申请/专利权人：南京邮电大学

申请日：2024-01-10

公开（公告）日：2024-04-12

公开（公告）号：CN117879937A

主分类号：H04L9/40

分类号：H04L9/40;H04L41/14;H04L41/16

优先权：

专利状态码：在审-实质审查的生效

法律状态：2024.04.30#实质审查的生效;2024.04.12#公开

摘要：本发明公开了一种基于网络流量的自适应恶意软件检测方法及系统，方法包括：获取网络流量数据并制作为网络流量数据集，将网络流量数据训练集导入双分支自适应类神经网络模型，获得模型预测值；将模型预测值与训练集标签值代入分类损失函数、将训练集正负样本代入稀疏对损失函数、将模型权重代入稀疏损失函数计算，获得分类损失值、稀疏对损失值、稀疏损失值；根据分类损失值、稀疏对损失值、稀疏损失值更新双分支自适应类神经网络模型参数，直至获得最优的双分支自适应类神经网络模型；对最优的双分支自适应类神经网络模型动态增加新类别分类器，获得增量后的双分支自适应神经网络模型；根据增量后的双分支自适应神经网络模型在线检测网络流量数据，自适应识别恶意软件或异常网络流量数据；本发明提高对复杂互联网数据环境中的异常网络流量数据或恶意软件的检测效率与识别精度，同时平衡了存储空间与检测能力冲突问题，进而提高了在各个场景下的通用性。

主权项：1.一种基于网络流量的自适应恶意软件检测方法，其特征在于，包括：步骤1：获取网络流量数据并制作为网络流量数据集，其中网络流量数据训练集中包含有用于训练的训练集正负样本及各样本对应的标签值；步骤2：将网络流量数据训练集导入双分支自适应类神经网络模型，获得模型预测值、模型权重；步骤3：将模型预测值与标签值代入分类损失函数、将训练集正负样本代入稀疏对损失函数、将模型权重代入稀疏损失函数计算，获得分类损失值、稀疏对损失值、稀疏损失值；步骤4：根据分类损失值、稀疏对损失值、稀疏损失值更新双分支自适应类神经网络模型参数，直至获得最优的双分支自适应类神经网络模型；步骤5：对最优的双分支自适应类神经网络模型动态增加新类别分类器，获得增量后的双分支自适应神经网络模型；步骤6：根据增量后的双分支自适应神经网络模型在线检测网络流量数据，自适应识别恶意软件或异常网络流量数据。

全文数据：

权利要求：

百度查询： 南京邮电大学 基于网络流量的自适应恶意软件检测方法及系统

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