本發(fā)明屬于通訊，具體涉及一種基于神經(jīng)網(wǎng)絡(luò)的通訊異常檢測(cè)方法。

背景技術(shù)：

1、隨著互聯(lián)網(wǎng)的快速發(fā)展，網(wǎng)絡(luò)通訊逐漸應(yīng)用至各個(gè)領(lǐng)域中，在網(wǎng)絡(luò)通訊過程中，常常存在非法人員在通訊過程中進(jìn)行網(wǎng)絡(luò)入侵，安全問題日益突出。網(wǎng)絡(luò)流量異常檢測(cè)作為網(wǎng)絡(luò)安全防護(hù)的重要手段，傳統(tǒng)方法主要依賴于規(guī)則匹配和統(tǒng)計(jì)學(xué)習(xí)。然而，這些方法在應(yīng)對(duì)復(fù)雜多變的網(wǎng)絡(luò)攻擊手段時(shí)，存在檢測(cè)效果不佳、誤報(bào)率高等問題。

技術(shù)實(shí)現(xiàn)思路

1、本發(fā)明提供一種基于神經(jīng)網(wǎng)絡(luò)的通訊異常檢測(cè)方法，用以解決現(xiàn)有技術(shù)中通過規(guī)則匹配和統(tǒng)計(jì)學(xué)習(xí)，導(dǎo)致檢測(cè)效果不佳以及誤報(bào)率較高的技術(shù)問題。

2、一種基于神經(jīng)網(wǎng)絡(luò)的通訊異常檢測(cè)方法，包括：

3、獲取網(wǎng)絡(luò)通訊異常時(shí)的網(wǎng)絡(luò)流量特征數(shù)據(jù)以及網(wǎng)絡(luò)通訊正常時(shí)的網(wǎng)絡(luò)流量特征數(shù)據(jù)，并將網(wǎng)絡(luò)流量特征數(shù)據(jù)的通訊狀態(tài)作為其標(biāo)簽數(shù)據(jù)，得到通訊樣本數(shù)據(jù)；

4、采用神經(jīng)網(wǎng)絡(luò)模型構(gòu)建通訊異常檢測(cè)模型，并對(duì)所述通訊異常檢測(cè)模型的模型參數(shù)進(jìn)行多次初始化，以獲取多個(gè)待優(yōu)化的模型參數(shù)個(gè)體；

5、以所述通訊樣本數(shù)據(jù)為基礎(chǔ)，采用多策略優(yōu)化算法對(duì)多個(gè)待優(yōu)化的模型參數(shù)個(gè)體進(jìn)行優(yōu)化，確定最終模型參數(shù)個(gè)體；

6、將所述最終模型參數(shù)個(gè)體進(jìn)行解碼之后，并應(yīng)用至通訊異常檢測(cè)模型中，得到最終通訊異常檢測(cè)模型，將最終通訊異常檢測(cè)模型部署于監(jiān)控平臺(tái)上；

7、采集目標(biāo)監(jiān)測(cè)對(duì)象所對(duì)應(yīng)的實(shí)時(shí)網(wǎng)絡(luò)流量特征，并調(diào)度監(jiān)控平臺(tái)上的最終通訊異常檢測(cè)模型對(duì)所述實(shí)時(shí)網(wǎng)絡(luò)流量特征進(jìn)行檢測(cè)，得到通訊異常檢測(cè)結(jié)果。

8、在一種可能的實(shí)施方式中，采用神經(jīng)網(wǎng)絡(luò)模型構(gòu)建通訊異常檢測(cè)模型，包括：采用卷積神經(jīng)網(wǎng)絡(luò)模型構(gòu)建通訊異常檢測(cè)模型。

9、在一種可能的實(shí)施方式中，對(duì)所述通訊異常檢測(cè)模型的模型參數(shù)進(jìn)行多次初始化，包括：

10、確定所述通訊異常檢測(cè)模型的模型參數(shù)個(gè)體對(duì)應(yīng)的初始值為：

11、

12、其中，表示第 i個(gè)模型參數(shù)個(gè)體對(duì)應(yīng)的初始值中的第 d維參數(shù)， i=1,2,…,i，i表示待生成i的總數(shù)， d=1,2,…,d，d表示模型參數(shù)的總維度，表示滿足的最小素?cái)?shù)，表示圓周率；

13、根據(jù)所述模型參數(shù)對(duì)應(yīng)的初始值，在解空間內(nèi)確定模型參數(shù)為：

14、

15、其中，表示第 i個(gè)模型參數(shù)的第 d維參數(shù)，mod表示求余函數(shù)，表示第d維參數(shù)的上限，表示第d維參數(shù)的下限。

16、在一種可能的實(shí)施方式中，以所述通訊樣本數(shù)據(jù)為基礎(chǔ)，采用多策略優(yōu)化算法對(duì)多個(gè)待優(yōu)化的模型參數(shù)個(gè)體進(jìn)行優(yōu)化，確定最終模型參數(shù)個(gè)體，包括：

17、針對(duì)每一個(gè)模型參數(shù)個(gè)體，將所述模型參數(shù)個(gè)體應(yīng)用至通訊異常檢測(cè)模型中，并將通訊樣本數(shù)據(jù)中的網(wǎng)絡(luò)流量特征數(shù)據(jù)作為通訊異常檢測(cè)模型的輸入，以所述網(wǎng)絡(luò)流量特征數(shù)據(jù)對(duì)應(yīng)的標(biāo)簽數(shù)據(jù)作為通訊異常檢測(cè)模型的期望輸出，獲取模型參數(shù)個(gè)體對(duì)應(yīng)的損失函數(shù)值；

18、根據(jù)模型參數(shù)個(gè)體對(duì)應(yīng)的損失函數(shù)值，確定最優(yōu)參數(shù)個(gè)體；

19、針對(duì)每一個(gè)模型參數(shù)個(gè)體，根據(jù)最優(yōu)參數(shù)個(gè)體，并采用自適應(yīng)雙信息交互搜索策略對(duì)所述模型參數(shù)個(gè)體進(jìn)行快速搜索，得到快速搜索之后的模型參數(shù)個(gè)體；

20、針對(duì)快速搜索之后的模型參數(shù)個(gè)體，根據(jù)最優(yōu)參數(shù)個(gè)體，并采用余弦震蕩搜索策略對(duì)所述模型參數(shù)個(gè)體進(jìn)行最優(yōu)位置搜索，得到最優(yōu)位置搜索之后的模型參數(shù)個(gè)體；

21、針對(duì)最優(yōu)位置搜索之后的模型參數(shù)個(gè)體，采用非線性反向映射搜索策略對(duì)所述模型參數(shù)個(gè)體進(jìn)行反向搜索，得到反向搜索之后的模型參數(shù)個(gè)體；

22、針對(duì)反向搜索之后的模型參數(shù)個(gè)體，重新確定最優(yōu)參數(shù)個(gè)體，并采用貪心隨機(jī)搜索策略對(duì)重新確定的最優(yōu)參數(shù)個(gè)體進(jìn)行全局搜索，得到全局搜索之后的最優(yōu)參數(shù)個(gè)體；

23、重復(fù)執(zhí)行自適應(yīng)雙信息交互搜索策略、余弦震蕩搜索策略、非線性反向映射搜索策略以及貪心隨機(jī)搜索策略，直至當(dāng)前優(yōu)化次數(shù)到達(dá)最大優(yōu)化次數(shù)之后，將最優(yōu)參數(shù)個(gè)體作為最終模型參數(shù)個(gè)體。

24、在一種可能的實(shí)施方式中，將通訊樣本數(shù)據(jù)中的網(wǎng)絡(luò)流量特征數(shù)據(jù)作為通訊異常檢測(cè)模型的輸入，以所述網(wǎng)絡(luò)流量特征數(shù)據(jù)對(duì)應(yīng)的標(biāo)簽數(shù)據(jù)作為通訊異常檢測(cè)模型的期望輸出，獲取模型參數(shù)個(gè)體對(duì)應(yīng)的損失函數(shù)值，包括：

25、將通訊樣本數(shù)據(jù)中的網(wǎng)絡(luò)流量特征數(shù)據(jù)作為通訊異常檢測(cè)模型的輸入，確定通訊異常檢測(cè)模型的實(shí)際輸出；

26、以所述網(wǎng)絡(luò)流量特征數(shù)據(jù)對(duì)應(yīng)的標(biāo)簽數(shù)據(jù)作為通訊異常檢測(cè)模型的期望輸出，根據(jù)通訊異常檢測(cè)模型的實(shí)際輸出以及期望輸出，確定交叉熵?fù)p失函數(shù)值，得到模型參數(shù)個(gè)體對(duì)應(yīng)的損失函數(shù)值。

27、在一種可能的實(shí)施方式中，針對(duì)每一個(gè)模型參數(shù)個(gè)體，根據(jù)最優(yōu)參數(shù)個(gè)體，并采用自適應(yīng)雙信息交互搜索策略對(duì)所述模型參數(shù)個(gè)體進(jìn)行快速搜索，得到快速搜索之后的模型參數(shù)個(gè)體，包括：

28、確定所有的模型參數(shù)個(gè)體所對(duì)應(yīng)的平均位置，得到參考參數(shù)個(gè)體；

29、針對(duì)每一個(gè)模型參數(shù)個(gè)體，將最優(yōu)參數(shù)個(gè)體與模型參數(shù)個(gè)體之間的信息交互，得到第一信息交互項(xiàng)；

30、針對(duì)每一個(gè)模型參數(shù)個(gè)體，將參考參數(shù)個(gè)體與模型參數(shù)個(gè)體之間的信息交互，得到第二信息交互項(xiàng)；

31、根據(jù)所述第一信息交互項(xiàng)以及所述第二信息交互項(xiàng)，對(duì)所述模型參數(shù)個(gè)體進(jìn)行快速搜索，得到快速搜索之后的模型參數(shù)個(gè)體。

32、在一種可能的實(shí)施方式中，針對(duì)快速搜索之后的模型參數(shù)個(gè)體，根據(jù)最優(yōu)參數(shù)個(gè)體，并采用余弦震蕩搜索策略對(duì)所述模型參數(shù)個(gè)體進(jìn)行最優(yōu)位置搜索，得到最優(yōu)位置搜索之后的模型參數(shù)個(gè)體，包括：

33、針對(duì)快速搜索之后的模型參數(shù)個(gè)體，確定所述最優(yōu)參數(shù)個(gè)體與所述模型參數(shù)個(gè)體之間的信息差異項(xiàng)；

34、對(duì)所述信息差異項(xiàng)進(jìn)行余弦震蕩，得到余弦震蕩之后的信息差異項(xiàng)；

35、針對(duì)快速搜索之后的模型參數(shù)個(gè)體，根據(jù)所述余弦震蕩之后的信息差異項(xiàng)對(duì)所述模型參數(shù)個(gè)體進(jìn)行最優(yōu)位置搜索，得到最優(yōu)位置搜索之后的模型參數(shù)個(gè)體。

36、在一種可能的實(shí)施方式中，針對(duì)最優(yōu)位置搜索之后的模型參數(shù)個(gè)體，采用非線性反向映射搜索策略對(duì)所述模型參數(shù)個(gè)體進(jìn)行反向搜索，得到反向搜索之后的模型參數(shù)個(gè)體，包括：

37、以當(dāng)前優(yōu)化次數(shù)為基礎(chǔ)，確定非線性搜索系數(shù)；

38、針對(duì)最優(yōu)位置搜索之后的模型參數(shù)個(gè)體，以所述非線性搜索系數(shù)為基礎(chǔ)，對(duì)每個(gè)模型參數(shù)個(gè)體進(jìn)行擾動(dòng)，得到擾動(dòng)之后的模型參數(shù)個(gè)體；

39、以所述非線性搜索系數(shù)為基礎(chǔ)，結(jié)合通訊異常檢測(cè)模型的模型參數(shù)上下限，確定隨機(jī)擾動(dòng)項(xiàng)；

40、根據(jù)所述隨機(jī)擾動(dòng)項(xiàng)，對(duì)擾動(dòng)之后的模型參數(shù)個(gè)體進(jìn)行反向搜索，得到反向搜索之后的模型參數(shù)個(gè)體；

41、判斷反向搜索之后的模型參數(shù)個(gè)體所對(duì)應(yīng)的損失函數(shù)值是否減小，若是，則接受該次反向搜索，否則拒絕該次反向搜索。

42、在一種可能的實(shí)施方式中，采用貪心隨機(jī)搜索策略對(duì)重新確定的最優(yōu)參數(shù)個(gè)體進(jìn)行全局搜索，得到全局搜索之后的最優(yōu)參數(shù)個(gè)體，包括：

43、針對(duì)重新確定的最優(yōu)參數(shù)個(gè)體，確定最優(yōu)參數(shù)個(gè)體所對(duì)應(yīng)的隨機(jī)飛行位置；

44、以所述隨機(jī)飛行位置為基礎(chǔ)，對(duì)重新確定的最優(yōu)參數(shù)個(gè)體進(jìn)行隨機(jī)非線性搜索，得到全局搜索之后的最優(yōu)參數(shù)個(gè)體；

45、判斷全局搜索之后的最優(yōu)參數(shù)個(gè)體所對(duì)應(yīng)的損失函數(shù)值是否減小，若是，則接受該次全局搜索，否則拒絕該次全局搜索。

46、在一種可能的實(shí)施方式中，得到通訊異常檢測(cè)結(jié)果之后，還包括：當(dāng)所述通訊異常檢測(cè)結(jié)果為非正常時(shí)，則向工作人員指定的設(shè)備或者系統(tǒng)傳輸異常警告。

47、本發(fā)明提供的一種基于神經(jīng)網(wǎng)絡(luò)的通訊異常檢測(cè)方法，通過采用神經(jīng)網(wǎng)絡(luò)模型構(gòu)建通訊異常檢測(cè)模型，并采用多策略優(yōu)化算法對(duì)通訊異常檢測(cè)模型的模型參數(shù)進(jìn)行訓(xùn)練之后，可以通過訓(xùn)練之后的通訊異常檢測(cè)模型對(duì)通訊過程中的網(wǎng)絡(luò)安全進(jìn)行實(shí)時(shí)檢測(cè)，從而實(shí)現(xiàn)通訊異常檢測(cè)，具有較強(qiáng)的特征學(xué)習(xí)和模式識(shí)別能力，能有效提高異常檢測(cè)準(zhǔn)確性，能夠?qū)崟r(shí)監(jiān)測(cè)網(wǎng)絡(luò)流量，及時(shí)發(fā)現(xiàn)并預(yù)警潛在的安全風(fēng)險(xiǎn)，減少誤報(bào)率，降低安全運(yùn)維成本。