公开(公告)号：CN114363195B

公开(公告)日：2024-06-07

申请号：CN202210026617.5

申请日：2022-01-11

Applicant: 北京工业大学

Inventor： 毕敬 ,  张翔 ,  徐康原

IPC: H04L41/147 ,  H04L41/16 ,  G06N3/0464 ,  G06N3/0442 ,  G06N3/08

Abstract: 本发明涉及一种面向时间和频谱残差卷积网络的网络流量预测预警方法。首先，提取出西班牙维基百科网站一年的流量时序数据，并对该历史数据作对数处理，使用Savitzky‑Golay滤波器进行平滑去噪。其次，对数据进行归一化操作，并采用滑动窗口将归一化后的数据转换成有监督数据。再次，构建集成网络流量预测模型T‑LSTM，通过对网络流量数据的迭代训练，优化模型参数，进而得到预测模型，并获取精度较高的网络流量预测结果。在此基础上，将预测结果通过频谱残差变换成显著性图并向其人工注入点，该点被标记为异常，其它点则标记为正常。最后，用卷积神经网络对新生成的合成数据进行建模，学习判别规则进而实现预警功能。

公开(公告)号：CN115694985A

公开(公告)日：2023-02-03

申请号：CN202211344093.0

申请日：2022-10-31

Applicant: 北京工业大学

Inventor： 徐康原 ,  毕敬

IPC: H04L9/40 ,  H04L41/147 ,  G06N3/0442 ,  G06N3/045 ,  G06N3/0464 ,  G06N3/049 ,  G06N3/09

Abstract: 本发明涉及一种基于时间卷积网络和多头注意力机制的网络攻击预测方法，特别是一种基于结合时间卷积神经网络(Temporal Convolutional Network,TCN)，多头注意力机制(Multi‑head SelfAttention)和双向门控循环神经网络(Bi‑direction Gated Recurrent Unit，Bi‑GRU)的混合网络攻击预测方法TMB。首先，对原始数据采用Savitzky‑Golay滤波器去除噪声。其次，将数据使用归一化操作，并通过滑动窗口将归一化后的数据转化为有监督数据。再次，搭建混合网络攻击模型TMB，该模型由TCN，多头注意力机制和Bi‑GRU组成。通过模型对网络攻击数据的迭代训练，最终得到预测模型。最后，利用该模型预测未来的网络攻击数量，最终获取准确度较高的网络攻击预测结果。

公开(公告)号：CN115694985B

公开(公告)日：2024-07-09

申请号：CN202211344093.0

申请日：2022-10-31

Applicant: 北京工业大学

Inventor： 徐康原 ,  毕敬

IPC: H04L9/40 ,  H04L41/147 ,  G06N3/0442 ,  G06N3/045 ,  G06N3/0464 ,  G06N3/049 ,  G06N3/09

Abstract: 本发明涉及一种基于时间卷积网络和多头注意力机制的网络攻击预测方法，特别是一种基于结合时间卷积神经网络(Temporal Convolutional Network,TCN)，多头注意力机制(Multi‑head SelfAttention)和双向门控循环神经网络(Bi‑direction Gated Recurrent Unit，Bi‑GRU)的混合网络攻击预测方法TMB。首先，对原始数据采用Savitzky‑Golay滤波器去除噪声。其次，将数据使用归一化操作，并通过滑动窗口将归一化后的数据转化为有监督数据。再次，搭建混合网络攻击模型TMB，该模型由TCN，多头注意力机制和Bi‑GRU组成。通过模型对网络攻击数据的迭代训练，最终得到预测模型。最后，利用该模型预测未来的网络攻击数量，最终获取准确度较高的网络攻击预测结果。

公开(公告)号：CN114363195A

公开(公告)日：2022-04-15

申请号：CN202210026617.5

申请日：2022-01-11

Applicant: 北京工业大学

Inventor： 毕敬 ,  张翔 ,  徐康原

IPC: H04L41/147 ,  H04L41/16 ,  G06N3/04 ,  G06N3/08

Abstract: 本发明涉及一种面向时间和频谱残差卷积网络的网络流量预测预警方法。首先，提取出西班牙维基百科网站一年的流量时序数据，并对该历史数据作对数处理，使用Savitzky‑Golay滤波器进行平滑去噪。其次，对数据进行归一化操作，并采用滑动窗口将归一化后的数据转换成有监督数据。再次，构建集成网络流量预测模型T‑LSTM，通过对网络流量数据的迭代训练，优化模型参数，进而得到预测模型，并获取精度较高的网络流量预测结果。在此基础上，将预测结果通过频谱残差变换成显著性图并向其人工注入点，该点被标记为异常，其它点则标记为正常。最后，用卷积神经网络对新生成的合成数据进行建模，学习判别规则进而实现预警功能。