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：国网江西省电力有限公司萍乡供电分公司;国家电网有限公司

摘要：本发明公开了一种基于AE‑SVM模型的分布式拒绝服务攻击网络异常检测方法，所述异常检测方法包含分布式拒绝服务攻击网络异常数据；以及AE‑SVM模型检测分布式拒绝服务攻击的过程：进入步骤201，将数据集输入，进入步骤202，对测量的非数值数据采用标签编码进行排列，进入步骤203，对数据进行标准化，进入步骤204，使用AE模型进行编码，然后进入步骤205，使用SVM进行分类。本发明考虑了厂站的电力监控系统网络安全受到ddos攻击时入侵检测的实时性，能够更快速有效地检测厂站电力监控系统中的分布式拒绝服务攻击网络异常。

主权项：1.一种基于AE-SVM模型的分布式拒绝服务攻击网络异常检测方法，其特征在于：所述异常检测方法包含：分布式拒绝服务攻击网络异常数据；以及AE-SVM模型检测分布式拒绝服务攻击的过程；进入步骤201，将数据集输入，在使用的CICIDS数据集中有5个非数字特征和82个数字特征；进入步骤202，对测量的非数值数据采用标签编码进行排列，以便AE-SVM正常工作，在编辑过程中，检查了降升比、标志计数、协议和标志信息，标志和向下向上信息分别传输到数据集，这些数据被标记为0和1，协议用协议号标记，协议标有协议编号，流ID，源IP，目标IP，时间戳和SimillarHTTP字段被直接丢弃，因为它们被放置在数据集中；训练特征向量的16902行包含87种不同的网络流量测量数据，针对每个测量值标记训练向量中的每一行，数据集中的测量值和标签如式1所示： 在式1中，x表示包含87个特征数据的向量，而y包含标记数据，此外，通过执行DDOS攻击获得的未标记数据如等式2所示： 在式2中，xu是指当流量实际上生成时的数据行，yu被标识为DDOS攻击线，因为已知它们是DDOS攻击；进入步骤203，对数据进行标准化，CICIDS数据集中数据的最小值和最大值在每列中都是不同的，由于这些差异，分类器不能产生良好的分类效果，分类器的每个输入都在一定范围内，这一事实提高了分类器的精度，执行最小-最大标准化，使数据集每列中的值介于0和1之间，公式3用于此计算： 在式3中xc，i表示数据集中标准化的每个值，数据集的最小值用min表示，最大值用max表示，因此，xc，i值在0和1之间归一化，索引c表示训练数据集中的列，而i表示第c列的行，为每列计算的最小值和最大值用于标准化测试阶段的数据；进入步骤204，使用AE模型进行编码，使特征降维，在AE中，输入层和输出层具有相同数量的单位，并且它们包含的单位与特征向量元素的数量相同，隐藏层包含与训练前定义的瓶颈数一样多的单元，AE可以从输入数据向量中学习有效定义的瓶颈维度属性，该过程自动提取出适合低维特征的高效特征，AE的特征提取和降维包括两个步骤，它们是编码和解码，在编码步骤中，X输入数据与隐藏单元的表示相匹配，如等式4所示：h＝gWX+b4在式4中，X代表高维输入向量，W为权重矩阵，b为偏差值，g为AE函数，输入向量用这个函数编码，在编码过程的最后，得到了低维h向量，W表示大小为MxN的权重矩阵，偏差值以Mx1和Nx1维表示，Bias偏差尝试学习并重新配置输出值，使其等于每个X输入向量，当得到的同一函数相等时，AE模型学习使输出函数与输入函数相似；应用反向传播算法来获得AE、权重矩阵和偏差值的最佳值，以最小化公式5中表示的成本函数； 式5的第一项是指所有m个输入数据的均方误差之和，第二项用于调整隐藏单元和输出单元的权重，以提高性能和预测，第二项也是一个权重降低参数，有助于防止等式中的过度学习，方程中的最后一项是少数惩罚项，它对隐藏层施加限制，以保持较低的平均激活值，KL表示Kullback-Leibler发散，KL由式6计算： 在等式中6，p是约束参数，范围是0到1，当p＝p'时，KLp\p'达到最小值，在等式p'中，表示出了所有训练输入x上的隐藏单元j的平均激活值，在通过将AE应用于未标记数据xu来学习W权重矩阵和b偏差向量的最合适值之后，将评估标记数据x，y的a＝h属性表示，表达式h是编码特征的简化向量表示，选择激活函数gt作为Sigmoid函数，此函数的输出范围在0到1之间，它由等式7计算得出： 在式7中，隐藏层和输出层中节点的激活用于hW，b，然后进入步骤205，使用SVM进行分类，将编码后的特征向量转移到向量y，即SVM分类器的输入向量，这些在分类中没有任何贡献的特征通过编码过程被消除，支持向量机分类器的分类性能随着特征集的减少而提高；支持向量机分类器是由VapnikChervonenkis开发的，它基于统计学习理论和受控机器学习算法，该算法利用第一个非线性选择映射将输入域转换为高维属性域，该算法利用选定的非线性映射将输入向量转化为高维属性向量，在这个向量中，得到了一个微分超平面，计算了不同类的最近向量到超平面的距离最大的向量，包含所获得的N元特征向量的训练数据由式8表示：X＝{x1，x2，...，xN}8式8中的每个x代表编码特征，式7用于从X特征向量中获得一个超平面，该向量是通过组合特征来创建的；ω.xi+b≥1，ω.xi+b＜19式9中b的值表示超平面的阈值参数和超平面的正常计算值，得到的两个平面之间的距离为1||ω||；为了执行分类过程，必须提供两个平面之间的最大距离，||ω||值必须为最小值，才能达到最大距离，拉格朗日函数用于求[12||ω||]的最小值，利用拉格朗日函数优化的最小值，由式10得到最合适的超平面： 在等式中10，αi是拉格朗日乘数，此参数用于优化，交易产生的决策函数用公式11表示； 式11中表示的fx是支持向量机分类器的径向基函数RBF，用RBF神经网络对输入向量进行分类。

全文数据：

权利要求：

百度查询： 国网江西省电力有限公司萍乡供电分公司 国家电网有限公司 一种基于AE-SVM模型的分布式拒绝服务攻击网络异常检测方法