一种基于对抗掩码的网络流量异常检测系统与方法.pdf
宜欣****外呢
亲,该文档总共14页,到这已经超出免费预览范围,如果喜欢就直接下载吧~
相关资料
一种基于对抗掩码的网络流量异常检测系统与方法.pdf
本发明公开了一种基于对抗掩码的网络流量异常检测系统与方法,涉及网络流量异常检测领域,所述系统包括上游的前置模型和下游的分类检测模型;前置模型包括对抗掩码生成模块、编码器网络、特征向量评估模块和掩码向量评估模块;分类检测模型包括训练过的编码器网络,以及分类器。所述方法包括:步骤1、对原始数据集进行数据预处理;步骤2、构建对抗掩码生成模块;步骤3、应用预先设计的对抗攻击算法,对训练数据集中的每一个原始样本生成一个相应的对抗样本;步骤4、完成编码器网络以及特征向量评估模块和掩码向量评估模块的训练;步骤5、将分类
基于生成对抗网络的半监督网络流量异常检测方法.pdf
本发明提供了一种基于生成对抗网络的半监督网络流量异常检测方法,首先将网络流量特征进行工程化,即对于字符特征使用one‑hot编码,对于数值特征用归一化处理,再将处理后的特征输入聚合模块中形成新特征进入生成对抗网络,最后通过计算生成对抗网络中两个隐藏向量的重构误差判断流量是否异常。本发明的方法能将数据从高维转向低维空间的同时能更加有效地保留流量特征信息,在解决有监督深度学习无法识别未知流量的同时提升异常网络流量检测的精确度。
一种基于对抗学习的监控视频异常检测方法及系统.pdf
本发明公开了一种基于对抗学习的监控视频异常检测方法及系统,该方法包括两部分,第一部分将实时视频样本帧送到特征提取网络中,将样本的特征与记忆模块中的特征进行相似度比较,对记忆模块中的特征进行更新与读取,第二部分将从记忆模块中读取的特征与特征读取网络得到的特征进行基于通道的拼接,送入解码器得到重构后的图片,通过重构误差,得到判断此视频序列中视频样本帧正常与否的异常分数。本发明通过基于初步特征提取网络、深度特征提取分类网络以及全卷积神经网络构建视频异常帧检测模型,然后应用视频异常帧检测模型,完成视频样本帧正常或
一种基于机器学习模型优化的异常网络流量检测方法.pdf
本发明公开了一种基于机器学习模型优化的异常网络流量检测方法,其特征在于,包括以下步骤:根据网络节点获取网络流量,统计网络流量大小并进行保存;根据历史存储流量数据构建流量矩阵;搭建3‑sigma模型,根据节点历史流量生成节点流量数据异常分布;搭建深度聚类算法模型,进行历史流量深度聚类模型训练;获取节点实时流量,先进行3‑sigma模型异常流量判别,如果为异常然后进入深度聚类模型进行异常流量预测。本发明基于数据挖掘技术和机器学习算法根据历史流量数据进行建模,可以实时高效的进行当前流量的检测,从而达到大规模服务
一种基于特征降维的移动网络流量异常检测方法及系统.pdf
本发明公开了一种基于特征降维的移动网络流量异常检测方法及系统,包括:根据城市基站分布,将城市区域划分为M×N的网格区域,使用pandas聚合每个网格区域的蜂窝流量值,得以小时为单位的蜂窝流量总值;将检测时间段划分为K个时隙,形成时间序列向量,将所述时间序列向量作为原始蜂窝流量向量x