CN119071052B 交换机的网络异常监测方法及系统 （深圳市步来克科技有限公司）

街道香蜜社区香蜜湖北岸B303-0034号香蜜湖1979文化街A区3层A3栋3层A,2023.08.25A,2023.09.05A,2024.08.09A,2024.07.302对所述预处理网络流量数据进行多尺度特征提取和特征降维，得到基于所述融合特征向量训练交换机级模型和中央模型；所述交换通过交换机级模型对网络交换机的实时网络流量数据进行预处理后的实时预处理数对所述初步异常检测结果和所述深度异常检测结果进行时空关联分析基于所述综合异常分析报告生成自适应防御策略，对所述预处理网络流量数据进行多尺度滑动窗口分割，并计算对所述预处理网络流量数据进行离散小波变换，并提取多分辨率根据所述初始特征向量设计多层自编码器网络结构，训练自编对所述融合特征向量进行分割，按照预设比例划分为交换机级训根据所述交换机级训练数据初始化自适应隔离森林模型，设置初始参数和树的数量，基于联邦学习框架，在每个参与训练的网络交换机上使用本地数据3对所述本地更新模型的参数进行加密，然后采用安全聚合算法将加密后将所述全局交换机级模型分发给各参与训练的网络交换机，进行下一轮的本地训练，根据所述中央训练数据构建LSTM网络结构，得到初始LSTM模型，所在所述初始LSTM模型的LSTM层之后添加注意力层，计算不对所述注意力增强的LSTM模型使用反向传播算法进行训练，最小将所述原始异常分数和预设阈值进行比较，判断是否触发异常警对所述初步异常标记进行快速分类，根据预定义的规则集将异常分为不同类将所述初步异常标记、所述初步异常类型和对应的上下文信息组合对所述实时预处理数据进行特征提取和转换，使其符合中央模型的输将所述中央模型输入数据输入到所述中央模型中，通过LSTM网络进行时序对所述时序特征进行注意力机制分析，并计算不同时间步的重要性对所述实时预处理数据进行特征标准化处理，得到标准化特征向量对所述样本路径长度集合进行统计分析，计算平均路径长度和标准差根据所述路径长度统计特征设计自适应阈值函数，对样本路径长度进行归一化处理，4对所述初始异常得分进行指数平滑处理，得到平滑异常得分，并对所述平滑异常得分和所述异常分布参数进行贝叶斯推断，计算后验概率分根据所述校正异常得分设计多级预警机制，对异常程度进行量化根据所述初步异常检测结果和所述深度异常检测结果构建时间序列根据网络拓扑信息和异常事件涉及的网络实体，构建空间关系对所述异常事件空间分布图进行图卷积神经网络处理，将所述时间关联矩阵和所述空间关联矩阵进行张量融合，构建时收集网络设备日志、安全设备告警的多源异构数据，基于所述标准化多源数据和所述综合关联表示，构建异常事件知识图对所述初始知识图谱进行图嵌入分析，将节点和关系映射到低维向对所述综合异常分析报告进行特征提取，得到异常特征向量，并根据基于所述初始策略集和历史防御效果数据，构建包括状态空间对所述候选防御策略进行可行性分析，得到可行性评分，并根据所述5将所述自适应防御策略转化为配置指令，得到防御执行指采集模块，用于采集网络交换机的历史网络流量数据并进行预特征提取模块，用于对所述预处理网络流量数检测模块，用于通过交换机级模型对网络交换机的实时网络流分析模块，用于对所述初步异常检测结果和所述深度异常检测结果进行时空关联分执行模块，用于基于所述综合异常分析报告生成自适应防御策略所述至少一个处理器调用所述存储器中的所述指令，以使得所述电子设备执所述指令被处理器执行时实现如权利要求1_7中任一项所述的交换机的网络异常监测方6[0007]对所述预处理网络流量数据进行多尺度特征提取和特征降维，得到融合特征向[0010]对所述初步异常检测结果和所述深度异常检测结果进行时空关联分析和多源数[0014]特征提取模块，用于对所述预处理网络流量数据进行多尺度特征提取和特征降78协议如SNMP(简单网络管理协议)或NetFlow技术，自动化地从网络交换机中收集到所需的9中央模型的构建过程中，使用中央训练数据构建一个LSTM网络结构，得到初始LSTM模型。个注意力增强的LSTM模型。注意力机制可以帮助模型更好地关注时间序列中的关键部分，[0040]步骤500、对初步异常检测结果和深度异常检测结果进行时空关联分析和多源数集包括详细的配置步骤和参数设置，通过网络管理协议(如S到信号中的局部特征和瞬态变化。离散小波变换通过尺度函数和小波函数对信号进行分征向量为x，自编码器的编码部分通过一系列非线性变换将其映射到一个低维潜在空间表[0061]根据交换机级训练数据初始化自适应隔离森林模型，设[0064]将全局交换机级模型分发给各参与训练的网络交换机，[0070]具体的，融合特征向量按照预设比例分割为交换机级训练数据和中央训练数[0088]在一具体实施例中，执行步骤基于交换机级模型对实时预处理数据计算异常分[0092]根据路径长度统计特征设计自适应阈值函数，对样本路了异常事件在网络中的地理分布或网络节点间的连接关系。每个节点代表一个网络实体，使得图结构信息能够被机器学习模型利用。图嵌入的目的是保留图的拓扑结构和属性信择的动作能够最大化累积奖励。在防御策略学习环境中，使用深度Q网络算法进行策略训[0130]特征提取模块12，用于对预处理网络流量数据进行多尺[0135]通过上述各个组成部分的协同合作，通过对网络流量数[0139]所述集成的单元如果以软件功能单元的形式实现并作为独立的产品销售或使用或