申请/专利权人:中国人民解放军海军工程大学
申请日:2022-11-04
公开(公告)日:2024-04-12
公开(公告)号:CN115733673B
主分类号:H04L9/40
分类号:H04L9/40;G06N3/0455;G06N3/084;G06N3/088;G06F18/24
优先权:
专利状态码:有效-授权
法律状态:2024.04.12#授权;2023.03.21#实质审查的生效;2023.03.03#公开
摘要:本发明公开了一种基于多尺度残差分类器的数据异常检测方法,包括以下步骤:S1、将原始网络流量数据序列划分为不同观察尺度的多个子序列;S2、对每个尺度下的所有子序列进行小波变换,生成不同层级的小波重构序列数据;S3、利用重构序列对堆栈自编码器中编码器进行逐层训练,再对SAE整体调参;将训练好的SAE中各编码器逐次连接,并将对应的解码器按相反顺序连接,形成链式SAE框架;S4、利用随机抽取的训练集数据对链式SAE框架进行建模后;再将重构序列数据输入链式SAE,得到重构误差向量;S5、构建残差组合结构,将重构误差向量输入,结果汇总后经全连接层输出;S6、将汇总结果输入给轻量型分类器,得到最终检测结果。
主权项:1.一种基于多尺度残差分类器的数据异常检测方法,其特征在于,包括以下步骤:S1、利用不同尺度的滑动窗口将原始网络流量数据序列划分为不同观察尺度的多个子序列;S2、利用Mallat算法对步骤S1得到的每个尺度下的所有子序列进行转换,生成不同层级的重构序列数据;S3、利用贪婪训练方法对堆栈自编码器中每个AE进行逐层训练,再对堆栈自编码器进行整体调参,然后将训练好的堆栈自编码器中的编码器逐个连接,并将对应的解码器按相反顺序连接,形成链式SAE框架;S4、利用随机抽取的部分正常网络流量数据对步骤S3得到的链式SAE框架进行建模,并构建出中间量的潜在空间,得到链式SAE模型,将步骤S2生成的重构序列数据输入到链式SAE模型中,经潜在空间映射变换后,输出得到原始流量在多尺度下的重构误差向量;S5、构建基于多残差块并联的残差组合结构,将步骤S4得到的重构误差向量输入到残差组合结构中,经过残差块变换的结果汇总后经全连接层后输出;S6、将步骤S5输出的汇总结果输入给轻量型分类器,并将生成的预测标签输出,得到最终的检测结果。
全文数据:
权利要求:
百度查询: 中国人民解放军海军工程大学 一种基于多尺度残差分类器的数据异常检测方法
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。