CN111340727A - 一种基于gbr图像的异常流量检测方法 - Google Patents

一种基于gbr图像的异常流量检测方法 Download PDF

Info

Publication number
CN111340727A
CN111340727A CN202010119768.6A CN202010119768A CN111340727A CN 111340727 A CN111340727 A CN 111340727A CN 202010119768 A CN202010119768 A CN 202010119768A CN 111340727 A CN111340727 A CN 111340727A
Authority
CN
China
Prior art keywords
gbr
image
sub
neural network
network model
Prior art date
Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
Granted
Application number
CN202010119768.6A
Other languages
English (en)
Other versions
CN111340727B (zh
Inventor
王彩洪
孙健
赵书武
胡健龙
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
University of Electronic Science and Technology of China
Original Assignee
University of Electronic Science and Technology of China
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by University of Electronic Science and Technology of China filed Critical University of Electronic Science and Technology of China
Priority to CN202010119768.6A priority Critical patent/CN111340727B/zh
Publication of CN111340727A publication Critical patent/CN111340727A/zh
Application granted granted Critical
Publication of CN111340727B publication Critical patent/CN111340727B/zh
Expired - Fee Related legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T5/00—Image enhancement or restoration
    • G06T5/90—Dynamic range modification of images or parts thereof
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
    • G06F16/10—File systems; File servers
    • G06F16/18—File system types
    • G06F16/182—Distributed file systems
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/04—Architecture, e.g. interconnection topology
    • G06N3/045—Combinations of networks
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/90—Determination of colour characteristics

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Data Mining & Analysis (AREA)
  • General Engineering & Computer Science (AREA)
  • General Health & Medical Sciences (AREA)
  • Artificial Intelligence (AREA)
  • Biophysics (AREA)
  • Evolutionary Computation (AREA)
  • Biomedical Technology (AREA)
  • Molecular Biology (AREA)
  • Computing Systems (AREA)
  • Computational Linguistics (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Mathematical Physics (AREA)
  • Software Systems (AREA)
  • Health & Medical Sciences (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Databases & Information Systems (AREA)
  • Image Analysis (AREA)

Abstract

本发明公开了一种基于GBR图像的异常流量检测方法，包括以下步骤：S1：将流量数据转换为可视化的GBR图像；S2：将GBR图像数据存储在分布式文件系统中；S3：基于分布式文件系统，利用Apache Spark框架对GBR图像数据的各个数据块分别训练子卷积神经网络模型，完成异常流量的检测。本发明的异常流量检测方法将原始网络流量转换成灰度图像，保留流量信息，再选取两个特征向量组成GBR图像，降低了检测误报率。使用分布式文件系统和子卷积神经网络模型，避免了检测方法计算庞大和收敛慢的问题，具有检测未知攻击的能力，检测精准率高。

Description

一种基于GBR图像的异常流量检测方法
技术领域
本发明属于网络流量检测技术领域，具体涉及一种基于GBR图像的异常流量检测方法。
背景技术
近年来，随着人工智能概念的兴起，越来越多的机器学习被应用于异常流量检测系统的构建，产生了许多有价值的网络安全技术。而这些系统的构建大多先对网络流量进行收集，进行特征提取，然后利用数据挖掘技术，进行模式匹配，从而以离线的方式对目前已知的攻击进行识别。这些异常流量检测系统在网络安全领域的推广有着很高的价值，但存在着建立系统的速度慢、特征提取复杂和资源占用率代价高等不足。基于以上情况，本发明提出来一种基于GBR图像的异常流量检测方法。
发明内容
本发明的目的是为了解决网络中异常流量检测的问题，提出了一种基于GBR图像的异常流量检测方法。
本发明的技术方案是：一种基于GBR图像的异常流量检测方法，包括以下步骤：
S1：将流量数据转换为可视化的GBR图像；
S2：将GBR图像数据存储在分布式文件系统中；
S3：基于分布式文件系统，利用Apache Spark框架对GBR图像数据的各个数据块分别训练子卷积神经网络模型，完成异常流量的检测。
本发明的有益效果是：本发明的异常流量检测方法将原始网络流量转换成灰度图像，保留流量信息，再选取两个特征向量组成GBR图像，降低了检测误报率。使用分布式文件系统和子卷积神经网络模型，避免了检测方法计算庞大和收敛慢的问题，具有检测未知攻击的能力，检测精准率高。
进一步地，步骤S1包括以下子步骤：
S11：将流量数据中的原始流量转换为灰度图，并将灰度图作为GBR图像的G通道；
S12：基于GBR图像的G通道，采用weka特征提取法提取流量数据中的两个特征；
S13：采用OneHot编码分别对两个特征进行编码，得到编码后的两个特征向量；
S14：对编码后的两个特征向量分别进行归一化处理，其归一化公式为：
Figure BDA0002392607410000021
其中，
Figure BDA0002392607410000022
为第i个特征向量归一化后的值，xi为第i个特征向量归一化前的值，max(X(i))为第i个特征向量的最大值，min(X(i))为第i个特征向量的最小值，i＝1，2；
S15：对归一化后的两个特征向量分别进行标准化处理；
S16：将标准化处理后的两个特征向量分别作为GBR图像的B通道和R通道；
S17：根据GBR图像的G通道、B通道和R通道确定GBR图像，完成GBR图像的可视化处理。
上述进一步方案的有益效果是：在本发明中，将流量数据中的原始流量转换为灰度图，实现流量处理的可视化，最终形成GBR图像可以弥补灰度图误报值过高的问题。
进一步地，步骤S15中的标准化处理为：将归一化后的两个特征向量值分别乘以255，将其流量值限定在[0，255]之间。
上述进一步方案的有益效果是：在本发明中，两个特征向量均为数值型特征，进行标准化处理便于形成GBR图像的B通道和R通道。
进一步地，步骤S3包括以下子步骤：
S31：将各个GBR图像的数据输入至子卷积神经网络模型的输入层，并依次进行去均值、归一化和白化处理；
S32：将白处理后的各个GBR图像数据通过卷积核映射到子卷积神经网络模型的卷积层；
S33：通过子卷积神经网络模型的卷积层对各个GBR图像的数据进行输出处理，其输出处理公式为：
Figure BDA0002392607410000031
其中，l为网络层的数量，
Figure BDA0002392607410000032
为卷积核，
Figure BDA0002392607410000033
为偏差，
Figure BDA0002392607410000034
为l层的输出，
Figure BDA0002392607410000035
为l层的输入，Mj为各个GBR图像的输入集，f(·)为激活函数；
S34：利用子卷积神经网络模型的激励层对卷积层的输出结果作非线性映射；
S35：利用子卷积神经网络模型的池化层对激励层的非线性映射结果进行均值子采样和最大值子采样，并输出到子卷积神经网络模型的全连接层；
S36：利用全连接层将各个GBR图像的输出馈送到softmax函数；
S37：通过softmax函数产生各个GBR图像6类标签的概率分布，并输出到子卷积神经网络模型的输出层，得到子卷积神经网络模型的训练结果。
上述进一步方案的有益效果是：在本发明中，子卷积神经网络模型具有5个层级结构，分别是输入层、卷积层、激励层、池化层以及全连接层，卷积核减少了网络各层之间的连接以及神经网络的参数量，便于异常流量检测。
进一步地，步骤S35中，均值子采样的计算公式为：
Figure BDA0002392607410000041
最大值子采样的计算公式为：
Figure BDA0002392607410000042
其中，
Figure BDA0002392607410000043
为均值子采样的输出，
Figure BDA0002392607410000044
为最大值子采样的输出，l为网络层的数量，a和b是偏差，Mj为特征图像的输入集，f(·)为激活函数，k和t是汇集矩阵的维数。
上述进一步方案的有益效果是：在本发明中，池化层用于压缩数据和参数的量，可减少过拟合。
进一步地，步骤S36中，将各个GBR图像的输出图像逐一拓展为列向量，并堆叠形成单列特征向量馈送到softmax函数。
上述进一步方案的有益效果是：在本发明中，全连接层将各个GBR图像的数据进行输出，便于得到最终训练结果。
进一步地，步骤S37中，各个GBR图像6类标签的概率最高的标签为子卷积神经网络模型的训练结果。
上述进一步方案的有益效果是：在本发明中，根据6类标签的概率得出训练结果，便于对训练结果进行投票。
进一步地，步骤S3中，异常流量的检测通过运用训练子卷积神经网络过程所构建的模型完成。
上述进一步方案的有益效果是：在本发明中，利用训练子卷积神经网络过程即可构建异常流量检测的模型，运用这一过程就可以完成异常流量检测。
附图说明
图1为异常流量检测方法的流程图；
图2为步骤S1的流程图；
图3为步骤S3的流程图。
具体实施方式
下面结合附图对本发明的实施例作进一步的说明。
如图1所示，本发明提供了一种基于GBR图像的异常流量检测方法，其特征在于，包括以下步骤：
S1：将流量数据转换为可视化的GBR图像；
S2：将GBR图像数据存储在分布式文件系统中；
S3：基于分布式文件系统，利用Apache Spark框架对GBR图像数据的各个数据块分别训练子卷积神经网络模型，完成异常流量的检测。
在本发明实施例中，如图2所示，步骤S1包括以下子步骤：
S11：将流量数据中的原始流量转换为灰度图，并将灰度图作为GBR图像的G通道；
S12：基于GBR图像的G通道，采用weka特征提取法提取流量数据中的两个特征；
S13：采用OneHot编码分别对两个特征进行编码，得到编码后的两个特征向量；
S14：对编码后的两个特征向量分别进行归一化处理，其归一化公式为：
Figure BDA0002392607410000051
其中，
Figure BDA0002392607410000052
为第i个特征向量归一化后的值，xi为第i个特征向量归一化前的值，max(X(i))为第i个特征向量的最大值，min(X(i))为第i个特征向量的最小值，i＝1，2；
S15：对归一化后的两个特征向量分别进行标准化处理；
S16：将标准化处理后的两个特征向量分别作为GBR图像的B通道和R通道；
S17：根据GBR图像的G通道、B通道和R通道确定GBR图像，完成GBR图像的可视化处理。
在本发明中，将流量数据中的原始流量转换为灰度图，实现流量处理的可视化，最终形成GBR图像可以弥补灰度图误报值过高的问题。
在本发明实施例中，如图2所示，步骤S15中的标准化处理为：将归一化后的两个特征向量值分别乘以255，将其流量值限定在[0，255]之间。
在本发明中，两个特征向量均为数值型特征，进行标准化处理便于形成GBR图像的B通道和R通道。
在本发明实施例中，如图3所示，步骤S3包括以下子步骤：
S31：将各个GBR图像的数据输入至子卷积神经网络模型的输入层，并依次进行去均值、归一化和白化处理；
S32：将白处理后的各个GBR图像数据通过卷积核映射到子卷积神经网络模型的卷积层；
S33：通过子卷积神经网络模型的卷积层对各个GBR图像的数据进行输出处理，其输出处理公式为：
Figure BDA0002392607410000061
其中，l为网络层的数量，
Figure BDA0002392607410000062
为卷积核，
Figure BDA0002392607410000063
为偏差，
Figure BDA0002392607410000064
为l层的输出，
Figure BDA0002392607410000065
为l层的输入，Mj为各个GBR图像的输入集，f(·)为激活函数；
S34：利用子卷积神经网络模型的激励层对卷积层的输出结果作非线性映射；
S35：利用子卷积神经网络模型的池化层对激励层的非线性映射结果进行均值子采样和最大值子采样，并输出到子卷积神经网络模型的全连接层；
S36：利用全连接层将各个GBR图像的输出馈送到softmax函数；
S37：通过softmax函数产生各个GBR图像6类标签的概率分布，并输出到子卷积神经网络模型的输出层，得到子卷积神经网络模型的训练结果。
在本发明中，各个GBR图像的6类标签可根据实际需求自行设置。子卷积神经网络模型具有5个层级结构，分别是输入层、卷积层、激励层、池化层以及全连接层，卷积核减少了网络各层之间的连接以及神经网络的参数量，便于异常流量检测。
在本发明实施例中，如图3所示，步骤S35中，均值子采样的计算公式为：
Figure BDA0002392607410000071
最大值子采样的计算公式为：
Figure BDA0002392607410000072
其中，
Figure BDA0002392607410000073
为均值子采样的输出，
Figure BDA0002392607410000074
为最大值子采样的输出，l为网络层的数量，a和b是偏差，Mj为特征图像的输入集，f(·)为激活函数，k和t是汇集矩阵的维数。
在本发明中，池化层用于压缩数据和参数的量，可减少过拟合。
在本发明实施例中，如图3所示，步骤S36中，将各个GBR图像的输出图像逐一拓展为列向量，并堆叠形成单列特征向量馈送到softmax函数。
在本发明中，全连接层将各个GBR图像的数据进行输出，便于得到最终训练结果。
在本发明实施例中，如图3所示，步骤S37中，各个GBR图像6类标签的概率最高的标签为子卷积神经网络模型的训练结果。
在本发明中，根据6类标签的概率得出训练结果，便于对训练结果进行投票。
在本发明实施例中，如图1所示，步骤S3中，异常流量的检测通过运用训练子卷积神经网络过程所构建的模型完成。
在本发明中，利用训练子卷积神经网络过程即可构建异常流量检测的模型，运用这一过程就可以完成异常流量检测。
本发明的工作原理及过程为：本发明的异常流量检测方法首先将流量数据转换为GBR图像，实现网络流量的可视化；再将其储存在分布式文件系统中，分布式文件系统采用主从结构模型，即由一个NameNode和若干个DataNode组成的。其中NameNode作为主服务器，DataNode管理存储的数据。同时，采用子卷积神经网络模型自动提取GBR图像的特征。在每个DataNode节点中训练子卷积神经网络模型，异常流量的检测通过运用训练子卷积神经网络过程所构建的模型完成。
本发明的有益效果为：本发明的异常流量检测方法将原始网络流量转换成灰度图像，保留流量信息，再选取两个特征向量组成GBR图像，降低了检测误报率。使用分布式文件系统和子卷积神经网络模型，避免了检测方法计算庞大和收敛慢的问题，具有检测未知攻击的能力，检测精准率高。
本领域的普通技术人员将会意识到，这里所述的实施例是为了帮助读者理解本发明的原理，应被理解为本发明的保护范围并不局限于这样的特别陈述和实施例。本领域的普通技术人员可以根据本发明公开的这些技术启示做出各种不脱离本发明实质的其它各种具体变形和组合，这些变形和组合仍然在本发明的保护范围内。

Claims (8)

1.一种基于GBR图像的异常流量检测方法，其特征在于，包括以下步骤：
S1：将流量数据转换为可视化的GBR图像；
S2：将GBR图像数据存储在分布式文件系统中；
S3：基于分布式文件系统，利用Apache Spark框架对GBR图像数据的各个数据块分别训练子卷积神经网络模型，完成异常流量的检测。
2.根据权利要求1所述的基于GBR图像的异常流量检测方法，其特征在于，所述步骤S1包括以下子步骤：
S11：将流量数据中的原始流量转换为灰度图，并将灰度图作为GBR图像的G通道；
S12：基于GBR图像的G通道，采用weka特征提取法提取流量数据中的两个特征；
S13：采用OneHot编码分别对两个特征进行编码，得到编码后的两个特征向量；
S14：对编码后的两个特征向量分别进行归一化处理，其归一化公式为：
Figure FDA0002392607400000011
其中，
Figure FDA0002392607400000012
为第i个特征向量归一化后的值，xi为第i个特征向量归一化前的值，max(X(i))为第i个特征向量的最大值，min(X(i))为第i个特征向量的最小值，i＝1，2；
S15：对归一化后的两个特征向量分别进行标准化处理；
S16：将标准化处理后的两个特征向量分别作为GBR图像的B通道和R通道；
S17：根据GBR图像的G通道、B通道和R通道确定GBR图像，完成GBR图像的可视化处理。
3.根据权利要求2所述的基于GBR图像的异常流量检测方法，其特征在于，所述步骤S15中的标准化处理为：将归一化后的两个特征向量值分别乘以255，将其流量值限定在[0，255]之间。
4.根据权利要求1所述的基于GBR图像的异常流量检测方法，其特征在于，所述步骤S3包括以下子步骤：
S31：将各个GBR图像的数据输入至子卷积神经网络模型的输入层，并依次进行去均值、归一化和白化处理；
S32：将白处理后的各个GBR图像数据通过卷积核映射到子卷积神经网络模型的卷积层；
S33：通过子卷积神经网络模型的卷积层对各个GBR图像的数据进行输出处理，其输出处理公式为：
Figure FDA0002392607400000021
其中，l为网络层的数量，
Figure FDA0002392607400000022
为卷积核，
Figure FDA0002392607400000023
为偏差，
Figure FDA0002392607400000024
为l层的输出，
Figure FDA0002392607400000025
为l层的输入，Mj为各个GBR图像的输入集，f(·)为激活函数；
S34：利用子卷积神经网络模型的激励层对卷积层的输出结果作非线性映射；
S35：利用子卷积神经网络模型的池化层对激励层的非线性映射结果进行均值子采样和最大值子采样，并输出到子卷积神经网络模型的全连接层；
S36：利用全连接层将各个GBR图像的输出馈送到softmax函数；
S37：通过softmax函数产生各个GBR图像6类标签的概率分布，并输出到子卷积神经网络模型的输出层，得到子卷积神经网络模型的训练结果，完成异常流量的检测。
5.根据权利要求4所述的基于GBR图像的异常流量检测方法，其特征在于，所述步骤S35中，均值子采样的计算公式为：
Figure FDA0002392607400000031
最大值子采样的计算公式为：
Figure FDA0002392607400000032
其中，
Figure FDA0002392607400000033
为均值子采样的输出，
Figure FDA0002392607400000034
为最大值子采样的输出，l为网络层的数量，
Figure FDA0002392607400000035
和
Figure FDA0002392607400000036
是偏差，Mj为特征图像的输入集，f(·)为激活函数，k和t是汇集矩阵的维数。
6.根据权利要求4所述的基于GBR图像的异常流量检测方法，其特征在于，所述步骤S36中，将各个GBR图像的输出图像逐一拓展为列向量，并堆叠形成单列特征向量馈送到softmax函数。
7.根据权利要求4所述的基于GBR图像的异常流量检测方法，其特征在于，所述步骤S37中，各个GBR图像6类标签的概率最高的标签为子卷积神经网络模型的训练结果。
8.根据权利要求1所述的基于GBR图像的异常流量检测方法，其特征在于，所述步骤S3中，异常流量的检测通过运用训练子卷积神经网络过程所构建的模型完成。
CN202010119768.6A 2020-02-26 2020-02-26 一种基于gbr图像的异常流量检测方法 Expired - Fee Related CN111340727B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202010119768.6A CN111340727B (zh) 2020-02-26 2020-02-26 一种基于gbr图像的异常流量检测方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202010119768.6A CN111340727B (zh) 2020-02-26 2020-02-26 一种基于gbr图像的异常流量检测方法

Publications (2)

Publication Number Publication Date
CN111340727A true CN111340727A (zh) 2020-06-26
CN111340727B CN111340727B (zh) 2022-05-17

Family

ID=71183680

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202010119768.6A Expired - Fee Related CN111340727B (zh) 2020-02-26 2020-02-26 一种基于gbr图像的异常流量检测方法

Country Status (1)

Country Link
CN (1) CN111340727B (zh)

Cited By (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN112333155A (zh) * 2020-10-16 2021-02-05 济南浪潮数据技术有限公司 一种异常流量的检测方法、系统、电子设备及存储介质
CN112633475A (zh) * 2020-12-21 2021-04-09 浙江科技学院 大规模网络突发流量识别模型、方法及模型的训练方法
CN113222930A (zh) * 2021-05-08 2021-08-06 厦门服云信息科技有限公司 基于图像分析的恶意流量检测方法、终端设备及存储介质

Citations (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN104142984A (zh) * 2014-07-18 2014-11-12 电子科技大学 一种基于粗细粒度的视频指纹检索方法
CN105205815A (zh) * 2015-09-15 2015-12-30 西安理工大学 基于云台可控制摄像机的实时视频跟踪系统及跟踪方法
CN106874926A (zh) * 2016-08-04 2017-06-20 阿里巴巴集团控股有限公司 基于图像特征的业务异常检测方法及装置
CN109150845A (zh) * 2018-07-26 2019-01-04 曙光信息产业(北京)有限公司 监测终端流量的方法以及系统
CN109768985A (zh) * 2019-01-30 2019-05-17 电子科技大学 一种基于流量可视化与机器学习算法的入侵检测方法
CN110162475A (zh) * 2019-05-27 2019-08-23 浙江工业大学 一种基于深度迁移的软件缺陷预测方法
CN110363751A (zh) * 2019-07-01 2019-10-22 浙江大学 一种基于生成协作网络的大肠内视镜息肉检测方法
US20200029802A1 (en) * 2018-07-27 2020-01-30 Welch Allyn, Inc. Vision screening device and methods

Patent Citations (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN104142984A (zh) * 2014-07-18 2014-11-12 电子科技大学 一种基于粗细粒度的视频指纹检索方法
CN105205815A (zh) * 2015-09-15 2015-12-30 西安理工大学 基于云台可控制摄像机的实时视频跟踪系统及跟踪方法
CN106874926A (zh) * 2016-08-04 2017-06-20 阿里巴巴集团控股有限公司 基于图像特征的业务异常检测方法及装置
CN109150845A (zh) * 2018-07-26 2019-01-04 曙光信息产业(北京)有限公司 监测终端流量的方法以及系统
US20200029802A1 (en) * 2018-07-27 2020-01-30 Welch Allyn, Inc. Vision screening device and methods
CN109768985A (zh) * 2019-01-30 2019-05-17 电子科技大学 一种基于流量可视化与机器学习算法的入侵检测方法
CN110162475A (zh) * 2019-05-27 2019-08-23 浙江工业大学 一种基于深度迁移的软件缺陷预测方法
CN110363751A (zh) * 2019-07-01 2019-10-22 浙江大学 一种基于生成协作网络的大肠内视镜息肉检测方法

Non-Patent Citations (3)

* Cited by examiner, † Cited by third party
Title
TIAN WANG等: "Detection of Abnormal Visual Events via Global Optical Flow Orientation Histogram", 《网页在线公开：HTTPS://IEEEXPLORE.IEEE.ORG/STAMP/STAMP.JSP?TP=&ARNUMBER=6784016》 *
李兴国等: "无线网络数据流量异常优化检测仿真研究", 《计算机仿真》 *
陈冠衡等: "基于深度神经网络的异常流量检测算法", 《信息网络安全》 *

Cited By (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN112333155A (zh) * 2020-10-16 2021-02-05 济南浪潮数据技术有限公司 一种异常流量的检测方法、系统、电子设备及存储介质
CN112333155B (zh) * 2020-10-16 2022-07-22 济南浪潮数据技术有限公司 一种异常流量的检测方法、系统、电子设备及存储介质
CN112633475A (zh) * 2020-12-21 2021-04-09 浙江科技学院 大规模网络突发流量识别模型、方法及模型的训练方法
CN113222930A (zh) * 2021-05-08 2021-08-06 厦门服云信息科技有限公司 基于图像分析的恶意流量检测方法、终端设备及存储介质

Also Published As

Publication number Publication date
CN111340727B (zh) 2022-05-17

Similar Documents

Publication Publication Date Title
CN111340727B (zh) 一种基于gbr图像的异常流量检测方法
CN112991354B (zh) 一种基于深度学习的高分辨率遥感影像语义分割方法
CN109635744A (zh) 一种基于深度分割网络的车道线检测方法
CN108090472B (zh) 基于多通道一致性特征的行人重识别方法及其系统
CN104992223A (zh) 基于深度学习的密集人数估计方法
CN112347970A (zh) 一种基于图卷积神经网络的遥感影像地物识别方法
CN114155527A (zh) 一种场景文本识别方法和装置
CN108520215B (zh) 基于多尺度联合特征编码器的单样本人脸识别方法
CN107046534A (zh) 一种网络安全态势模型训练方法、识别方法及识别装置
CN114898472B (zh) 基于孪生视觉Transformer网络的签名鉴定方法和系统
CN112560865A (zh) 一种室外大场景下点云的语义分割方法
CN112861931A (zh) 一种基于差异注意力神经网络的多级别变化检测方法
CN117197763A (zh) 基于交叉注意引导特征对齐网络的道路裂缝检测方法和系统
CN115273046A (zh) 一种用于智能视频分析的驾驶员行为识别方法
CN110321803A (zh) 一种基于srcnn的交通标志识别方法
CN107545281B (zh) 一种基于深度学习的单一有害气体红外图像分类识别方法
CN117593666B (zh) 一种极光图像的地磁台站数据预测方法及系统
CN113362915B (zh) 一种基于多模态学习的材料性能预测方法及系统
CN117993282A (zh) 一种面向智能制造故障诊断的域适应性信息瓶颈联邦学习方法
CN116664431B (zh) 一种基于人工智能的图像处理系统及方法
CN113688715A (zh) 面部表情识别方法及系统
CN116958701A (zh) 一种基于改进vgg16与图像增强的网络异常流量检测方法
CN111126173A (zh) 一种高精度人脸检测方法
CN114529517B (zh) 基于单样本学习的工业产品缺陷检测方法
CN115661904A (zh) 数据标注和域适应模型训练方法、装置、设备及介质

Legal Events

Date Code Title Description
PB01 Publication
PB01 Publication
SE01 Entry into force of request for substantive examination
SE01 Entry into force of request for substantive examination
GR01 Patent grant
GR01 Patent grant
CF01 Termination of patent right due to non-payment of annual fee
CF01 Termination of patent right due to non-payment of annual fee

Granted publication date: 20220517