申请/专利权人：浙江科技学院

申请日：2020-12-21

公开（公告）日：2021-04-09

公开（公告）号：CN112633475A

主分类号：G06N3/04(20060101)

分类号：G06N3/04(20060101);G06N3/08(20060101)

优先权：

专利状态码：在审-实质审查的生效

法律状态：2021.04.27#实质审查的生效;2021.04.09#公开

摘要：本申请提供一种大规模网络突发流量识别模型、方法及模型的训练方法，模型通过TensorFlowOnSpark框架搭建于Spark上，包括依次连接的输入层、第一卷积层、第一最大池化层、第二卷积层、第二最大池化层、第三卷积层、第四卷积层、第五卷积层、第三最大池化层、全连接层和输出层；输入层接收32*32的数据输入形式；第一卷积层采用96个5*5的卷积核、步长设为1；第二卷积层采用192个5*5的卷积核、步长设为1；第三卷积层和第四卷积层均采用384个3*3的卷积核、步长设为1；第五卷积层采用256个3*3的卷积核、步长设为1；每个最大池化层的池化窗口均为2*2、步长均为2；全连接层采用1024个节点；输出层包含2个节点。

主权项：1.一种大规模网络突发流量识别模型，其特征在于，包括依次连接的输入层、第一卷积层、第一最大池化层、第二卷积层、第二最大池化层、第三卷积层、第四卷积层、第五卷积层、第三最大池化层、全连接层和输出层，且所述大规模网络突发流量识别模型通过TensorFlowOnSpark框架搭建于Spark上，所述输入层，接收32*32的数据输入形式，用于接收网络流量数据，其中，所述网络流量数据为网络流量原始数据经过预处理后得到；所述第一卷积层采用96个5*5的卷积核、步长设为1，用于对所述网络流量数据进行卷积处理，并将本次处理后的数据输出至所述第一最大池化层；所述第一最大池化层的池化窗口为2*2、步长为2，用于对所述第一卷积层输入的数据进行最大池化处理，并将本次处理后的数据输出至第二卷积层；所述第二卷积层采用192个5*5的卷积核、步长设为1，用于对所述第一最大池化层输入的数据进行卷积处理，并将本次处理后的数据输出至第二最大池化层；所述第二最大池化层的池化窗口为2*2、步长为2，用于对所述第二卷积层输入的数据进行最大池化处理，并将本次处理后的数据输出至所述第三卷积层；所述第三卷积层采用384个3*3的卷积核、步长设为1，用于对所述第二最大池化层输入的数据进行卷积处理，并将本次处理后的数据输出至所述第四卷积层；所述第四卷积层采用384个3*3的卷积核、步长设为1，用于对所述第三卷积层输入的数据进行卷积处理，并将本次处理后的数据输出至所述第五卷积层；所述第五卷积层采用256个3*3的卷积核、步长设为1，用于对所述第四卷积层输入的数据进行卷积处理，并将本次处理后的数据输出至所述第三最大池化层；所述第三最大池化层的池化窗口为2*2、步长为2，用于对所述第五卷积层输入的数据进行最大池化处理，并将本次处理后的数据输出至所述全连接层；所述全连接层采用1024个节点，用于对所述第三最大池化层输入的数据进行全连接处理，并将本次处理后得到的向量输出至所述输出层；所述输出层包含2个节点，用于基于所述全连接层输入的向量进行分类并输出分类结果，以实现对所述网络流量原始数据的识别，其中，所述网络流量原始数据为正常流量数据或异常流量数据。

全文数据：

权利要求：

百度查询： 浙江科技学院 大规模网络突发流量识别模型、方法及模型的训练方法

免责声明
1、本报告根据公开、合法渠道获得相关数据和信息，力求客观、公正，但并不保证数据的最终完整性和准确性。
2、报告中的分析和结论仅反映本公司于发布本报告当日的职业理解，仅供参考使用，不能作为本公司承担任何法律责任的依据或者凭证。

阅读全文 双屏查看 官方信息 专利公告 收藏专利 下载PDF 下载WORD