CN119484065A 基于深度神经网络的网络安全态势感知方法 （四川大学）

基于深度神经网络的网络安全态势感知方法本申请涉及一种基于深度神经网络的网络时序数据集训练基于样本卷积与交互模块的深2基于门控循环单元和变分自编码器构建态势要素提取模型，将所基于所述网络安全攻击要素采用Bi_LSTM模型进行特征提取，并采用基于注意力机制采用一维卷积神经网络、批量规范化层和ReLU函数构建网络安全态基于所述网络安全攻击要素和态势评估结果构成多维时序数据集，数据集训练基于样本卷积与交互模块的深度神经网络安全将当前态势数据输入训练好的深度神经网络安全态势预测模述基于门控循环单元和变分自编码器构建态势要素提取模使用随机权重平均的集成策略优化所述态势要素提取模型的训练述采用基于注意力机制的concat特征融合方法进行特征级使用concat进行特征向量的拼接，将拼接得到的基于所述注意力分数确定注意力权重，基于所述注意力权重和拼述基于样本卷积与交互模块的深度神经网络安全态势预测模型由多个基于样本卷积与交述基于所述多维时序数据集训练基于样本卷积与交互模块的深度神经网络安全态势预测3态势要素提取模块，用于基于门控循环单元和变分自编码器构建态势要素提取模型，态势评估模块，用于采用一维卷积神经网络、批量规范化层和ReLU态势预测模型训练模块，用于基于所述网络安全攻击要素和态势评9.一种计算机设备，包括存储器和处理器，所述存储器存被处理器执行时实现权利要求1至7中任一项所述的4深度学习领域的无监督异常检测。态势评估通常利用数学模型等工具对当前状态进行评预测准确性的基于深度神经网络的网络安全[0010]基于所述网络安全攻击要素采用Bi_LSTM模型进行特征提取，并采用基于注意力[0011]采用一维卷积神经网络、批量规范化层和ReLU函数构建5时序数据集训练基于样本卷积与交互模块的深度神[0019]使用concat进行特征向量的拼接，将拼接得到的特征向量与注意力矩阵进行运络安全态势预测模型由多个基于样本卷积与交互单元的神经6所述网络安全攻击要素采用Bi_LSTM模型进行特征提取，并采用基于注意力机制的concat单模型集成策略优化模型训练提高态势要素提取模型的鲁棒性和泛化能力以防范对抗攻入的一段时间的态势要素数据及态势评估结果数据给出未来一段时间的态势要素预测和列建模时存在梯度消失或梯度爆炸可能性、部分模型在建模过程中容易丢失信息等问题，[0042]图6为一个实施例中基于深度神经网络的网络安全态势感知方法具体步骤的流程7104可以用独立的服务器或者是多个服务器组成的服务器集8[0057]在本申请的一个实施例中，所述将所述初始数据集输入为运行态势要素、攻击态势要素和危害性态势要素。对不同类型的态势要素数据使用Bi_[0068]ei=F.9[0081]最后，将特征进行全连接并使用softmax函数输出该时间段内网络安全态势的等述多维时序数据集训练基于样本卷积与交互模块的深度神经网络安全态势本卷积与交互模块的深度神经网络安全态势预络安全态势预测模型由多个基于样本卷积与交互单元的神经交互模块的深度神经网络安全态势预测模型将多个基于样本卷积与交互的神经网络堆叠于所述网络安全攻击要素采用Bi_LSTM模型进行特征提取，并采用基于注意力机制的单模型集成策略优化模型训练提高态势要素提取模型的鲁棒性和泛化能力以防范对抗攻入的一段时间的态势要素数据及态势评估结果数据给出未来一段时间的态势要素预测和列建模时存在梯度消失或梯度爆炸可能性、部分模型在建模过程中容易丢失信息等问题，[0102]下面以一个具体实施例说明本申请的基于深度神经网络的网络安全态势感知方评估模型，将所述融合特征向量输入所述网络安全态势评估模型，得到态势评估结果。于所述多维时序数据集训练基于样本卷积与交互模块的深度神经网络安全态势预测模型。个或多个基于深度神经网络的网络安全态势感知装置实施例中的具体限定可以参见上文[0110]态势要素提取模块703，用于基于门控循环单元和变分自编码器构建态势要素提[0113]态势预测模型训练模块709，用于基于所述网络安全攻击要素和态势评估结果构[0114]网络安全态势感知模块711，用于将当前态势数据输入训练好的深度神经网络安[0120]使用concat进行特征向量的拼接，将拼接得到的特征向量与注意力矩阵进行运势预测模型由多个基于样本卷积与交互单元[0127]上述基于深度神经网络的网络安全态势感知装置中的各个模块可全部或部分通机设备的通信接口用于与外部的终端进行有线或无线方式的通信，无线方式可通过WIFI、机程序被处理器执行时实现上述各方法实施例中非易失性和易失性存储器中的至少一种。非易失性存储器可包括只读存储器(Read_Only(ReRAM)、磁变存储器(MagnetoresistiveRandomAccessMemory，MRAM)、铁电存储器(FerroelectricRandomAccessMemory，FRAM)、相变存储器(PhaseChangeMemory，PCM)、石墨烯存储器等。易失性存储器可包括随机存取存储器(RandomAccessMemory，库和非关系型数据库中至少一种。非关系型数据库可包括基于区块链的分布式数据库等，