一种网络流量异常检测方法及系统与流程

1.本发明涉及网络流量检测技术领域，特别涉及一种网络流量异常检测方法及系统。


背景技术：

2.互联网，又称国际网络，指的是网络与网络之间所串连成的庞大网络，这些网络以一组通用的协议相连，形成逻辑上的单一巨大国际网络。随着互联网的发展，人们的生活越来越离不开互联网。
3.在进行互联网进行通信的时候，往往会伴随着网络流量的出现。为了保证互联网通信的正常，常常需要对网络流量情况进行检测。传统的检测方式一般通过人为获取网络流量的数据，并将流量数据进行分析，然后判断网络流量是否出现异常的情况。这样的方式不仅较为费时费力，并且大大增加了人工投入的成本。
4.针对上述情况，本发明提出了一种网络流量异常检测方法及系统。


技术实现要素：

5.本发明为了弥补现有技术的缺陷，提供了一种简单高效的网络流量异常检测方法及系统。
6.本发明是通过如下技术方案实现的：
7.一种网络流量异常检测方法，其特征在于：包括以下步骤：
8.s1、建立cnn模型，并将建立的cnn模型布置到各个网络环境中，同时获取不同网络环境中每一时间段t的实时网络流量数据；
9.s2、将cnn模型所在网络环境中获取到的每一时间段t的网络流量数据进行平均，得到时间段t内网络流量数据的平均值，并将该平均值作为cnn模型的权重；
10.s3、将cnn模型所在网络环境中获取到的每一时间段t的实时网络数据作为cnn模型的输入数据样本集，进行网络流量的数倍，同时对输入数据样本集进行记录；
11.s4、在通过图表绘制算法将不同网络环境中每一时间段t的网络流量情况绘制成图表，并将绘制完成的图表进行存储；
12.s5、接入待检测的网络环境，并获取当前网络每一时间段t的网络流量数据，然后将获取到的网络流量数据与步骤s3记录的输入数据样本集进行对比，并匹配到与输入数据样本集对应的网络流量情况图表；
13.s6、将匹配到到的网络流量情况图表与当前待检测网络环境的网络流量情况图表进行对比，若两者之间每一时间段t的网络流量数据之间的差距不大于用户预设的阈值，则判断当前时间段网络没有出现异常，反之，出现异常，并将异常信息反馈给用户。
14.所述步骤s2中，去掉每一时间段t网络流量数据中的最大和最小值，并将其余网络流量数据值作为有效值求和，取其平均数作为cnn模型的权重。
15.所述步骤s4中，图表的绘制过程为如下：
16.s4.1、找到每一时间段t中的初始时间点t0和结束时间点t1，然后进行遍历，大于初始时间点t0以及小于结束时间点t1的所有时间点均为该时间段t中的时间点；
17.s4.2、先将时间段从小到大进行排布，再将获取到的每一时间段t中的所有流量数据小到大进行排布；
18.s4.3、将每一时间段t中的时间点作为横轴，将流量数据作为纵轴，通过时间点和流量数据的定位即可实现图表的绘制。
19.所述步骤s6中，用户预设的阈值为10％。
20.一种网络流量异常检测系统，其特征在于：包括cnn模型模块，图表绘制模块，流量监测模块和信息告警模块；
21.通过cnn模型对不同的网络环境进行学习，并利用图表绘制模块将学习的结果形成图表进行存储；
22.当接入到待检测网络环境中后，所述流量监测模块自动对当前网络环境进行检测，并匹配与当前网络环境最为接近的学习结果，对当前网络环境的流量情况进行检测，并将检测结果与学习结果对比，即可实现网络流量异常的检测。
23.所述cnn模型模块布置在各个网络环境中，对不同的网络环境进行学习，获取不同网络环境中每一时间段t的实时网络流量数据，并将所在网络环境中获取到的每一时间段t的平均网络流量数据作为cnn模型的权重，将所在网络环境中获取到的每一时间段t的实时网络数据作为cnn模型的输入数据样本集，进行网络流量的数倍，同时对输入数据样本集进行记录；
24.所述图表绘制模块负责将不同网络环境中每一时间段t的网络流量情况绘制成图表，并将绘制完成的图表进行存储；
25.接入待检测的网络环境后，所述流量监测模块负责获取当前网络每一时间段t的网络流量数据，然后将获取到的网络流量数据与图表绘制模块记录的输入数据样本集进行对比，并匹配到与输入数据样本集对应的网络流量情况图表；
26.将匹配到到的网络流量情况图表与当前待检测网络环境的网络流量情况图表进行对比，若两者之间每一时间段t的网络流量数据之间的差距不大于用户预设的阈值，则判断当前时间段网络没有出现异常，反之，出现异常，所述通过信息告警模块负责将异常信息反馈给用户。
27.所述cnn模型的权重为有效网络流量数据求和或得出的平均数；所述有效网络流量数据是指去掉每一时间段t网络流量数据中的最大和最小值后，其余的网络流量数据。
28.所述图表绘制模块绘制图表时，先找到每一时间段t中的初始时间点t0和结束时间点t1，然后进行遍历，大于初始时间点t0以及小于结束时间点t1的所有时间点均为该时间段t中的时间点；然后将时间段从小到大进行排布，再将获取到的每一时间段t中的所有流量数据小到大进行排布；最后，将每一时间段t中的时间点作为横轴，将流量数据作为纵轴，通过时间点和流量数据的定位即可实现图表的绘制。
29.所述流量监测模块判断网络是否出现异常时，用户预设的阈值为10％。
30.本发明的有益效果是：该网络流量异常检测方法及系统，能够自动对当前网络环境进行检测，提高了检测效率，减小了检测成本，适宜推广应用。
附图说明
31.为了更清楚地说明本发明实施例或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。
32.附图1为本发明网络流量异常检测方法示意图。
具体实施方式
33.为了使本技术领域的人员更好的理解本发明中的技术方案，下面将结合本发明实施例，对本发明实施例中的技术方案进行清楚，完整的描述。显然，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都应当属于本发明保护的范围。
34.该网络流量异常检测方法，包括以下步骤：
35.s1、建立cnn模型，并将建立的cnn模型布置到各个网络环境中，同时获取不同网络环境中每一时间段t的实时网络流量数据；
36.s2、将cnn模型所在网络环境中获取到的每一时间段t的网络流量数据进行平均，得到时间段t内网络流量数据的平均值，并将该平均值作为cnn模型的权重；
37.s3、将cnn模型所在网络环境中获取到的每一时间段t的实时网络数据作为cnn模型的输入数据样本集，进行网络流量的数倍，同时对输入数据样本集进行记录；
38.s4、在通过图表绘制算法将不同网络环境中每一时间段t的网络流量情况绘制成图表，并将绘制完成的图表进行存储；
39.s5、接入待检测的网络环境，并获取当前网络每一时间段t的网络流量数据，然后将获取到的网络流量数据与步骤s3记录的输入数据样本集进行对比，并匹配到与输入数据样本集对应的网络流量情况图表；
40.s6、将匹配到到的网络流量情况图表与当前待检测网络环境的网络流量情况图表进行对比，若两者之间每一时间段t的网络流量数据之间的差距不大于用户预设的阈值，则判断当前时间段网络没有出现异常，反之，出现异常，并将异常信息反馈给用户。
41.所述步骤s2中，去掉每一时间段t网络流量数据中的最大和最小值，并将其余网络流量数据值作为有效值求和，取其平均数作为cnn模型的权重。
42.所述步骤s4中，图表的绘制过程为如下：
43.s4.1、找到每一时间段t中的初始时间点t0和结束时间点t1，然后进行遍历，大于初始时间点t0以及小于结束时间点t1的所有时间点均为该时间段t中的时间点；
44.s4.2、先将时间段从小到大进行排布，再将获取到的每一时间段t中的所有流量数据小到大进行排布；
45.s4.3、将每一时间段t中的时间点作为横轴，将流量数据作为纵轴，通过时间点和流量数据的定位即可实现图表的绘制。
46.所述步骤s6中，用户预设的阈值为10％。
47.该网络流量异常检测系统，包括cnn模型模块，图表绘制模块，流量监测模块和信息告警模块；
48.通过cnn模型对不同的网络环境进行学习，并利用图表绘制模块将学习的结果形成图表进行存储；
49.当接入到待检测网络环境中后，所述流量监测模块自动对当前网络环境进行检测，并匹配与当前网络环境最为接近的学习结果，对当前网络环境的流量情况进行检测，并将检测结果与学习结果对比，即可实现网络流量异常的检测。
50.所述cnn模型模块布置在各个网络环境中，对不同的网络环境进行学习，获取不同网络环境中每一时间段t的实时网络流量数据，并将所在网络环境中获取到的每一时间段t的平均网络流量数据作为cnn模型的权重，将所在网络环境中获取到的每一时间段t的实时网络数据作为cnn模型的输入数据样本集，进行网络流量的数倍，同时对输入数据样本集进行记录；
51.所述图表绘制模块负责将不同网络环境中每一时间段t的网络流量情况绘制成图表，并将绘制完成的图表进行存储；
52.接入待检测的网络环境后，所述流量监测模块负责获取当前网络每一时间段t的网络流量数据，然后将获取到的网络流量数据与图表绘制模块记录的输入数据样本集进行对比，并匹配到与输入数据样本集对应的网络流量情况图表；
53.将匹配到到的网络流量情况图表与当前待检测网络环境的网络流量情况图表进行对比，若两者之间每一时间段t的网络流量数据之间的差距不大于用户预设的阈值，则判断当前时间段网络没有出现异常，反之，出现异常，所述通过信息告警模块负责将异常信息反馈给用户。
54.所述cnn模型的权重为有效网络流量数据求和或得出的平均数；所述有效网络流量数据是指去掉每一时间段t网络流量数据中的最大和最小值后，其余的网络流量数据。
55.所述图表绘制模块绘制图表时，先找到每一时间段t中的初始时间点t0和结束时间点t1，然后进行遍历，大于初始时间点t0以及小于结束时间点t1的所有时间点均为该时间段t中的时间点；然后将时间段从小到大进行排布，再将获取到的每一时间段t中的所有流量数据小到大进行排布；最后，将每一时间段t中的时间点作为横轴，将流量数据作为纵轴，通过时间点和流量数据的定位即可实现图表的绘制。
56.所述流量监测模块判断网络是否出现异常时，用户预设的阈值为10％。
57.与现有技术相比，该网络流量异常检测方法及系统，具有以下特点：
58.第一、cnn模型可以对不同的网络环境进行学习，并将学习的结果形成图表进行存储，当将其接入到需要检测的网络环境中后，可以自动对当前的网络环境和网络流量进行检测，并匹配与当前网络环境最为接近的学习结果，将检测结果与学习结果对比，即可实现网络流量异常的检测，不仅检测效率更高，并且减小了人工投入的成本。
59.第二、在对不同的网络环境进行学习时，通过将不同环境中每一时间段的网络流量数据的有效值进行平均，并将平均值作为cnn模型的权重，从而使学习的结果更加的准确。
60.以上所述的实施例，只是本发明具体实施方式的一种，本领域的技术人员在本发明技术方案范围内进行的通常变化和替换都应包含在本发明的保护范围内。