基于深度学习的网络数据流异常检测系统及方法

本申请涉及智能检测领域，且更为具体地，涉及一种基于深度学习的网络数据流异常检测系统及方法。

背景技术：

1、网络数据流，或简称数据流，是指在计算机网络中传输的数据序列，它包含有序的、有起点和终点的字节流。数据流可以是输入流或输出流，通常与网络流量监控、点击流等相关。

2、随着互联网技术的不断壮大，网络数据流不断涌现。因此对网络数据流进行异常检测至关重要。具体地，网络数据流异常检测是为了识别出不正常的流量行为，帮助发现网络中的攻击行为和其他安全威胁，从而及时采取措施防范，保障网络安全。

3、但由于传统方法对网络数据流进行异常检测通常使用静态模型进行异常检测，这些模型在面对动态变化的网络环境时可能表现不佳，无法有效适应网络数据流的变化。其次，传统方法可能无法满足实时性要求，无法在实时数据流中进行快速准确的异常检测。

4、因此，期待一种优化的基于深度学习的网络数据流异常检测系统。

技术实现思路

1、为了解决上述技术问题，提出了本申请。本申请的实施例提供了一种基于深度学习的网络数据流异常检测系统及方法，其通过获取预定时间内多个时间点的网络数据流和从后台数据中提取正常情况下的网络数据流的集合，并采用基于深度学习的数据分析技术对所述网络数据流和所述正常情况下的网络数据流进行处理，从而确定当前时间点网络数据流是否存在异常。通过这样的方式，能够有效地处理大量网络数据流，有助于检测网络数据流中的异常情况，以此提高系统的处理效率和实时性，提高系统的可靠性和稳定性，并为网络安全提供重要的保障。

2、根据本申请的一个方面，提供了一种基于深度学习的网络数据流异常检测系统，其包括：

3、网络数据流获取模块，用于获取预定时间内多个时间点的网络数据流和从后台数据中提取正常情况下的网络数据流的集合；

4、实时网络数据流时序编码模块，用于将所述预定时间内多个时间点的网络数据流排列为网络数据流时序输入向量后进行网络数据时序编码以得到网络数据流时序特征向量；

5、正常网络数据流时序编码模块，用于从后台数据中提取正常情况下的网络数据流的集合排列为正常情况下的网络数据流时间序列的集合后进行网络数据时序编码以得到正常情况下的网络数据流时序特征向量的集合；

6、特征融合模块，用于将所述正常情况下的网络数据流时序特征向量的集合进行时序特征融合以得到正常情况下的网络数据流融合时序特征向量；

7、差分计算模块，用于计算所述网络数据流时序特征向量和所述正常情况下的网络数据流融合时序特征向量之间的差分以得到网络数据流差分特征向量；

8、网络数据流判断模块，用于基于所述网络数据流差分特征向量，确定当前时间点网络数据流是否存在异常。

9、根据本申请的另一方面，提供了一种基于深度学习的网络数据流异常检测方法，其包括：

10、获取预定时间内多个时间点的网络数据流和从后台数据中提取正常情况下的网络数据流的集合；

11、将所述预定时间内多个时间点的网络数据流排列为网络数据流时序输入向量后进行网络数据时序编码以得到网络数据流时序特征向量；

12、从后台数据中提取正常情况下的网络数据流的集合排列为正常情况下的网络数据流时间序列的集合后进行网络数据时序编码以得到正常情况下的网络数据流时序特征向量的集合；

13、将所述正常情况下的网络数据流时序特征向量的集合进行时序特征融合以得到正常情况下的网络数据流融合时序特征向量；

14、计算所述网络数据流时序特征向量和所述正常情况下的网络数据流融合时序特征向量之间的差分以得到网络数据流差分特征向量；

15、基于所述网络数据流差分特征向量，确定当前时间点网络数据流是否存在异常。

16、与现有技术相比，本申请提供的一种基于深度学习的网络数据流异常检测系统及方法，其通过获取预定时间内多个时间点的网络数据流和从后台数据中提取正常情况下的网络数据流的集合，并采用基于深度学习的数据分析技术对所述网络数据流和所述正常情况下的网络数据流进行处理，从而确定当前时间点网络数据流是否存在异常。通过这样的方式，能够有效地处理大量网络数据流，有助于检测网络数据流中的异常情况，以此提高系统的处理效率和实时性，提高系统的可靠性和稳定性，并为网络安全提供重要的保障。

技术特征：

1.一种基于深度学习的网络数据流异常检测系统，其特征在于，包括：

2.根据权利要求1所述的基于深度学习的网络数据流异常检测系统，其特征在于，所述实时网络数据流时序编码模块，包括：

3.根据权利要求2所述的基于深度学习的网络数据流异常检测系统，其特征在于，所述网络数据流特征提取单元，用于：

4.根据权利要求3所述的基于深度学习的网络数据流异常检测系统，其特征在于，所述正常网络数据流时序编码模块，包括：

5.根据权利要求4所述的基于深度学习的网络数据流异常检测系统，其特征在于，所述网络数据流判断模块，包括：

6.根据权利要求5所述的基于深度学习的网络数据流异常检测系统，其特征在于，所述等效强度表征单元，包括：

7.根据权利要求6所述的基于深度学习的网络数据流异常检测系统，其特征在于，所述类概率值计算子单元，用于：

8.一种基于深度学习的网络数据流异常检测方法，其特征在于，包括：

9.根据权利要求8所述的基于深度学习的网络数据流异常检测方法，其特征在于，将所述预定时间内多个时间点的网络数据流排列为网络数据流时序输入向量后进行网络数据时序编码以得到网络数据流时序特征向量，包括：

10.根据权利要求9所述的基于深度学习的网络数据流异常检测方法，其特征在于，从后台数据中提取正常情况下的网络数据流的集合排列为正常情况下的网络数据流时间序列的集合后进行网络数据时序编码以得到正常情况下的网络数据流时序特征向量的集合，包括：

技术总结本申请涉及智能检测领域，其具体地公开了一种基于深度学习的网络数据流异常检测系统及方法，其通过获取预定时间内多个时间点的网络数据流和从后台数据中提取正常情况下的网络数据流的集合，并采用基于深度学习的数据分析技术对所述网络数据流和所述正常情况下的网络数据流进行处理，从而确定当前时间点网络数据流是否存在异常。通过这样的方式，能够有效地处理大量网络数据流，有助于检测网络数据流中的异常情况，以此提高系统的处理效率和实时性，提高系统的可靠性和稳定性，并为网络安全提供重要的保障。技术研发人员：李辉,王欢,彭勇,王悦镔,陈清怡受保护的技术使用者：广西科技大学技术研发日：技术公布日：2024/7/18