申请/专利权人：重庆邮电大学

申请日：2021-03-19

公开（公告）日：2021-07-09

公开（公告）号：CN113098848A

主分类号：H04L29/06(20060101)

分类号：H04L29/06(20060101);H04L12/24(20060101);G06F16/22(20190101);G06F16/2455(20190101);G06F16/2458(20190101)

优先权：

专利状态码：失效-发明专利申请公布后的驳回

法律状态：2023.10.27#发明专利申请公布后的驳回;2021.07.27#实质审查的生效;2021.07.09#公开

摘要：本发明属于入侵检测和数据处理技术领域，具体涉及一种基于矩阵素描和哈希学习的流数据异常检测方法及其系统，该方法包括：获取原始数据源，并对数据进行预处理；随机选取部分预处理后的数据进行矩阵素描，生成素描矩阵；根据素描矩阵生成哈希投影矩阵和特征哈希表；获取当前时刻的数据，采用哈希投影矩阵对预处理后的新数据进行处理，生成当前时刻待测数据块的哈希表；采用异常分计算模型对待测数据进行异常分计算，得到待检测数据的异常分，根据异常分判断数据是否异常；本发明采用矩阵素描和哈希学习的方法，在保证检测效率的要求情况下，能够有效提升检测精度、降低计算复杂度及最小化检测过程中的概念漂移影响。

主权项：1.一种基于矩阵素描和哈希学习的流数据异常检测方法，其特征在于，包括：S1：获取原始数据源；所述原始数据源包括用户产生的上网日志数据、工业传感器数据以及其他领域数据；S2：对获取的原始数据源进行预处理；S3：随机选取部分预处理后的数据进行矩阵素描，生成零均值素描矩阵；根据零均值素描矩阵生成哈希投影矩阵和特征哈希表；S4：获取当前时刻待检测数据，对新获取待检测数据进行预处理；采用哈希投影矩阵对预处理后的新数据进行处理，生成当前时刻待测数据块的哈希表；S5：将当前时刻待测数据块的哈希表与特征哈希表进行K近邻查询；S6：采用异常分计算模型对进行K近邻查询的待测数据进行异常分计算，得到待检测数据的异常分；S7：判断待检测数据的异常分是否大于上一时刻更新的异常阈值，若大于上一时刻更新的异常阈值，则该检测数据为异常流数据，否则正常数据；S8：将正常数据带入到步骤S3生成的素描矩阵中，重新训练样本，更新模型。

全文数据：

权利要求：

百度查询： 重庆邮电大学 基于矩阵素描和哈希学习的流数据异常检测方法及其系统

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