CN116708313B - 流量检测方法、流量检测装置、存储介质和电子设备 - Google Patents
流量检测方法、流量检测装置、存储介质和电子设备 Download PDFInfo
- Publication number
- CN116708313B CN116708313B CN202310995090.1A CN202310995090A CN116708313B CN 116708313 B CN116708313 B CN 116708313B CN 202310995090 A CN202310995090 A CN 202310995090A CN 116708313 B CN116708313 B CN 116708313B
- Authority
- CN
- China
- Prior art keywords
- flow
- network
- data
- feature
- detection method
- 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.)
- Active
Links
- 238000001514 detection method Methods 0.000 title claims abstract description 78
- 238000003860 storage Methods 0.000 title claims abstract description 23
- 238000000034 method Methods 0.000 claims description 39
- 238000012545 processing Methods 0.000 claims description 34
- 230000008569 process Effects 0.000 claims description 26
- 238000013528 artificial neural network Methods 0.000 claims description 23
- 125000004122 cyclic group Chemical group 0.000 claims description 13
- 230000015654 memory Effects 0.000 claims description 11
- 230000000007 visual effect Effects 0.000 claims description 10
- 238000004590 computer program Methods 0.000 claims description 3
- 238000004891 communication Methods 0.000 abstract description 5
- 238000010586 diagram Methods 0.000 description 13
- 230000001680 brushing effect Effects 0.000 description 5
- 210000002569 neuron Anatomy 0.000 description 5
- 230000003287 optical effect Effects 0.000 description 4
- 238000005516 engineering process Methods 0.000 description 3
- 230000006870 function Effects 0.000 description 3
- 239000013598 vector Substances 0.000 description 3
- 230000006978 adaptation Effects 0.000 description 2
- 238000004422 calculation algorithm Methods 0.000 description 2
- 238000004364 calculation method Methods 0.000 description 2
- 238000009826 distribution Methods 0.000 description 2
- 230000007246 mechanism Effects 0.000 description 2
- 238000007781 pre-processing Methods 0.000 description 2
- 230000000644 propagated effect Effects 0.000 description 2
- 230000000306 recurrent effect Effects 0.000 description 2
- 230000002123 temporal effect Effects 0.000 description 2
- 230000009466 transformation Effects 0.000 description 2
- 101001094649 Homo sapiens Popeye domain-containing protein 3 Proteins 0.000 description 1
- 101000608234 Homo sapiens Pyrin domain-containing protein 5 Proteins 0.000 description 1
- 101000578693 Homo sapiens Target of rapamycin complex subunit LST8 Proteins 0.000 description 1
- 102100027802 Target of rapamycin complex subunit LST8 Human genes 0.000 description 1
- 230000009471 action Effects 0.000 description 1
- 238000011166 aliquoting Methods 0.000 description 1
- 238000004458 analytical method Methods 0.000 description 1
- 238000003491 array Methods 0.000 description 1
- 238000013473 artificial intelligence Methods 0.000 description 1
- 230000003542 behavioural effect Effects 0.000 description 1
- 238000005336 cracking Methods 0.000 description 1
- 238000005520 cutting process Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000004069 differentiation Effects 0.000 description 1
- 230000002708 enhancing effect Effects 0.000 description 1
- 238000007689 inspection Methods 0.000 description 1
- 238000012886 linear function Methods 0.000 description 1
- 239000011159 matrix material Substances 0.000 description 1
- 238000012821 model calculation Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000012806 monitoring device Methods 0.000 description 1
- 239000013307 optical fiber Substances 0.000 description 1
- 230000002093 peripheral effect Effects 0.000 description 1
- 238000011176 pooling Methods 0.000 description 1
- 239000000843 powder Substances 0.000 description 1
- 230000003252 repetitive effect Effects 0.000 description 1
- 239000004065 semiconductor Substances 0.000 description 1
- 230000006403 short-term memory Effects 0.000 description 1
- 238000012549 training Methods 0.000 description 1
Classifications
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04L—TRANSMISSION OF DIGITAL INFORMATION, e.g. TELEGRAPHIC COMMUNICATION
- H04L47/00—Traffic control in data switching networks
- H04L47/10—Flow control; Congestion control
- H04L47/24—Traffic characterised by specific attributes, e.g. priority or QoS
- H04L47/2441—Traffic characterised by specific attributes, e.g. priority or QoS relying on flow classification, e.g. using integrated services [IntServ]
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04L—TRANSMISSION OF DIGITAL INFORMATION, e.g. TELEGRAPHIC COMMUNICATION
- H04L41/00—Arrangements for maintenance, administration or management of data switching networks, e.g. of packet switching networks
- H04L41/14—Network analysis or design
- H04L41/147—Network analysis or design for predicting network behaviour
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04L—TRANSMISSION OF DIGITAL INFORMATION, e.g. TELEGRAPHIC COMMUNICATION
- H04L41/00—Arrangements for maintenance, administration or management of data switching networks, e.g. of packet switching networks
- H04L41/16—Arrangements for maintenance, administration or management of data switching networks, e.g. of packet switching networks using machine learning or artificial intelligence
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04L—TRANSMISSION OF DIGITAL INFORMATION, e.g. TELEGRAPHIC COMMUNICATION
- H04L43/00—Arrangements for monitoring or testing data switching networks
- H04L43/04—Processing captured monitoring data, e.g. for logfile generation
- H04L43/045—Processing captured monitoring data, e.g. for logfile generation for graphical visualisation of monitoring data
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04L—TRANSMISSION OF DIGITAL INFORMATION, e.g. TELEGRAPHIC COMMUNICATION
- H04L63/00—Network architectures or network communication protocols for network security
- H04L63/14—Network architectures or network communication protocols for network security for detecting or protecting against malicious traffic
- H04L63/1408—Network architectures or network communication protocols for network security for detecting or protecting against malicious traffic by monitoring network traffic
- H04L63/1416—Event detection, e.g. attack signature detection
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04L—TRANSMISSION OF DIGITAL INFORMATION, e.g. TELEGRAPHIC COMMUNICATION
- H04L67/00—Network arrangements or protocols for supporting network services or applications
- H04L67/01—Protocols
- H04L67/02—Protocols based on web technology, e.g. hypertext transfer protocol [HTTP]
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02D—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN INFORMATION AND COMMUNICATION TECHNOLOGIES [ICT], I.E. INFORMATION AND COMMUNICATION TECHNOLOGIES AIMING AT THE REDUCTION OF THEIR OWN ENERGY USE
- Y02D30/00—Reducing energy consumption in communication networks
- Y02D30/50—Reducing energy consumption in communication networks in wire-line communication networks, e.g. low power modes or reduced link rate
Landscapes
- Engineering & Computer Science (AREA)
- Computer Networks & Wireless Communication (AREA)
- Signal Processing (AREA)
- Computer Security & Cryptography (AREA)
- Data Mining & Analysis (AREA)
- General Engineering & Computer Science (AREA)
- Computing Systems (AREA)
- Computer Hardware Design (AREA)
- Artificial Intelligence (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Databases & Information Systems (AREA)
- Evolutionary Computation (AREA)
- Medical Informatics (AREA)
- Software Systems (AREA)
- Data Exchanges In Wide-Area Networks (AREA)
Abstract
本公开提供了一种流量检测方法、流量检测装置、存储介质和电子设备,涉及通信技术领域。该流量检测方法包括:获取Web应用程序的网络流量数据,从网络流量数据中提取各特征类别对应的流量特征;利用各特征类别对应的流量特征确定流量相关性特征;基于流量相关性特征进行流量检测。本公开可以提高流量检测的准确度。
Description
技术领域
本公开涉及通信技术领域,具体而言,涉及一种流量检测方法、流量检测装置、存储介质和电子设备。
背景技术
随着通信技术和互联网技术的发展,业务类型的区分越来越细化,在这种情况下,确保流量业务链的畅通运行至关重要,这就需要流量检测方案的支持。
然而,目前流量检测方案普遍存在检测准确度不足的问题。
需要说明的是,在上述背景技术部分公开的信息仅用于加强对本公开的背景的理解,因此可以包括不构成对本领域普通技术人员已知的现有技术的信息。
发明内容
本公开的目的在于提供一种流量检测方法、流量检测装置、存储介质和电子设备,进而至少在一定程度上克服流量检测准确度不足的问题。
根据本公开的第一方面,提供了一种流量检测方法,包括:获取Web应用程序的网络流量数据,从网络流量数据中提取各特征类别对应的流量特征;利用各特征类别对应的流量特征确定流量相关性特征;基于流量相关性特征进行流量检测。
可选地,从网络流量数据中提取各特征类别对应的流量特征包括:利用切片循环神经网络从网络流量数据中提取各特征类别对应的流量特征。
可选地,利用切片循环神经网络从网络流量数据中提取各特征类别对应的流量特征包括:将网络流量数据切分为多个流量序列;对各流量序列进行多层编码处理,以得到网络流量数据的编码结果;其中,切片循环神经网络中每一层执行编码处理过程的次数小于上一层执行编码处理过程的次数;对编码结果进行分类操作,以得到各特征类别对应的流量特征。
可选地,利用各特征类别对应的流量特征确定流量相关性特征包括:利用Transformer模型对各特征类别对应的流量特征进行处理,以确定出流量相关性特征。
可选地,基于流量相关性特征进行流量检测包括:基于流量相关性特征确定流量类型。
可选地,基于流量相关性特征进行流量检测包括:基于流量相关性特征预测流量趋势。
可选地,流量检测方法还包括:基于流量趋势确定可视化数据;利用可视化数据构造线图,并将线图进行展示。
根据本公开的第二方面,提供了一种流量检测装置,包括:第一特征确定模块,用于获取Web应用程序的网络流量数据,从网络流量数据中提取各特征类别对应的流量特征;第二特征确定模块,用于利用各特征类别对应的流量特征确定流量相关性特征;流量检测模块,用于基于流量相关性特征进行流量检测。
可选地,第一特征确定模块被配置为执行:利用切片循环神经网络从网络流量数据中提取各特征类别对应的流量特征。
可选地,第一特征确定模块被配置为执行:将网络流量数据切分为多个流量序列;对各流量序列进行多层编码处理,以得到网络流量数据的编码结果;其中,切片循环神经网络中每一层执行编码处理过程的次数小于上一层执行编码处理过程的次数;对编码结果进行分类操作,以得到各特征类别对应的流量特征。
可选地,第二特征确定模块被配置为执行:利用Transformer模型对各特征类别对应的流量特征进行处理,以确定出流量相关性特征。
可选地,流量检测模块被配置为执行:基于流量相关性特征确定流量类型。
可选地,流量检测模块被配置为执行:基于流量相关性特征预测流量趋势。
可选地,流量检测模块还被配置为执行:基于流量趋势确定可视化数据;利用可视化数据构造线图,并将线图进行展示。
根据本公开的第三方面,提供了一种存储介质,其上存储有计算机程序,该计算机程序被处理器执行时实现上述流量检测方法。
根据本公开的第四方面,提供了一种电子设备,包括:处理器;以及存储器,用于存储所述处理器的可执行指令;该处理器被配置为经由执行可执行指令来实现上述流量检测方法。
在本公开的一些实施例所提供的技术方案中,从网络流量数据中提取多种特征类别分别对应的流量特征,并利用各特征类别对应的流量特征确定流量相关性特征,并基于流量相关性特征进行流量检测。本公开方案通过提取各特征类别对应的流量特征,将流量特征按类别进行后续处理,使得参与算法的流量信息更全面,并依据基于此而确定出的流量相关性进行流量检测,可以提高流量检测的准确度。
应当理解的是,以上的一般描述和后文的细节描述仅是示例性和解释性的,并不能限制本公开。
附图说明
此处的附图被并入说明书中并构成本说明书的一部分,示出了符合本公开的实施例,并与说明书一起用于解释本公开的原理。显而易见地,下面描述中的附图仅仅是本公开的一些实施例,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。
图1示出了本公开实施方式的流量检测过程的输入输出示意图。
图2示出了本公开实施方式的流量检测方案中包括的模型的示意图。
图3示出了本公开实施例的切片循环神经网络的原理结构示意图。
图4示出了本公开实施例的整个模型架构的示意图。
图5示意性示出了本公开示例性实施方式的流量检测方法的流程图。
图6示出了本公开实施例的切片循环神经网络的输入示意图。
图7示出了本公开实施例的流量类型的示意图。
图8示意性示出了本公开示例性实施方式的流量检测装置的方框图。
图9示意性示出了根据本公开的示例性实施方式的电子设备的方框图。
具体实施方式
现在将参考附图更全面地描述示例实施方式。然而,示例实施方式能够以多种形式实施,且不应被理解为限于在此阐述的范例;相反,提供这些实施方式使得本公开将更加全面和完整,并将示例实施方式的构思全面地传达给本领域的技术人员。所描述的特征、结构或特性可以以任何合适的方式结合在一个或更多实施方式中。在下面的描述中,提供许多具体细节从而给出对本公开的实施方式的充分理解。然而,本领域技术人员将意识到,可以实践本公开的技术方案而省略所述特定细节中的一个或更多,或者可以采用其它的方法、组元、装置、步骤等。在其它情况下,不详细示出或描述公知技术方案以避免喧宾夺主而使得本公开的各方面变得模糊。
此外,附图仅为本公开的示意性图解,并非一定是按比例绘制。图中相同的附图标记表示相同或类似的部分,因而将省略对它们的重复描述。附图中所示的一些方框图是功能实体,不一定必须与物理或逻辑上独立的实体相对应。可以采用软件形式来实现这些功能实体,或在一个或多个硬件模块或集成电路中实现这些功能实体,或在不同网络和/或处理器装置和/或微控制器装置中实现这些功能实体。
附图中所示的流程图仅是示例性说明,不是必须包括所有的步骤。例如,有的步骤还可以分解,而有的步骤可以合并或部分合并,因此实际执行的顺序有可能根据实际情况改变。另外,下面所有的术语“第一”、“第二”等仅是为了区分的目的,不应作为本公开内容的限制。
云WAF是防火墙的云模式。在本公开的一些方案中,云WAF的流量检测包括签名密码、行为分析、深度包查技术等。然而,应用这些方案可能出现流量检测不准确、流量误报漏报的问题,同时还存在成本高、对未知的流量无法检测等问题。
为了解决上述问题或者至少在一定程度上缓解上述问题,本公开提供了一种新的流量检测方案。
本公开实施方式的流量检测方案可以由电子设备执行。也就是说,电子设备可以执行本公开实施方式的流量检测方法的各个步骤,下述流量检测装置可以配置在电子设备中。电子设备的类型可以包括但不限于服务器、智能终端、个人计算机、监控设备等,本公开对此不做限制。
图1示出了本公开实施方式的流量检测过程的输入输出示意图。参考图1,本公开实施方式的流量检测过程的输入可以是Web应用程序的网络流量数据,输出可以是流量类型和/或流量趋势。也就是说,将Web应用程序的网络流量数据作为输入来执行本公开实施方式的流量检测过程,可以预测出流量类型和/或流量未来趋势。
具体的,首先,可以从网络流量数据中提取各特征类别对应的流量特征;接下来,可以利用各特征类别对应的流量特征确定流量相关性特征;随后,可以基于流量相关性特征进行流量检测,以实现流量类型的确定和/或流量未来趋势的预测。
针对上述流量检测过程,本公开实施方式可以基于模型来实现。参考图2,本公开实施方式的流量检测方案使用的模型可以包括切片循环神经网络(Sliced RecurrentNeural Network,SRNN)和Transformer模型。具体的,本公开实施方式的流量检测方案的模型可以由一个基于切片循环神经网络的低维特征编码器和一个基于Transformer模型的高维特征编码器组成,前者用于编码各类流量间的多种特征,后者用于学习流量之间的相关性。Transformer模型可以用于捕捉流量的依赖关系和上下文信息,切片循环神经网络可以并行工作以快速处理任务,基于本公开实施方式的模型配置,可以有效提升算法的准确度,加快数据的处理速度。
图3示出了本公开实施例的切片循环神经网络的原理结构示意图。参考图3,将网络流量数据序列等分为若干子序列(最小序列),如x1、x2、…、x8。图中A表示LSTM(LongShort-Term Memory,长短期记忆)循环单元,h为隐藏层输出的结果。等长的子序列作为LSTM的输入,经模型计算得到的解可以两两相连后继续输入到下一个隐藏层的LSTM中,直至所有结果对应最终的隐藏层F,并将结果输出到sigmoid中进行分类,由此,实现了并行计算,提高了处理效率。
例如,输入长度为L的网络流量数据序列X,表示为:,X等分成n个子序列,每个子序列长度为/>,序列X表示为/> ,每个子序列表示为。
继续将N个子序列递归切分,每个子序列继续切分成n份,每个子序列如上表示,切分成k次,k+1层网络,得到最小子序列。最小长度表示:。第0层子序列数量为。第p层子序列数量为/>,子序列长度为/>。sigmoid层加入最终隐状态F分类/> 。损失函数为负对数似然函数,表示为。
输入受到前一刻输出影响,其中x表示输入,h表示隐状态,f表示sigmoid,也可以是ReLU,为简化问题,可以使用线性函数/>。
假设b和h0设为0,RNN最后隐状态为:
SRNN(n,k)表示切分k次,切片数量为n,共k+1层,每层子长度为n,第0层最小子序列输出隐状态为:
如上过程,将p-1层结果输入到第p层中,得到第p层的隐状态:
第k层隐状态F表示为:
将上一隐藏层输出带入式中,F最终表示为:
当SRNN满足下列条件时,SRNN计算式与标准RNN可以得到相同结果,然而,SRNN在每一层都能并行工作,可以从输入序列学习到更多信息。
其中,I是单位矩阵,U、W是网络参数。
假设RNN每个循环单元时间花费为r,那么RNN的总时间花费为:。若T表示序列长度,SRNN切分k次,每层最小序列长n,则第0层时间花费为:/>。第p层时间花费为:/>。SRNN总时间花费为:/>。则SRNN与RNN消耗时间比值为:/> 。
图4示出了本公开实施例的整个模型架构的示意图。参考图4,针对Transformer模型,SRNN的输出可以作为Transformer模型的输入,Transformer模型可以包括编码器(Encoder)和解码器(Decoder)。
针对编码器,输入嵌入(Input Embedding)可以将输入的数据映射成向量的形式。多头注意力(Multi-Head Attention)包括多个并行的注意力机制,单个注意力机制输入复杂的查询(Query)、关键字(Key)和值(Value),通过学习能够获得多组线性投影来变换查询、关键字和值,将经变换的查询、键、值并行进行注意力池化,将输出拼接后通过另一个线性投影进行变换,最终输出多头注意力结果。前馈神经网络(Feed-Forward Network)用于对顺序中的每个位置的特征进行非线性投影和变换,所有神经元分层排列,每个神经元只连接上一层神经元,并将结果输出给下一层,各层间无反馈。
针对解码器,输出嵌入(Output Embedding)可以将目标序列表转换为嵌入向量。掩码多头注意力(Masked Multi-Head Attention)用于关注目标序列表中的其他位置,以方便更好地生成下一个数据。其他部分可以与编码器中对应部分的网络结构相同。
另外,线性变换可以将接收到的数据投影到向量空间上,通过归一化指数操作(Softmax)转化为概率分布,根据概率分布选择生成的下一个数据信息。
对于本公开实施方式采用的模型,本公开对此其训练过程不做限制。
下面对本公开实施方式的流量检测方法进行说明。
图5示意性示出了本公开的示例性实施方式的流量检测方法的流程图。参考图5,该流量检测方法可以包括以下步骤:
S52. 获取Web应用程序的网络流量数据,从网络流量数据中提取各特征类别对应的流量特征。
在本公开的示例性实施方式中,特征类别可以预先自定义。例如,与时间相关的特征可以被定义成时间特征,与统计数据相关的特征可以被定义成统计特征,涉及基本网络通信的特征可以被定义成基本特征,等等。可以理解的是,上述时间特征、统计特征、基本特征是三种不同的特征类别,以这三种特征类别为例,参考表1对所涉内容进行说明:
电子设备可以通过云WAF获取Web应用程序的网络流量数据,并从网络流量数据中提取各特征类别对应的流量特征。
根据本公开的一些实施例,电子设备可以直接从Web应用程序的网络流量数据中提取各特征类别对应的流量特征。
根据本公开的另一些实施例,在提取流量特征之前,电子设备可以对Web应用程序的网络流量数据进行预处理,并从预处理后的数据中提取各特征类别对应的流量数据。其中,预处理包括对网络流量数据进行拼接、打乱、划分、归一化、切割重组等操作中的一种或多种的组合。通过预处理操作,可以过滤重复数据和空数据,提高了数据处理效率。
针对从网络流量数据中提取各特征类别对应的流量特征的过程,本公开实施方式可以基于切片循环神经网络实现。
首先,电子设备可以将网络流量数据切分为多个流量序列。具体的,电子设备可以对网络流量数据执行等分操作,以得到多个流量序列,本公开对分割出的流量序列的数量不做限制。
接下来,电子设备可以对各流量序列进行多层编码处理,以得到该网络流量数据的编码结果。其中,切片循环神经网络中每一层执行编码处理过程的次数小于上一层执行编码处理过程的次数。也就是说,对于切片循环神经网络,每一层配置的LSTM模块的数量不同。
随后,电子设备可以对编码结果进行分类操作,以得到各特征类别对应的流量特征。也就是说,电子设备可以将上述编码结果输入到sigmoid模块中进行处理,以得到各特征类别对应的流量特征。
图6示出了本公开实施例的切片循环神经网络的输入示意图。参考图6,可以将网络流量数据按时间进行序列划分,如输入13、输入14、输入15和输入16可以组成最小序列。每个最小序列分别输入LSTM,进行并行处理。循环过程中,上层输出可以作为下层输入以不断处理。
此外,在应用模型的方式进行流量检测的过程中,可以初始化参数,该参数例如包括数据维度、批处理尺寸、输出维度、神经元数量、学习率、迭代次数等。例如,每个数据维度设置为128,批处理尺寸是50,输出维度为3,神经元数量为50,学习率为0.001,迭代1000次。
S54. 利用各特征类别对应的流量特征确定流量相关性特征。
在确定出各特征类别对应的流量特征之后,电子设备可以利用Transformer模型对各特征类别对应的流量特征进行处理,以确定出流量相关性特征。
S56. 基于流量相关性特征进行流量检测。
根据本公开的一些实施例,电子设备可以基于流量相关性特征确定流量类型。具体的,在基于Transformer模型确定出流量相关性特征之后,可以结合softmax操作,以得到流量类型。
参考图7,本公开实施例的流量类型可以包括正常流量和恶意流量。
正常流量可以包括HTTP、FTP、SMTP\POP3、P2P、DNS等产生的正常流量。
恶意流量可以包括网络攻击、账号攻击、流量欺诈和恶意爬虫等。其中,网络攻击包括端口扫描、登录破解、DDoS攻击、CC攻击等。账号攻击包括恶意注册、账号扫描、撞库攻击、资产窃取等。流量欺诈包括刷榜、刷粉、刷热度、刷单、刷广告等。
根据本公开的另一些实施例,电子设备可以基于流量相关性特征预测流量趋势。例如,未来一周、一个月的流量趋势。具体的,在基于Transformer模型确定出流量相关性特征之后,在python环境下,结合model.predict的操作,可以对流量趋势进行预测。
另外,电子设备还可以基于预测出的流量趋势确定可视化数据,利用该可视化数据构造线图,并将该线图进行展示,以便用户直观了解。
本公开实施例基于SRNN-Transformer模型实现流量检测,上层使用SRNN低维特征编码器并行学习每类流量间的多种特征,下层使用Transformer高维特征编码器学习所有流量之间的相关性,将人工智能技术与流量检测结合起来,捕捉时间序列信息,识别不同的流量特点,自适应调整模型。由此,可以提高流量检测效率,满足了云WAF安全能力管理下流量识别与预测的需求。
应当注意,尽管在附图中以特定顺序描述了本公开中方法的各个步骤,但是,这并非要求或者暗示必须按照该特定顺序来执行这些步骤,或是必须执行全部所示的步骤才能实现期望的结果。附加的或备选的,可以省略某些步骤,将多个步骤合并为一个步骤执行,以及/或者将一个步骤分解为多个步骤执行等。
进一步的,本示例实施方式中还提供了一种流量检测装置。
图8示意性示出了本公开的示例性实施方式的流量检测装置的方框图。参考图8,根据本公开的示例性实施方式的流量检测装置8可以包括第一特征确定模块81、第二特征确定模块83和流量检测模块85。
具体的,第一特征确定模块81可以用于获取Web应用程序的网络流量数据,从网络流量数据中提取各特征类别对应的流量特征;第二特征确定模块83可以用于利用各特征类别对应的流量特征确定流量相关性特征;流量检测模块85可以用于基于流量相关性特征进行流量检测。
根据本公开的示例性实施例,第一特征确定模块81可以被配置为执行:利用切片循环神经网络从网络流量数据中提取各特征类别对应的流量特征。
根据本公开的示例性实施例,第一特征确定模块81可以被配置为执行:将网络流量数据切分为多个流量序列;对各流量序列进行多层编码处理,以得到网络流量数据的编码结果;其中,切片循环神经网络中每一层执行编码处理过程的次数小于上一层执行编码处理过程的次数;对编码结果进行分类操作,以得到各特征类别对应的流量特征。
根据本公开的示例性实施例,第二特征确定模块83可以被配置为执行:利用Transformer模型对各特征类别对应的流量特征进行处理,以确定出流量相关性特征。
根据本公开的示例性实施例,流量检测模块85可以被配置为执行:基于流量相关性特征确定流量类型。
根据本公开的示例性实施例,流量检测模块85可以被配置为执行:基于流量相关性特征预测流量趋势。
根据本公开的示例性实施例,流量检测模块85还可以被配置为执行:基于流量趋势确定可视化数据;利用可视化数据构造线图,并将线图进行展示。
由于本公开实施方式的流量检测装置的各个功能模块与上述方法实施方式中相同,因此在此不再赘述。
在本公开的示例性实施例中,还提供了一种计算机可读存储介质,其上存储有能够实现本说明书上述方法的程序产品。在一些可能的实施方式中,本公开的各个方面还可以实现为一种程序产品的形式,其包括程序代码,当所述程序产品在终端设备上运行时,所述程序代码用于使所述终端设备执行本说明书上述“示例性方法”部分中描述的根据本公开各种示例性实施方式的步骤。
根据本公开的实施方式的用于实现上述方法的程序产品可以采用便携式紧凑盘只读存储器(CD-ROM)并包括程序代码,并可以在终端设备,例如个人电脑上运行。然而,本公开的程序产品不限于此,在本文件中,可读存储介质可以是任何包含或存储程序的有形介质,该程序可以被指令执行系统、装置或者器件使用或者与其结合使用。
所述程序产品可以采用一个或多个可读介质的任意组合。可读介质可以是可读信号介质或者可读存储介质。可读存储介质例如可以为但不限于电、磁、光、电磁、红外线、或半导体的系统、装置或器件,或者任意以上的组合。可读存储介质的更具体的例子(非穷举的列表)包括:具有一个或多个导线的电连接、便携式盘、硬盘、随机存取存储器(RAM)、只读存储器(ROM)、可擦式可编程只读存储器(EPROM或闪存)、光盘、便携式紧凑盘只读存储器(CD-ROM)、光存储器件、磁存储器件、或者上述的任意合适的组合。
计算机可读信号介质可以包括在基带中或者作为载波一部分传播的数据信号,其中承载了可读程序代码。这种传播的数据信号可以采用多种形式,包括但不限于电磁信号、光信号或上述的任意合适的组合。可读信号介质还可以是可读存储介质以外的任何可读介质,该可读介质可以发送、传播或者传输用于由指令执行系统、装置或者器件使用或者与其结合使用的程序。
可读介质上包含的程序代码可以用任何适当的介质传输,包括但不限于无线、有线、光缆、RF等等,或者上述的任意合适的组合。
可以以一种或多种程序设计语言的任意组合来编写用于执行本公开操作的程序代码,所述程序设计语言包括面向对象的程序设计语言—诸如Java、C++等,还包括常规的过程式程序设计语言—诸如“C”语言或类似的程序设计语言。程序代码可以完全地在用户计算设备上执行、部分地在用户设备上执行、作为一个独立的软件包执行、部分在用户计算设备上部分在远程计算设备上执行、或者完全在远程计算设备或服务器上执行。在涉及远程计算设备的情形中,远程计算设备可以通过任意种类的网络,包括局域网(LAN)或广域网(WAN),连接到用户计算设备,或者,可以连接到外部计算设备(例如利用因特网服务提供商来通过因特网连接)。
在本公开的示例性实施例中,还提供了一种能够实现上述方法的电子设备。
所属技术领域的技术人员能够理解,本公开的各个方面可以实现为系统、方法或程序产品。因此,本公开的各个方面可以具体实现为以下形式,即:完全的硬件实施方式、完全的软件实施方式(包括固件、微代码等),或硬件和软件方面结合的实施方式,这里可以统称为“电路”、“模块”或“系统”。
下面参照图9来描述根据本公开的这种实施方式的电子设备900。图9显示的电子设备900仅仅是一个示例,不应对本公开实施例的功能和使用范围带来任何限制。
如图9所示,电子设备900以通用计算设备的形式表现。电子设备900的组件可以包括但不限于:上述至少一个处理单元910、上述至少一个存储单元920、连接不同系统组件(包括存储单元920和处理单元910)的总线930、显示单元940。
其中,所述存储单元存储有程序代码,所述程序代码可以被所述处理单元910执行,使得所述处理单元910执行本说明书上述“示例性方法”部分中描述的根据本公开各种示例性实施方式的步骤。例如,所述处理单元910可以执行本公开实施方式的流量检测方法的各个步骤。
存储单元920可以包括易失性存储单元形式的可读介质,例如随机存取存储单元(RAM)9201和/或高速缓存存储单元9202,还可以进一步包括只读存储单元(ROM)9203。
存储单元920还可以包括具有一组(至少一个)程序模块9205的程序/实用工具9204,这样的程序模块9205包括但不限于:操作系统、一个或者多个应用程序、其它程序模块以及程序数据,这些示例中的每一个或某种组合中可能包括网络环境的实现。
总线930可以为表示几类总线结构中的一种或多种,包括存储单元总线或者存储单元控制器、外围总线、图形加速端口、处理单元或者使用多种总线结构中的任意总线结构的局域总线。
电子设备900也可以与一个或多个外部设备1000(例如键盘、指向设备、蓝牙设备等)通信,还可与一个或者多个使得用户能与该电子设备900交互的设备通信,和/或与使得该电子设备900能与一个或多个其它计算设备进行通信的任何设备(例如路由器、调制解调器等等)通信。这种通信可以通过输入/输出(I/O)接口950进行。并且,电子设备900还可以通过网络适配器960与一个或者多个网络(例如局域网(LAN),广域网(WAN)和/或公共网络,例如因特网)通信。如图所示,网络适配器960通过总线930与电子设备900的其它模块通信。应当明白,尽管图中未示出,可以结合电子设备900使用其它硬件和/或软件模块,包括但不限于:微代码、设备驱动器、冗余处理单元、外部磁盘驱动阵列、RAID系统、磁带驱动器以及数据备份存储系统等。
通过以上的实施方式的描述,本领域的技术人员易于理解,这里描述的示例实施方式可以通过软件实现,也可以通过软件结合必要的硬件的方式来实现。因此,根据本公开实施方式的技术方案可以以软件产品的形式体现出来,该软件产品可以存储在一个非易失性存储介质(可以是CD-ROM,U盘,移动硬盘等)中或网络上,包括若干指令以使得一台计算设备(可以是个人计算机、服务器、终端装置、或者网络设备等)执行根据本公开实施方式的方法。
此外,上述附图仅是根据本公开示例性实施例的方法所包括的处理的示意性说明,而不是限制目的。易于理解,上述附图所示的处理并不表明或限制这些处理的时间顺序。另外,也易于理解,这些处理可以是例如在多个模块中同步或异步执行的。
应当注意,尽管在上文详细描述中提及了用于动作执行的设备的若干模块或者单元,但是这种划分并非强制性的。实际上,根据本公开的实施方式,上文描述的两个或更多模块或者单元的特征和功能可以在一个模块或者单元中具体化。反之,上文描述的一个模块或者单元的特征和功能可以进一步划分为由多个模块或者单元来具体化。
本领域技术人员在考虑说明书及实践这里公开的内容后,将容易想到本公开的其他实施例。本申请旨在涵盖本公开的任何变型、用途或者适应性变化,这些变型、用途或者适应性变化遵循本公开的一般性原理并包括本公开未公开的本技术领域中的公知常识或惯用技术手段。说明书和实施例仅被视为示例性的,本公开的真正范围和精神由权利要求指出。
应当理解的是,本公开并不局限于上面已经描述并在附图中示出的精确结构,并且可以在不脱离其范围进行各种修改和改变。本公开的范围仅由所附的权利要求来限。
Claims (7)
1.一种流量检测方法,其特征在于,包括:
获取Web应用程序的网络流量数据,利用切片循环神经网络从所述网络流量数据中提取各特征类别对应的流量特征;
利用Transformer模型对所述各特征类别对应的流量特征进行处理,以确定出流量相关性特征;
基于所述流量相关性特征进行流量检测;
其中,利用切片循环神经网络从所述网络流量数据中提取各特征类别对应的流量特征包括:
将所述网络流量数据切分为多个流量序列;
对各所述流量序列进行多层编码处理,以得到所述网络流量数据的编码结果;其中,所述切片循环神经网络中每一层执行编码处理过程的次数小于上一层执行编码处理过程的次数;
对所述编码结果进行分类操作,以得到各特征类别对应的流量特征。
2.根据权利要求1所述的流量检测方法,其特征在于,基于所述流量相关性特征进行流量检测包括:
基于所述流量相关性特征确定流量类型。
3.根据权利要求1所述的流量检测方法,其特征在于,基于所述流量相关性特征进行流量检测包括:
基于所述流量相关性特征预测流量趋势。
4.根据权利要求3所述的流量检测方法,其特征在于,所述流量检测方法还包括:
基于所述流量趋势确定可视化数据;
利用所述可视化数据构造线图,并将所述线图进行展示。
5.一种流量检测装置,其特征在于,包括:
第一特征确定模块,用于获取Web应用程序的网络流量数据,利用切片循环神经网络从所述网络流量数据中提取各特征类别对应的流量特征;
第二特征确定模块,用于利用Transformer模型对所述各特征类别对应的流量特征进行处理,以确定出流量相关性特征;
流量检测模块,用于基于所述流量相关性特征进行流量检测;
其中,所述第一特征确定模块被配置为执行:将所述网络流量数据切分为多个流量序列;对各所述流量序列进行多层编码处理,以得到所述网络流量数据的编码结果;其中,所述切片循环神经网络中每一层执行编码处理过程的次数小于上一层执行编码处理过程的次数;对所述编码结果进行分类操作,以得到各特征类别对应的流量特征。
6.一种计算机可读存储介质,其上存储有计算机程序,其特征在于,所述计算机程序被处理器执行时实现权利要求1至4中任一项所述的流量检测方法。
7. 一种电子设备,其特征在于,包括:
处理器;以及
存储器,用于存储所述处理器的可执行指令;
其中,所述处理器被配置为经由执行所述可执行指令来实现权利要求1至4中任一项所述的流量检测方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310995090.1A CN116708313B (zh) | 2023-08-08 | 2023-08-08 | 流量检测方法、流量检测装置、存储介质和电子设备 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310995090.1A CN116708313B (zh) | 2023-08-08 | 2023-08-08 | 流量检测方法、流量检测装置、存储介质和电子设备 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN116708313A CN116708313A (zh) | 2023-09-05 |
CN116708313B true CN116708313B (zh) | 2023-11-14 |
Family
ID=87843719
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202310995090.1A Active CN116708313B (zh) | 2023-08-08 | 2023-08-08 | 流量检测方法、流量检测装置、存储介质和电子设备 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN116708313B (zh) |
Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112383516A (zh) * | 2020-10-29 | 2021-02-19 | 博雅正链(北京)科技有限公司 | 图神经网络构建方法、基于图神经网络的异常流量检测方法 |
WO2021103135A1 (zh) * | 2019-11-25 | 2021-06-03 | 中国科学院深圳先进技术研究院 | 一种基于深度神经网络的流量分类方法、系统及电子设备 |
CN113269327A (zh) * | 2021-04-28 | 2021-08-17 | 国家计算机网络与信息安全管理中心 | 一种基于机器学习的流量异常预测方法 |
CN114615088A (zh) * | 2022-04-25 | 2022-06-10 | 国网冀北电力有限公司信息通信分公司 | 一种终端业务流量异常检测模型建立方法及异常检测方法 |
CN114915575A (zh) * | 2022-06-02 | 2022-08-16 | 电子科技大学 | 一种基于人工智能的网络流量检测装置 |
CN115426121A (zh) * | 2021-05-31 | 2022-12-02 | 中国电信股份有限公司 | 检测僵尸网络的方法、装置和介质 |
WO2023056808A1 (zh) * | 2021-10-08 | 2023-04-13 | 中兴通讯股份有限公司 | 加密恶意流量检测方法、装置、存储介质及电子装置 |
CN116347492A (zh) * | 2023-04-27 | 2023-06-27 | 国网智能电网研究院有限公司 | 5g切片流量异常检测方法、装置、计算机设备及存储介质 |
Family Cites Families (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20230171266A1 (en) * | 2021-11-26 | 2023-06-01 | At&T Intellectual Property Ii, L.P. | Method and system for predicting cyber threats using deep artificial intelligence (ai)-driven analytics |
-
2023
- 2023-08-08 CN CN202310995090.1A patent/CN116708313B/zh active Active
Patent Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2021103135A1 (zh) * | 2019-11-25 | 2021-06-03 | 中国科学院深圳先进技术研究院 | 一种基于深度神经网络的流量分类方法、系统及电子设备 |
CN112383516A (zh) * | 2020-10-29 | 2021-02-19 | 博雅正链(北京)科技有限公司 | 图神经网络构建方法、基于图神经网络的异常流量检测方法 |
CN113269327A (zh) * | 2021-04-28 | 2021-08-17 | 国家计算机网络与信息安全管理中心 | 一种基于机器学习的流量异常预测方法 |
CN115426121A (zh) * | 2021-05-31 | 2022-12-02 | 中国电信股份有限公司 | 检测僵尸网络的方法、装置和介质 |
WO2023056808A1 (zh) * | 2021-10-08 | 2023-04-13 | 中兴通讯股份有限公司 | 加密恶意流量检测方法、装置、存储介质及电子装置 |
CN114615088A (zh) * | 2022-04-25 | 2022-06-10 | 国网冀北电力有限公司信息通信分公司 | 一种终端业务流量异常检测模型建立方法及异常检测方法 |
CN114915575A (zh) * | 2022-06-02 | 2022-08-16 | 电子科技大学 | 一种基于人工智能的网络流量检测装置 |
CN116347492A (zh) * | 2023-04-27 | 2023-06-27 | 国网智能电网研究院有限公司 | 5g切片流量异常检测方法、装置、计算机设备及存储介质 |
Also Published As
Publication number | Publication date |
---|---|
CN116708313A (zh) | 2023-09-05 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN109241418B (zh) | 基于随机森林的异常用户识别方法及装置、设备、介质 | |
CN112883990A (zh) | 数据分类方法及装置、计算机存储介质、电子设备 | |
KR102359090B1 (ko) | 실시간 기업정보시스템 이상행위 탐지 서비스를 제공하는 방법과 시스템 | |
Chen et al. | Network traffic prediction based on LSTM networks with genetic algorithm | |
CN114328106A (zh) | 日志数据处理方法、装置、设备及存储介质 | |
CN115759748A (zh) | 风险检测模型生成方法和装置、风险个体识别方法和装置 | |
KR102352954B1 (ko) | 예측 자동 회귀 기반 실시간 기업정보시스템 사용자 이상행위 탐지 시스템 및 방법 | |
Kopčan et al. | Anomaly detection using Autoencoders and Deep Convolution Generative Adversarial Networks | |
WO2021012263A1 (en) | Systems and methods for end-to-end deep reinforcement learning based coreference resolution | |
HajiAkhondi-Meybodi et al. | Vit-cat: Parallel vision transformers with cross attention fusion for popularity prediction in mec networks | |
CN113886821A (zh) | 基于孪生网络的恶意进程识别方法、装置、电子设备及存储介质 | |
CN116569210A (zh) | 归一化oct图像数据 | |
CN113283222A (zh) | 自动化报表生成方法、装置、计算机设备及存储介质 | |
CN115114329A (zh) | 数据流异常检测的方法、装置、电子设备和存储介质 | |
CN116186295B (zh) | 基于注意力的知识图谱链接预测方法、装置、设备及介质 | |
CN111190967B (zh) | 用户多维度数据处理方法、装置及电子设备 | |
CN116708313B (zh) | 流量检测方法、流量检测装置、存储介质和电子设备 | |
Kong et al. | A novel ConvLSTM with multifeature fusion for financial intelligent trading | |
CN109508544A (zh) | 一种基于mlp的入侵检测方法 | |
Chen et al. | Efficient and interpretable SRU combined with TabNet for network intrusion detection in the big data environment | |
CN113033397A (zh) | 目标跟踪方法、装置、设备、介质及程序产品 | |
Zhang et al. | MTSCANet: Multi temporal resolution temporal semantic context aggregation network | |
CN115238805B (zh) | 异常数据识别模型的训练方法及相关设备 | |
CN116501993B (zh) | 房源数据推荐方法及装置 | |
Shen et al. | Long-term multivariate time series forecasting in data centers based on multi-factor separation evolutionary spatial–temporal graph neural networks |
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 | ||
EE01 | Entry into force of recordation of patent licensing contract | ||
EE01 | Entry into force of recordation of patent licensing contract |
Application publication date: 20230905 Assignee: Tianyiyun Technology Co.,Ltd. Assignor: CHINA TELECOM Corp.,Ltd. Contract record no.: X2024110000020 Denomination of invention: Flow detection methods, flow detection devices, storage media, and electronic devices Granted publication date: 20231114 License type: Common License Record date: 20240315 |