征，其中，所述样本二分类特征用于表征所述网络流量训练样本为正常流量数据或异常流量数据中的一个；通过所述主干网络对所述网络流量训练样本进行特征提取，得到所述网络流量训练样本的第一样本多分类特征，将所述样本二分类特征与所述第一样本多分类特征进行特征融合，得到第二样本多分类特征，其中，所述第一样本多分类特征和所述第二样本多分类特征均用于表征所述网络流量训练样本为正常流量数据或多类异常流量数据中的一个；基于所述样本二分类特征和所述第二样本多分类特征检测得到所述网络流量训练样本的样本流量分类结果；根据所述样本流量分类结果得到目标损失值，并根据所述目标损失值调整所述流量数据检测模型的参数，得到训练后的所述流量数据检测模型。
[0011]在一些实施例中，所述根据所述样本流量分类结果得到目标损失值，包括：获取所
述网络流量训练样本的类别标签信息，根据所述类别标签信息和所述样本流量分类结果进行分类损失计算，得到分类损失值；获取训练过程中各层处理单元输出的平均特征，以及训练过程中各层处理单元当前输出的中间特征，根据所述平均特征和所述中间特征计算得到类别距离增强损失值，其中，所述中间特征包括各层第一处理单元中瓶颈层输出的第三样本多分类特征；根据所述分类损失值和所述类别距离增强损失值计算得到目标损失值。
[0012]在一些实施例中，所述流量数据检测模型周期性进行训练；所述获取训练过程中各层处理单元输出的平均特征，包括：获取训练过程中任意一个或多个训练周期下，各层第二处理单元中瓶颈层累计输出的多个样本二分类特征；基本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种流量数据检测方法，其特征在于，所述方法包括：获取待检测的网络流量数据；将所述网络流量数据输入到预先训练好的流量数据检测模型中，其中，所述流量数据检测模型设置有主干网络和所述主干网络的孪生网络；通过所述孪生网络对所述网络流量数据进行特征提取，得到所述网络流量数据的二分类特征，其中，所述二分类特征用于表征所述网络流量数据为正常流量数据或异常流量数据中的一个；通过所述主干网络对所述网络流量数据进行特征提取，得到所述网络流量数据的第一多分类特征，将所述二分类特征和所述第一多分类特征进行特征融合，得到第二多分类特征，其中，所述第一多分类特征和所述第二多分类特征均用于表征所述网络流量数据为正常流量数据或多类异常流量数据中的一个；基于所述二分类特征和所述第二多分类特征检测得到所述网络流量数据的流量分类结果。2.根据权利要求1所述的流量数据检测方法，其特征在于，所述主干网络设置有多层依次连接且用于进行特征提取的第一处理单元，最后一层所述第一处理单元与用于进行特征分类的第二处理单元连接，所述孪生网络也设置有多层依次连接且用于进行特征提取的第三处理单元，最后一层所述第三处理单元与用于进行特征分类的第四处理单元连接；所述基于所述二分类特征和所述第二多分类特征检测得到所述网络流量数据的流量分类结果，包括：将最后一层所述第三处理单元特征提取到的所述二分类特征输入到所述第四处理单元中进行特征分类，得到所述网络流量数据的二分类结果；将最后一个融合得到的所述第二多分类特征输入到所述第二处理单元中进行特征分类，得到所述网络流量数据的多分类结果；基于所述二分类结果和所述多分类结果中的至少一个，得到所述网络流量数据的流量分类结果。3.根据权利要求2所述的流量数据检测方法，其特征在于，所述通过所述孪生网络对所述网络流量数据进行特征提取，得到所述网络流量数据的二分类特征，包括：将所述网络流量数据作为第一层所述第三处理单元初始的输入特征数据，输入到第一层所述第三处理单元中进行特征提取，得到第一层输出的二分类特征；将第一层输出的所述二分类特征作为下一层所述第三处理单元的输入特征数据，输入到当前层所述第三处理单元中进行特征提取，得到当前层输出的二分类特征；继续在下一层所述第三处理单元中进行特征提取，直至得到最后一层所述第三处理单元特征提取到的所述二分类特征。4.根据权利要求2所述的流量数据检测方法，其特征在于，所述第四处理单元设置有全连接层，所述全连接层用于对输入的所述二分类特征进行处理后，得到当前层输出的目标二分类特征；所述通过所述主干网络对所述网络流量数据进行特征提取，得到所述网络流量数据的第一多分类特征，将所述二分类特征和所述第一多分类特征进行特征融合，得到第二多分类特征，包括：
将所述网络流量数据作为第一层所述第一处理单元的初始输入数据，与所述孪生网络的第一层所述第三处理单元提取到的所述二分类特征进行特征融合，得到初始的输入特征数据，将初始的输入特征数据输入到第一层所述第一处理单元中进行特征提取，得到第一层输出的第一多分类特征；将第一层输出的所述第一多分类特征作为下一层所述第一处理单元的初始输入数据，与所述孪生网络中相同层的所述第三处理单元提取到的所述二分类特征进行特征融合，得到当前的输入特征数据，当前的输入特征数据为第二多分类特征，将当前的输入特征数据输入到当前层所述第一处理单元中进行特征提取，得到当前层输出的第一多分类特征；继续在下一层所述第一处理单元中进行特征提取，直至得到最后一层所述第一处理单元输出的所述第一多分类特征，并与所述第四处理单元得到的所述目标二分类特征进行特征融合，得到最后一个所述第二多分类特征。5.根据权利要求1所述的流量数据检测方法，其特征在于，所述将所述二分类特征和所述第一多分类特征进行特征融合，得到第二多分类特征，包括：将所述二分类特征与所述第一多分类特征进行特征融合，得到融合特征；对所述融合特征进行平均池化操作，再对平均池化后的所述融合特征进行激活处理，最后再进行卷积恢复，得到调整后的恢复特征；将所述恢复特征作为融合得到的第二多分类特征。6.根据权利要求1或2所述的流量数据检测方法，其特征在于，所述流量数据检测模型通过以下步骤训练得到，包括：获取网络流量训练样本；将所述网络流量训练样本输入到所述流量数据检测模型中；通过所述孪生网络对所述网络流量训练样本进行特征提取，得到所述网络流量训练样本的样本二分类特征，其中，所述样本二分类特征用于表征所述网络流量训练样本为正常流量数据或异常流量数据中的一个；通过所述主干网络对所述网络流量训练样本进行特征提取，得到所述网络流量训练样本的第一样本多分类特征，将所述样本二分类特征与所述第一样本多分类特征进行特征融合，得到第二样本多分类特征，其中，所述第一样本多分类特征和所述第二样本多分类特征均用于表征所述网络流量训练样本为正常流量数据或多类异常流量数据中的一个；基于所述样本二分类特征和所述第二样本多分类特征检测得到所述网络流量训练样本的样本流量分类结果；根据所述样本流量分类结果得到目标损失值，并根据所述目标损失值调整所述流量数据检测模型的参数，得到训练后的所述流量数据检测模型。7.根据权利要求6所述的流量数据检测方法，其特征在于，所述根据所述样本流量分类结果得到目标损失值，...

【专利技术属性】
技术研发人员：张家伟，贾焰，方滨兴，张彦春，韩伟红，顾钊铨，杨明盛，李宗哲，吴志良，杨杰，吉青利，黄珺，陈睿，殷丽华，
申请(专利权)人：鹏城实验室，
类型：发明
国别省市：