CN117240483A - 流量检测方法、装置、设备及存储介质 - Google Patents
流量检测方法、装置、设备及存储介质 Download PDFInfo
- Publication number
- CN117240483A CN117240483A CN202210635224.4A CN202210635224A CN117240483A CN 117240483 A CN117240483 A CN 117240483A CN 202210635224 A CN202210635224 A CN 202210635224A CN 117240483 A CN117240483 A CN 117240483A
- Authority
- CN
- China
- Prior art keywords
- flow
- detected
- data
- layer
- attention
- 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.)
- Pending
Links
- 238000001514 detection method Methods 0.000 title claims abstract description 127
- 238000000034 method Methods 0.000 claims abstract description 42
- 239000011159 matrix material Substances 0.000 claims description 40
- 238000012549 training Methods 0.000 claims description 34
- 238000011176 pooling Methods 0.000 claims description 25
- 238000013527 convolutional neural network Methods 0.000 claims description 16
- 230000006870 function Effects 0.000 claims description 13
- 239000013598 vector Substances 0.000 claims description 12
- 238000006243 chemical reaction Methods 0.000 claims description 7
- 238000004590 computer program Methods 0.000 claims description 3
- 238000004891 communication Methods 0.000 abstract description 9
- 238000012545 processing Methods 0.000 description 12
- 238000010586 diagram Methods 0.000 description 10
- 238000004458 analytical method Methods 0.000 description 3
- 238000004364 calculation method Methods 0.000 description 3
- 238000007726 management method Methods 0.000 description 3
- 230000008569 process Effects 0.000 description 3
- 230000006978 adaptation Effects 0.000 description 2
- 238000010276 construction Methods 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 230000003287 optical effect Effects 0.000 description 2
- 239000013307 optical fiber Substances 0.000 description 2
- 230000000644 propagated effect Effects 0.000 description 2
- 238000012163 sequencing technique Methods 0.000 description 2
- 241000700605 Viruses Species 0.000 description 1
- 230000009471 action Effects 0.000 description 1
- 238000003491 array Methods 0.000 description 1
- 238000013473 artificial intelligence Methods 0.000 description 1
- 230000005540 biological transmission Effects 0.000 description 1
- 230000015572 biosynthetic process Effects 0.000 description 1
- 238000004422 calculation algorithm Methods 0.000 description 1
- 230000006835 compression Effects 0.000 description 1
- 238000007906 compression Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000001914 filtration Methods 0.000 description 1
- 238000005206 flow analysis Methods 0.000 description 1
- ZXQYGBMAQZUVMI-GCMPRSNUSA-N gamma-cyhalothrin Chemical compound CC1(C)[C@@H](\C=C(/Cl)C(F)(F)F)[C@H]1C(=O)O[C@H](C#N)C1=CC=CC(OC=2C=CC=CC=2)=C1 ZXQYGBMAQZUVMI-GCMPRSNUSA-N 0.000 description 1
- 238000007689 inspection Methods 0.000 description 1
- 230000003993 interaction Effects 0.000 description 1
- 230000014759 maintenance of location Effects 0.000 description 1
- 230000007246 mechanism Effects 0.000 description 1
- 230000002093 peripheral effect Effects 0.000 description 1
- 230000003252 repetitive effect Effects 0.000 description 1
- 238000007493 shaping process Methods 0.000 description 1
- 238000003786 synthesis reaction Methods 0.000 description 1
Landscapes
- Image Analysis (AREA)
Abstract
本公开提供了一种流量检测方法、装置、设备及存储介质,涉及通信安全领域。该方法包括:获取待检测流量数据;将所述待检测流量数据转化为对应的字节图像;将所述待检测流量对应的字节图像输入至预先训练好的流量检测模型中,输出所述待检测流量的流量类型。本公开提高了流量检测的准确性。
Description
技术领域
本公开涉及通信安全领域,尤其涉及一种流量检测方法、装置、设备及存储介质。
背景技术
随着社会的发展,用户越来越重视隐私保护。为了对用户的隐私进行保护,越来越多的设备开始采用加密流量来进行信息的传输。
为了保护网络安全,需要对流量进行检测。当前流量检测主要是通过数据包深度检测(Deep Packet Inspection,DPI)的方法来完成。但是DPI检测方法并不适用于加密流量检测。使得对加密流量检测的准确性较低。
发明内容
本公开提供一种流量检测方法、系统、装置、设备及存储介质,至少在一定程度上克服了对加密流量检测的准确性较低的问题。
本公开的其他特性和优点将通过下面的详细描述变得显然,或部分地通过本公开的实践而习得。
根据本公开的一个方面,提供一种流量检测方法,包括:
获取待检测流量数据;
字节图像将待检测流量数据转换为对应的字节图像;
将待检测流量对应的字节图像输入至预先训练好的流量检测模型中,输出述待检测流量的流量类型。
在本公开的一个实施例中,在将待检测流量对应的字节图像输入至预先训练好的流量检测模型中,输出述待检测流量的流量类型之前,方法还包括:
获取多个历史流量数据;
将多个历史流量数据转化为多个历史字节图像;
获取多个历史字节图像中每个历史字节图像对应的历史流量数据的类型;
分别将每个历史字节图像以及每个历史字节图像对应的历史流量数据的类型构建训练样本;
根据多个训练样本,训练自注意力的卷积神经网络模型,直至满足训练停止条件,得到训练好的流量检测模型。
在本公开的一个实施例中,流量检测模型包括输入层、卷积层、自注意力层、池化层以及输出层;
将待检测流量对应的字节图像输入至预先训练好的流量检测模型中,具体包括:
将字节图像输入输入层中,得到第一关系式;
将第一关系式输入卷积层,以使卷积层根据第一关系式形成第一特征;
将第一特征输入注意力层,以使注意力层根据第一特征与其余特征的相关性为第一特征分配权重,得到注意力矩阵;
将注意力矩阵输入池化层,以使池化层将注意力矩阵进行最大池化操作,得到卷积核对应的第二特征;
将第二特征输入输出层,以使输出层将第二特征连接。
在本公开的一个实施例中,第一关系式为:
其中,Oi为第i个长度为k的一维的向量,i为常数,n为字节图像行的数目,k为字节图像列的数目,O1:n为从1到n个长度为k的一维的向量叠加的矩阵,为连接运算符。
在本公开的一个实施例中,第一特征为:
ci=f(w·o′i:i+h-1+b)
其中,其中,ci为第一特征,i为常数,f为非线性函数,w为卷积核,卷积核大小为h×k,,k为字节图像列的数目,h为常数,Oi:i+h-1为从i到i+h-1个长度为k的一维的向量叠加的矩阵,b为偏差项。
在本公开的一个实施例中,注意力矩阵为:
其中,gi为注意力矩阵,∑为求和符号,ai,j为注意力权重,i、j为常数,cj为第j个特征。
在本公开的一个实施例中,在将待检测流量数据转化为字节图像之前,流量检测方法还包括:
在待检测流量数据有多个的情况下,将多个待检测流量数据按照数据大小排序;
将排序在前预设数量个的待检测流量数据作为目标流量数据;
将目标流量数据整理成预设大小的目标流量数据;
将待检测流量数据转化为字节图像,包括:
将预设大小的目标流量数据转化为字节图像。
根据本公开的另一个方面,提供一种流量检测装置,包括:
第一获取模块,用于获取待检测流量数据;
转化模块,用于将待检测流量数据转化为对应的字节图像;
输入模块,用于将待检测流量对应的字节图像输入至预先训练好的流量检测模型中,输出待检测流量的流量类型。
在本公开的一个实施例中,流量检测装置还包括:
第二获取模块,在将待检测流量对应的字节图像输入至预先训练好的流量检测模型中,输出述待检测流量的流量类型之前,用于获取多个历史流量数据;
第二转化模块,用于将多个历史流量数据转化为多个历史字节图像;
第三获取模块,用于获取多个历史字节图像中每个历史字节图像对应的历史流量数据的类型;
构建模块,用于分别将每个历史字节图像以及每个历史字节图像对应的历史流量数据的类型构建训练样本;
根据多个训练样本,训练自注意力的卷积神经网络模型,直至满足训练停止条件,得到训练好的流量检测模型。
在本公开的一个实施例中,流量检测模型包括输入层、卷积层、自注意力层、池化层以及输出层;
输入模块,包括:
第一输入单元,用于将字节图像输入输入层中,得到第一关系式;
第二输入单元,用于将第一关系式输入卷积层,以使卷积层根据第一关系式形成第一特征;
第三输入单元,用于将第一特征输入注意力层,以使注意力层根据第一特征与其余特征的相关性为第一特征分配权重,得到注意力矩阵;
第四输入单元,用于将注意力矩阵输入池化层,以使池化层将注意力矩阵进行最大池化操作,得到卷积核对应的第二特征;
第五输入单元,用于将第二特征输入输出层,以使输出层将第二特征连接。
在本公开的一个实施例中,第一关系式为:
其中,Oi为第i个长度为k的一维的向量,i为常数,n为字节图像行的数目,k为字节图像列的数目,O1:n为从1到n个长度为k的一维的向量叠加的矩阵,为连接运算符。
在本公开的一个实施例中,第一特征为:
ci=f(w·o′i:i+h-1+b)
其中,ci为第一特征,i为常数,f为非线性函数,w为卷积核,卷积核大小为h×k,,k为字节图像列的数目,h为常数,Oi:i+h-1为从i到i+h-1个长度为k的一维的向量叠加的矩阵,b为偏差项。
在本公开的一个实施例中,注意力矩阵为:
其中,gi为注意力矩阵,∑为求和符号,ai,j为注意力权重,i、j为常数,cj为第j个特征。
在本公开的一个实施例中,流量检测装置还包括:
排序模块,在将待检测流量数据转化为字节图像之前,用于在待检测流量数据有多个的情况下,将多个待检测流量数据按照数据大小排序;
确定模块,用于将排序在前预设数量个的待检测流量数据作为目标流量数据;
整理模块,用于将目标流量数据整理成预设大小的目标流量数据;
第一转化模块,包括:
第一转化单元,用于将预设大小的目标流量数据转化为对应的字节图像。
根据本公开的再一个方面,提供一种电子设备,包括:处理器;以及存储器,用于存储处理器的可执行指令;其中,处理器配置为经由执行可执行指令来执行上述的流量检测方法。
根据本公开的又一个方面,提供一种计算机可读存储介质,其上存储有计算机程序,计算机程序被处理器执行时实现上述的流量检测方法。
本公开的实施例所提供的流量检测方法、装置、设备及存储介质,通过获取待检测的流量数据,然后将待检测流量数据转化为待检测的流量数据对应的字节图像。然后将待检测流量对应的字节图像输入至预先训练好的流量检测模型中,输出待检测流量的流量类型。由于是将待检测流量转化成了待检测流量对应的字节图像,所以能够在待检测流量为加密流量的情况下,避免对流量进行解密从而造成的效率较低的问题。并且,通过使用训练好的流量检测模型对流量进行检测可以使得检测结果准确。整体上提高了流量检测的准确性。
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示出本公开实施例中一种DPI检测系统架构的示意图;
图2示出本公开实施例中一种流量检测方法流程图;
图3示出本公开实施例中另一种流量检测方法流程图;
图4示出本公开实施例中一种流量检测模型结构示意图;
图5示出本公开实施例中再一种流量检测方法流程图;
图6示出本公开实施例中又一种流量检测方法流程图;
图7示出本公开实施例中一种流量检测装置示意图;
图8示出本公开实施例中一种电子设备的结构框图。
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。
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。
应当理解,本公开的方法实施方式中记载的各个步骤可以按照不同的顺序执行,和/或并行执行。此外,方法实施方式可以包括附加的步骤和/或省略执行示出的步骤。本公开的范围在此方面不受限制。
需要注意,本公开中提及的“第一”、“第二”等概念仅用于对不同的装置、模块或单元进行区分,并非用于限定这些装置、模块或单元所执行的功能的顺序或者相互依存关系。
需要注意,本公开中提及的“一个”、“多个”的修饰是示意性而非限制性的,本领域技术人员应当理解,除非在上下文另有明确指出,否则应该理解为“一个或多个”。
当前,在通信安全领域,通常都是采用DPI技术对流量进行检测。具体来说,DPI检测设备通过对网络的关键点处的流量和报文内容进行检测分析,可以根据事先定义的策略对检测流量进行过滤控制,能完成所在链路的业务精细化识别、业务流量流向分析、业务流量占比统计、业务占比整形、以及应用层拒绝服务攻击、对病毒、木马进行过滤和滥用P2P的控制等功能。
为了能够对DPI检测技术进行详细的介绍,本公开实施例提供了一种DPI检测系统架构示意图。
如图1所示,DPI检测系统10可以包括:
DPI设备101,第三方服务器102;
其中,DPI设备101能够对链路上的流量进行采集和识别,并将满足系统所需要的流量或统计数据分发给第三方服务器102。DPI设备101主要用于数据采集、流量分析统计、日志合成。第三方服务器102主要用于完成对数据的进一步分析处理,合理组织和存储数据,并进行呈现。但是由于当前为了保护用户的隐私,大部分的信息交互都是采用加密后的流量。为DPI检测带来了一定的困难。
服务器可以是提供各种服务的服务器,例如对用户利用终端设备所进行操作的装置提供支持的后台管理服务器。后台管理服务器可以对接收到的请求等数据进行分析等处理,并将处理结果反馈给终端设备。
其中,第三方服务器102可以是独立的物理服务器,也可以是多个物理服务器构成的服务器集群或者分布式系统,还可以是提供云服务、云数据库、云计算、云函数、云存储、网络服务、云通信、中间件服务、域名服务、安全服务、CDN(Content Delivery Network,内容分发网络)、以及大数据和人工智能平台等基础云计算服务的云服务器。终端可以是智能手机、平板电脑、笔记本电脑、台式计算机、智能音箱、智能手表等,但并不局限于此。终端以及服务器可以通过有线或无线通信方式进行直接或间接地连接,本申请在此不做限制。
为了解决上述问题,本公开提供了一种流量检测方法、装置、设备及存储介质。
下面,首先对本公开提供的流量检测方法进行说明。
图2示出了本公开实施例中一种流量检测方法流程图,如图2所示,本公开实施例中的流量检测方法可以包括如下步骤:
S202,获取待检测流量数据;
S204,将待检测流量数据转化为对应的字节图像;
S206,将待检测流量对应的字节图像输入至预先训练好的流量检测模型中,输出待检测流量的流量类型。
本公开的实施例所提供的流量检测方法,通过获取待检测的流量数据,然后将待检测流量数据转化为待检测的流量数据对应的字节图像。然后将待检测流量对应的字节图像输入至预先训练好的流量检测模型中,输出待检测流量的流量类型。由于是将待检测流量转化成了待检测流量对应的字节图像,所以能够在待检测流量为加密流量的情况下,避免对流量进行解密从而造成的效率较低的问题。并且,通过使用训练好的流量检测模型对流量进行检测可以使得检测结果准确。整体上提高了流量检测的准确性。
在S202中,待检测流量数据可以是通过有线网络传输的流量数据,也可以是通过无线网络传输的流量数据。
可以理解的是,上述的无线网络或有线网络使用标准通信技术和/或协议。网络通常为因特网、但也可以是任何网络,包括但不限于局域网(Local Area Network,LAN)、城域网(Metropolitan Area Network,MAN)、广域网(Wide Area Network,WAN)、移动、有线或者无线网络、专用网络或者虚拟专用网络的任何组合)。在一些实施例中,使用包括超文本标记语言(Hyper Text Mark-up Language,HTML)、可扩展标记语言(ExtensibleMarkupLanguage,XML)等的技术和/或格式来代表通过网络交换的数据。此外还可以使用诸如安全套接字层(Secure Socket Layer,SSL)、传输层安全(Transport Layer Security,TLS)、虚拟专用网络(Virtual Private Network,VPN)、网际协议安全(InternetProtocolSecurity,IPsec)等常规加密技术来加密所有或者一些链路。在另一些实施例中,还可以使用定制和/或专用数据通信技术取代或者补充上述数据通信技术。
待检测流量数据可以在网络中各类流量管理相关的应用系统,如网间流控、WebCache、非法VoIP检测、上网日志留存中获取待检测流量。
在S204中,将待检测流量数据转化为对应的字节图像可以包括:
将待检测流量数据按照二进制的形式转换为灰度字节图像。
作为一个示例,待检测流量数据可以包括以Pcap包文件存储的流量数据,其中,Pacp包是常用的数据包存储格式,字节图像可以包括以png格式存储的字节图像,png是一种采用无损压缩算法的位图格式。
作为一个示例,将待检测流量数据待检测流量数据为n×k个字节,n和k都为常数,则转换为字节图像的行的数目为n,列的数目为k。
作为一个示例,存储流量数据的Pacp包的大小为784个字节,将784个字节的Pacp包文件按照二进制形式转化为灰度图片png,然后将灰度图片转化为numpy库中的array格式,然后统一存储为npy格式,然后将npy格式的流量数据输入训练好的流量检测模型。其中,(Numerical Python,NumPy)是Python的一种开源的数值计算扩展,Python是一种计算机编程语言,array格式是一种数组格式,npy文件是一种存放数据的文件格式。
可以理解的是,每一张png格式的图像在存储的npy格式文件中对应的一个n×k大小的矩阵称为对应的一个字节图像。
在S206中,流量检测模型可以包括由自注意力的卷积神经网络模型训练得到的。
基于相同的发明构思,本公开实施例中提供了另一种流量检测方法,该方法可以由任意具备计算处理能力的电子设备执行。图3示出了本公开实施例中另一种流量检测方法流程图,如图3所示,本公开实施例提供的另一种流量检测方法与上述实施例中流量检测方法区别在于:
在S206之前,流量检测方法还可以包括:
S302,获取多个历史流量数据;
S304,将多个历史流量数据转化为多个历史字节图像;
S306,获取多个历史字节图像中每个历史字节图像对应的历史流量数据的类型;
S308,分别将每个历史字节图像以及每个历史字节图像对应的历史流量数据的类型构建训练样本;
S310,根据多个训练样本,训练自注意力的卷积神经网络模型,直至满足训练停止条件,得到训练好的流量检测模型。
本公开实施例中,通过获取多个历史流量数据,然会将多个历史流量数据转化为多个历史字节图像,然后获取多个历史字节图像中每个历史字节图像对应的历史流量数据的类型,然后将每个历史字节图像以及每个历史字节图像对应的历史流量数据的类型构建训练样本。然后再根据每个训练样本训练自注意力的卷积神经网络,在满足训练停止条件的情况下,得到训练好的流量检测模型。由于是在利用流量检测模型对流量检测之前,首先对自注意力的卷积神经网络模型进行训练,得到训练好的流量检测模型,所以能够使得基于训练好的流量检测模型检测的结果更加准确。
在S302中,历史流量数据包括在任意历史时间段内获取的流量数据。获取历史流量数据的方法可以与获取待检测流量数据的方法相同,也可以不同。
在S304中,将历史流量数据转化为多个历史字节图像的方法可以与将待检测流量数据转化为对应的字节图像数据的方法相同,此处不再赘述。
在S306中,每个历史字节图像对应的历史流量数据的类型是准确的类型,可以是通过本公开流量检测方法之外的方法确定的。示例性的,可以通过专家研判的方式获取每个历史字节图像对应的历史流量数据的类型。
在S310中,训练停止条件可以是预先设置的条件。示例性的,训练停止条件可以是流量检测模型的损失函数值小于某一个阈值,还可以是流量检测模型进行训练的次数迭代达到某一次数,具体的训练停止条件可以根据用户需求自行选取,此处不做限定。
作为一个示例,S310具体可以包括:
将训练样本输入至自注意力的卷积神经网络模型中,得到与训练样本中的历史字节图像对应的预测流量数据的类型。
根据各训练样本的历史流量数据的类型以及预测流量数据的类型确定自注意力的卷积神经网络模型的损失函数值。
在上述损失函数值不满足训练停止条件的情况下,调整自注意力的卷积神经网络模型的模型参数,并利用训练样本训练调整参数后的自注意力的卷积神经网络模型,直至满足训练停止条件,得到训练好的流量检测模型。
为了对流量检测模型进行更好的介绍,本公开实施例提供了一种流量检测模型。图4示出了本公开实施例中一种流量检测模型结构示意图,如图4所示,本公开实施例提供的流量检测模型可以包括:
输入层、卷积层、自注意力层、池化层以及输出层。
其中,输入层、卷积层、自注意力层、池化层以及输出层依次连接,在经过多层的计算之后,最终将字节图像输出为与字节图像对应的待检测流量的流量类型。
为了对流量检测模型进行进一步的介绍,本公开实施例提供了再一种流量检测方法。该方法可以由任意具备计算处理能力的电子设备执行。图5示出了本公开实施例中再一种流量检测方法流程图,如图5所示,本公开实施例提供的再一种流量检测方法与上述实施例中流量检测方法区别在于:
S206具体可以包括:
S2062,将字节图像输入输入层中,得到第一关系式;
S2064,将第一关系式输入卷积层,以使卷积层根据第一关系式形成第一特征;
S2066,将第一特征输入注意力层,以使注意力层根据第一特征与其余特征的相关性为第一特征分配权重,得到注意力矩阵;
S2068,将注意力矩阵输入池化层,以使池化层将注意力矩阵进行最大池化操作,得到卷积核对应的第二特征;
S2070,将第二特征输入输出层,以使输出层将第二特征连接。
本公开实施例中,通过将字节图像输入到输入层,然后得到第一关系式,然后将第一关系式输入卷积层,以使卷积层根据第一关系式形成第一特征,然后将第一特征输入注意力层得到注意力矩阵,然后将注意力矩阵输入到池化层,得到卷积核对应的第二特征,最后将第二特征输入到输出层,由输出层将第二特征连接。由于是在原有的卷积神经网络中增加了自注意力层,所以能够对流量检测过程中的特征进行突出,使得基于流量检测模型检测得到的结果更加准确。
在S2062中,第一关系式为:
其中,ci为第一特征,i为常数,f为非线性函数,w为卷积核,卷积核大小为h×k,,k为字节图像列的数目,h为常数,Oi:i+h-1为从i到i+h-1个长度为k的一维的向量叠加的矩阵,b为偏差项。
可以理解的是,字节图像可以包括字节图像对应的矩阵。
作为一个示例,在得到png格式的字节图像之后,可以将png格式的字节图像转化为numpy库中的array格式,然后统一存储为npy格式,然后将npy格式的流量数据输入训练好的流量检测模型。
其中,字节图像的大小为n×k,Oi∈Rk,Rk表示第i个k维向量,R表示向量,行数为n的字节图像可以表示为公式(1)。
在S2064中,第一特征为:
ci=f(w·Oi:i+h-1+b) (2)
其中,其中,ci为第一特征,i为常数,f为非线性函数,w为卷积核,卷积核大小为h×k,,k为字节图像列的数目,h为常数,Oi:i+h-1为从i到i+h-1个长度为k的一维的向量叠加的矩阵,b为偏差项。
其中,卷积运算涉及卷积核,卷积核大小为h×k,将其应用于包含h个连续Oi的窗口以生成新特征。从Oi:i+h-1的窗口中生成特征。
其中,卷积核应用于{O1:h,O2:h+1,......On-h+1:n}中每个可能的滑动窗口以产生特征C,其中O1:h为1到h的窗口,On-h+1:n为从n-h+1到n的窗口,公式为:
C=[c1,c2,......cn-h+1]
在S2066中,注意力矩阵为:
gi=∑j≠iai,j·cj (3)
其中,gi为注意力矩阵,∑为求和符号,ai,j为注意力权重,i、j为常数,cj为第j个特征。
其中,ai,j为注意力权重,通过softmax归一化ai,j≥0且∑jai,j=1。其中,在基于自注意力的卷积神经网络的自注意力层,自注意力机制可以学习句子中每个特征与其他特征之间的相关性,并为每个特征分配权重。计分的特征被组合在注意力矩阵gi中
注意力权重ai,j计算公式为:
其中,使用点积计算相似度score(ci,cj),公式为:
其中,公式中的符号T表示转置操作。
然后通过把注意力矩阵G作为池化层的输入。即自注意力层以卷积核生成的特征图C为输入,输出注意力特征矩阵G,公式为:
G=[g1,g2,......gn-h+1]
自此,注意力层结束。
在S2068中,在基于自注意力的卷积神经网络的池化层,对特征矩阵应用最大池化操作,并取最大值max{G}作为与该特定卷积核相对应的特征。
在S2070中,在基于自注意力的卷积神经网络的输出层,将所有输出特征连接起来,传递到带有dropout层的完全连接的softmax层。
为了便于对待检测流量进行检测,本公开实施例提供了又一种流量检测方法。该方法可以由任意具备计算处理能力的电子设备执行。图6示出了本公开实施例中又一种流量检测方法流程图,如图6所示,本公开实施例提供的又一种流量检测方法与上述实施例中流量检测方法区别在于:
在S204之前,流量检测方法还可以包括:
S602,在待检测流量数据有多个的情况下,将多个待检测流量数据按照数据大小排序;
S604,将排序在前预设数量个的待检测流量数据作为目标流量数据;
S606,将目标流量数据整理成预设大小的目标流量数据。
可以理解的是,在本公开实施例中,S204,将待检测流量数据转化为对应的字节图像,可以包括:
将预设大小的目标流量数据转化为对应的字节图像。
S206具体可以包括:
将目标流量数据对应的字节图像输入至训练好的流量检测模型中,输出带检测流量的流量类型。
本公开实施例的流量检测方法中,在待检测流量数据有多个的情况下,将多个待检测流量数据按照数据大小进行排序,然后将排序在前预设数量个的待检测流量数据作为目标流量数据,然后将目标流量数据整理成预设大小的目标流量数据。由此,由于是在多个待检测流量数据中选取预设数量个待检测流量数据,并且将选取的待检测流量数据进行整理,在整理后再将其输入流量检测模型。所以能够使得流量检测模型更容易识别待检测流量数据,并对其继续进行处理。提高了流量检测的效率。
基于同一发明构思,本公开实施例中还提供了一种流量检测装置,如下面的实施例。由于该装置实施例解决问题的原理与上述方法实施例相似,因此该装置实施例的实施可以参见上述方法实施例的实施,重复之处不再赘述。
图7示出了本公开实施例中一种流量检测装置示例图,如图7所示,流量检测装置700可以包括:
第一获取模块702,用于获取待检测流量数据;
转化模块704,用于将待检测流量数据转化为对应的字节图像;
输入模块706,用于将待检测流量对应的字节图像输入至预先训练好的流量检测模型中,输出待检测流量的流量类型。
本公开的实施例所提供的流量检测装置,通过获取待检测的流量数据,然后将待检测流量数据转化为待检测的流量数据对应的字节图像。然后将待检测流量对应的字节图像输入至预先训练好的流量检测模型中,输出待检测流量的流量类型。由于是将待检测流量转化成了待检测流量对应的字节图像,所以能够在待检测流量为加密流量的情况下,避免对流量进行解密从而造成的效率较低的问题。并且,通过使用训练好的流量检测模型对流量进行检测可以使得检测结果准确。整体上提高了流量检测的准确性。
在本公开的一个实施例中,流量检测装置700还可以包括:
第二获取模块708,在将待检测流量对应的字节图像输入至预先训练好的流量检测模型中,输出述待检测流量的流量类型之前,可以用于获取多个历史流量数据;
第二转化模块710,可以用于将多个历史流量数据转化为多个历史字节图像;
第三获取模块712,可以用于获取多个历史字节图像中每个历史字节图像对应的历史流量数据的类型;
构建模块,可以用于分别将每个历史字节图像以及每个历史字节图像对应的历史流量数据的类型构建训练样本;
根据多个训练样本,训练自注意力的卷积神经网络模型,直至满足训练停止条件,得到训练好的流量检测模型。
在本公开的一个实施例中,流量检测模型可以包括输入层、卷积层、自注意力层、池化层以及输出层;
输入模块706,可以包括:
第一输入单元,可以用于将字节图像输入输入层中,得到第一关系式;
第二输入单元,可以用于将第一关系式输入卷积层,以使卷积层根据第一关系式形成第一特征;
第三输入单元,可以用于将第一特征输入注意力层,以使注意力层根据第一特征与其余特征的相关性为第一特征分配权重,得到注意力矩阵;
第四输入单元,可以用于将注意力矩阵输入池化层,以使池化层将注意力矩阵进行最大池化操作,得到卷积核对应的第二特征;
第五输入单元,可以用于将第二特征输入输出层,以使输出层将第二特征连接。
在本公开的一个实施例中,第一关系式为:公式(1)。
其中,Oi为第i个长度为k的一维的向量,i为常数,n为字节图像行的数目,k为字节图像列的数目,O1:n为从1到n个长度为k的一维的向量叠加的矩阵,为连接运算符。
在本公开的一个实施例中,第一特征为:公式(2)。
其中,ci为第一特征,i为常数,f为非线性函数,w为卷积核,卷积核大小为h×k,,k为字节图像列的数目,h为常数,Oi:i+h-1为从i到i+h-1个长度为k的一维的向量叠加的矩阵,b为偏差项。
在本公开的一个实施例中,注意力矩阵为:公式(3)。
其中,gi为注意力矩阵,∑为求和符号,ai,j为注意力权重,i、j为常数,cj为第j个特征。
在本公开的一个实施例中,流量检测装置还可以包括:
排序模块714,在将待检测流量数据转化为字节图像之前,可以用于在待检测流量数据有多个的情况下,将多个待检测流量数据按照数据大小排序;
确定模块716,可以用于将排序在前预设数量个的待检测流量数据作为目标流量数据;
整理模块718,可以用于将目标流量数据整理成预设大小的目标流量数据;
第一转化模块,可以包括:
第一转化单元,可以用于将预设大小的目标流量数据转化为对应的字节图像。
本公开实施例提供的终端认证装置,可以用于执行上述各方法实施例提供的流量检测方法,其实现原理和技术效果类似,为简便起见,在此不再赘述。
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8来描述根据本公开的这种实施方式的电子设备800。图8显示的电子设备800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8所示,电子设备800以通用计算设备的形式表现。电子设备800的组件可以包括但不限于:上述至少一个处理单元810、上述至少一个存储单元820、连接不同系统组件(包括存储单元820和处理单元810)的总线830。
其中,存储单元存储有程序代码,程序代码可以被处理单元810执行,使得处理单元810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,处理单元810可以执行上述方法实施例的如下步骤:
获取待检测流量数据;
将待检测流量数据转化为对应的字节图像;
将待检测流量对应的字节图像输入至预先训练好的流量检测模型中,输出待检测流量的流量类型。
存储单元820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)8201和/或高速缓存存储单元8202,还可以进一步包括只读存储单元(ROM)8203。
存储单元820还可以包括具有一组(至少一个)程序模块8205的程序/实用工具8204,这样的程序模块8205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830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800也可以与一个或多个外部设备840(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800交互的设备通信,和/或与使得该电子设备800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850进行。并且,电子设备800还可以通过网络适配器860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860通过总线830与电子设备800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800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。
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,该计算机可读存储介质可以是可读信号介质或者可读存储介质。其上存储有能够实现本公开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,当程序产品在终端设备上运行时,程序代码用于使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。
本公开中的计算机可读存储介质的更具体的例子可以包括但不限于:具有一个或多个导线的电连接、便携式计算机磁盘、硬盘、随机访问存储器(RAM)、只读存储器(ROM)、可擦式可编程只读存储器(EPROM或闪存)、光纤、便携式紧凑磁盘只读存储器(CD-ROM)、光存储器件、磁存储器件、或者上述的任意合适的组合。
在本公开中,计算机可读存储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。
可选地,计算机可读存储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。
在具体实施时,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,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)。
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。
此外,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。
通过以上实施方式的描述,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、移动终端、或者网络设备等)执行根据本公开实施方式的方法。
本领域技术人员在考虑说明书及实践这里公开的发明后,将容易想到本公开的其它实施方案。本公开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所附的权利要求指出。
Claims (10)
1.一种流量检测方法,其特征在于,包括:
获取待检测流量数据;
将所述待检测流量数据转化为对应的字节图像;
将所述待检测流量对应的字节图像输入至预先训练好的流量检测模型中,输出所述待检测流量的流量类型。
2.根据权利要求1所述的方法,其特征在于,在将所述待检测流量对应的字节图像输入至预先训练好的流量检测模型中,输出述待检测流量的流量类型之前,所述方法还包括:
获取多个历史流量数据;
将多个所述历史流量数据转化为多个历史字节图像;
获取所述多个历史字节图像中每个历史字节图像对应的历史流量数据的类型;
分别将每个历史字节图像以及每个历史字节图像对应的历史流量数据的类型构建训练样本;
根据多个所述训练样本,训练自注意力的卷积神经网络模型,直至满足训练停止条件,得到所述训练好的流量检测模型。
3.根据权利要求1所述的方法,其特征在于,所述流量检测模型包括输入层、卷积层、自注意力层、池化层以及输出层;
将所述待检测流量对应的字节图像输入至预先训练好的流量检测模型中,具体包括:
将所述字节图像输入输入层中,得到第一关系式;
将所述第一关系式输入所述卷积层,以使所述卷积层根据所述第一关系式形成第一特征;
将所述第一特征输入所述注意力层,以使所述注意力层根据所述第一特征与其余特征的相关性为所述第一特征分配权重,得到注意力矩阵;
将所述注意力矩阵输入所述池化层,以使所述池化层将所述注意力矩阵进行最大池化操作,得到卷积核对应的第二特征;
将所述第二特征输入所述输出层,以使所述输出层将所述第二特征连接。
4.根据权利要求3所述的方法,其特征在于,所述第一关系式为:
其中,Oi为第i个长度为k的一维的向量,i为常数,n为字节图像行的数目,k为字节图像列的数目,O1:n为从1到n个长度为k的一维的向量叠加的矩阵,为连接运算符。
5.根据权利要求3所述的方法,其特征在于,所述第一特征为:
ci=f(w·Oi:i+h-1+b)
其中,ci为第一特征,i为常数,f为非线性函数,w为卷积核,卷积核大小为h×k,,k为字节图像列的数目,h为常数,Oi:i+h-1为从i到i+h-1个长度为k的一维的向量叠加的矩阵,b为偏差项。
6.根据权利要求3所述的方法,其特征在于,所述注意力矩阵为:
其中,gi为注意力矩阵,∑为求和符号,ai,j为注意力权重,i、j为常数,cj为第j个特征。
7.根据权利要求1所述的方法,其特征在于,在将所述待检测流量数据转化为字节图像之前,所述方法还包括:
在所述待检测流量数据有多个的情况下,将多个所述待检测流量数据按照数据大小排序;
将排序在前预设数量个的待检测流量数据作为目标流量数据;
将所述目标流量数据整理成预设大小的目标流量数据;
将所述待检测流量数据转化为对应的字节图像,包括:
将所述预设大小的目标流量数据转化为对应的字节图像。
8.一种流量检测装置,其特征在于,包括:
第一获取模块,用于获取待检测流量数据;
第一转化模块,用于将所述待检测流量数据转化为对应的字节图像;
输入模块,用于将所述待检测流量对应的字节图像输入至预先训练好的流量检测模型中,输出所述待检测流量的流量类型。
9.一种电子设备,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,所述处理器配置为经由执行所述可执行指令来执行权利要求1~7中任意一项所述流量检测方法。
10.一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1~7中任意一项所述的流量检测方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210635224.4A CN117240483A (zh) | 2022-06-06 | 2022-06-06 | 流量检测方法、装置、设备及存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210635224.4A CN117240483A (zh) | 2022-06-06 | 2022-06-06 | 流量检测方法、装置、设备及存储介质 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN117240483A true CN117240483A (zh) | 2023-12-15 |
Family
ID=89086710
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202210635224.4A Pending CN117240483A (zh) | 2022-06-06 | 2022-06-06 | 流量检测方法、装置、设备及存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN117240483A (zh) |
-
2022
- 2022-06-06 CN CN202210635224.4A patent/CN117240483A/zh active Pending
Similar Documents
Publication | Publication Date | Title |
---|---|---|
WO2020220823A1 (zh) | 用于构建决策树的方法和装置 | |
CN110929806B (zh) | 基于人工智能的图片处理方法、装置及电子设备 | |
WO2021196935A1 (zh) | 数据校验方法、装置、电子设备和存储介质 | |
CN112883990A (zh) | 数据分类方法及装置、计算机存储介质、电子设备 | |
CN115019237A (zh) | 多模态情感分析方法、装置、电子设备及存储介质 | |
CN114282511A (zh) | 一种文本去重方法、装置、电子设备和存储介质 | |
CN114650179A (zh) | 风险数据监测方法、装置、系统、电子设备及存储介质 | |
CN114338129A (zh) | 一种报文异常检测方法、装置、设备及介质 | |
CN113420295A (zh) | 恶意软件的检测方法及装置 | |
CN115758211B (zh) | 文本信息分类方法、装置、电子设备和存储介质 | |
CN115345279B (zh) | 多指标异常检测方法、装置、电子设备及存储介质 | |
CN115102779B (zh) | 预测模型的训练、访问请求的决策方法、装置、介质 | |
CN117240483A (zh) | 流量检测方法、装置、设备及存储介质 | |
CN112688897A (zh) | 一种流量识别的方法、装置、存储介质及电子设备 | |
KR102613084B1 (ko) | 침입을 탐지하는 전자 장치 및 그 방법 | |
CN115622787A (zh) | 异常流量检测方法、装置、电子设备及存储介质 | |
CN111565311B (zh) | 网络流量特征生成方法及装置 | |
CN116383391B (zh) | 一种文本分类方法及装置 | |
CN115600216B (zh) | 检测方法、装置、设备及存储介质 | |
CN114237962B (zh) | 告警根因判断方法、模型训练方法、装置、设备和介质 | |
CN116708313B (zh) | 流量检测方法、流量检测装置、存储介质和电子设备 | |
US20240202325A1 (en) | System and Method for Explainable Anomaly Detection | |
CN117424837A (zh) | 网络流量检测方法、装置、电子设备及存储介质 | |
CN117294500A (zh) | 网络安全字典数据集构建方法、装置、设备及存储介质 | |
CN114662129B (zh) | 数据分片安全评估方法、装置、存储介质及电子设备 |
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 |