买专利卖专利找龙图腾，真高效！ 查专利查商标用IPTOP,全免费！专利年费监控用IP管家,真方便！

申请/专利权人：南昌大学

摘要：本发明涉及机器学习领域，提出了一种基于图表征的网络流量异常检测方法及系统，通过设计一种图神经网络模型，从网络流量数据集的图结构中获取图表征，有效地捕捉到网络中的异常模式，精准地识别到潜在的网络攻击行为和异常流量活动，再通过设计一种融合图表征的随机森林模型，降低了待处理样本规模，同时还可进行并行化计算，极大地提高了网络流量异常检测的效率。

主权项：1.一种基于图表征的网络流量异常检测方法，其特征在于，包括：采集网络流量数据并进行预处理，以获取网络流量数据集；根据所述网络流量数据集提取图结构，所述图结构包括节点集、边集和边属性矩阵，对所述节点集进行异常节点标注，再将所述图结构输入图神经网络模型以获取图表征，所述图神经网络模型包括单层卷积层、多层图卷积层、多层线性层和全连接层；所述单层卷积层为一维卷积层，将所述图结构节点集中的每个节点v映射为维度为d的嵌入向量，d表示单个节点中的特征个数，d为400，所述嵌入向量的表示如下： 其中，表示第i个节点的嵌入向量，i∈{1,2,...,N}，N表示节点集中节点的总数；所述多层图卷积层包括多层聚合模块，所述多层聚合模块将所述图结构节点集中的单个节点及其相邻节点间的信息进行聚合，以获取多尺度节点特征，所述多层图卷积层的层传播公式如下： 其中，为非线性激活函数，为邻接矩阵，为添加自连接，为的度矩阵，为第l层的特征表示，为第l+1层的特征表示，为第l层的可学习滤波器参数；所述多层线性层根据如下公式进行多尺度节点特征拼接： 其中，为前一层线性层的输出，为初始线性层的输入，为权重矩阵；所述全连接层输出节点的二分类预测结果，以获取图表征；根据FocalLoss函数进行损失计算，所述FocalLoss函数如下： 其中，为预测值与目标值的差距，表示预测值，ɑ为调整类别权重的调节因子，γ表示调整简单样本损失贡献的调节因子，设置γ=2，ɑ=0.25，y为样本的真实值，y＝1表示正样本，y＝0表示负样本；对所述图表征进行增强处理，再将增强后的所述图表征进行聚类，以获取多个不同图表征类别的子数据集，将所述子数据集输入随机森林模型中，所述随机森林模型根据加权预测算法获取最终网络流量异常检测结果。

全文数据：

权利要求：

百度查询： 南昌大学 一种基于图表征的网络流量异常检测方法及系统