一种网络流量检测方法、系统及相关组件与流程

技术特征：
1.一种网络流量检测方法，其特征在于，包括：获取当前网络流量数据；将所述网络流量数据以时刻为单位进行向量化处理，得到每个所述时刻对应的网络流量向量；以所有所述时刻中任一所述时刻为目标时刻，通过所有所述网络流量向量，构造所述目标时刻的延时子序列和超时子序列；分别利用所述延时子序列和所述超时子序列构造延时轨迹矩阵和超时轨迹矩阵；分别对所述延时轨迹矩阵和所述超时轨迹矩阵进行rpca低秩恢复，得到延时低秩矩阵和超时低秩矩阵；从所述延时低秩矩阵中选择行和列均为第一预设值的目标矩阵，计算该目标矩阵的特征向量，并根据所有所述特征向量得到特征向量超平面；从所述超时低秩矩阵中选择贡献度最高的主成分作为目标向量；计算所述目标向量到所述特征向量超平面的距离，以确定所述目标时刻对应的流量异常等级。2.根据权利要求1所述网络流量检测方法，其特征在于，所述分别对所述延时轨迹矩阵和所述超时轨迹矩阵进行rpca低秩恢复，得到延时低秩矩阵和超时低秩矩阵的过程，具体包括：通过非精确增广拉格朗日乘子算法，分别对所述延时轨迹矩阵和所述超时轨迹矩阵进行rpca低秩恢复的优化，得到延时低秩矩阵和超时低秩矩阵。3.根据权利要求1所述网络流量检测方法，其特征在于，所述获取当前网络流量数据的过程，具体包括：按照用户终端设置，获取当前网络流量数据；所述用户终端设置包括所述网络流量数据的时间序列窗口大小和数据集类型，所述数据集类型包括域名请求数、和/或地址访问数、和/或网络会话数、和/或带内流量值。4.根据权利要求1所述网络流量检测方法，其特征在于，所述以所有所述时刻中任一所述时刻为目标时刻，通过所有所述网络流量向量，构造所述目标时刻的延时子序列和超时子序列的过程，包括：以所有所述时刻中任一所述时刻为目标时刻，通过所有所述网络流量向量，构造所述目标时刻的延时子序列和超时子序列；其中，所述延时子序列包括第一延时起点时刻到所述目标时刻的所有所述网络流量向量，所述超时子序列包括第一超时起点时刻到第一超时终点时刻的所有所述网络流量向量；所述第一延时起点时刻到所述目标时刻对应的所有所述网络流量向量的个数，与所述第一超时起点时刻到所述第一超时终点时刻对应的所有所述网络流量向量的个数，均为第二预设值；所述第一超时起点时刻滞后所述目标时刻预设时间长度。5.根据权利要求4所述网络流量检测方法，其特征在于，所述分别利用所述延时子序列和所述超时子序列构造延时轨迹矩阵和超时轨迹矩阵的过程，包括：利用第二延时起点时刻到所述目标时刻中每个时刻对应的延时子序列构造延时轨迹矩阵；所述第二延时起点时刻到所述目标时刻对应的所有延时子序列的个数为第三预设
值；利用所述目标时刻到第二超时终点时刻中每个时刻对应的超时子序列构造超时轨迹矩阵；所述目标时刻到所述第二超时终点时刻对应的所有超时子序列的个数为第四预设值。6.根据权利要求1至5任一项所述网络流量检测方法，其特征在于，所述计算所述目标向量到所述特征向量超平面的距离，以确定所述目标时刻对应的流量异常等级的过程，包括：根据公式计算流量异常值；其中，β为所述目标向量，h
r
为所述特征向量超平面，cp(t1)为所述目标时刻t1对应的流量异常值；根据所述流量异常值确定所述目标时刻对应的流量异常等级。7.根据权利要求6所述网络流量检测方法，其特征在于，还包括：将所述网络流量数据及其对应的流量异常等级通过可视化展示。8.一种网络流量检测系统，其特征在于，包括：获取模块，用于获取当前网络流量数据；预处理模块，用于将所述网络流量数据以时刻为单位进行向量化处理，得到每个所述时刻对应的网络流量向量；序列模块，用于以所有所述时刻中任一所述时刻为目标时刻，通过所有所述网络流量向量，构造所述目标时刻的延时子序列和超时子序列；矩阵模块，用于分别利用所述延时子序列和所述超时子序列构造延时轨迹矩阵和超时轨迹矩阵；低秩模块，用于分别对所述延时轨迹矩阵和所述超时轨迹矩阵进行rpca低秩恢复，得到延时低秩矩阵和超时低秩矩阵；超平面模块，用于从所述延时低秩矩阵中选择行和列均为第一预设值的目标矩阵，计算该目标矩阵的特征向量，并根据所有所述特征向量得到特征向量超平面；目标向量模块，用于从所述超时低秩矩阵中选择贡献度最高的主成分作为目标向量；计算模块，用于计算所述目标向量到所述特征向量超平面的距离，以确定所述目标时刻对应的流量异常等级。9.一种网络流量检测装置，其特征在于，包括：存储器，用于存储计算机程序；处理器，用于执行所述计算机程序时实现如权利要求1至7任一项所述网络流量检测方法的步骤。10.一种可读存储介质，其特征在于，所述可读存储介质上存储有计算机程序，所述计算机程序被处理器执行时实现如权利要求1至7任一项所述网络流量检测方法的步骤。

技术总结
本申请公开了一种网络流量检测方法、系统及相关组件，该方法包括：将网络流量数据以时刻为单位进行向量化处理，得到每个时刻对应的网络流量向量；以所有时刻中任一时刻为目标时刻，构造目标时刻的延时子序列和超时子序列，以构造延时轨迹矩阵和超时轨迹矩阵并进行RPCA低秩恢复，得到延时低秩矩阵和超时低秩矩阵；从延时低秩矩阵中选择目标矩阵计算特征向量并得到特征向量超平面；从超时低秩矩阵中选择贡献度最高的主成分作为目标向量；计算目标向量到特征向量超平面的距离，以确定目标时刻对应的流量异常等级。本申请选择RPCA低秩恢复剔除了原本网络流量数据中的稀疏大噪声，整个检测方法具有较高的鲁棒性，确定的突变点更准确。确。确。


技术研发人员：梁艾青 范渊 刘博
受保护的技术使用者：杭州安恒信息技术股份有限公司
技术研发日：2021.10.25
技术公布日：2022/1/25