-
公开(公告)号:CN111526144A
公开(公告)日:2020-08-11
申请号:CN202010318898.2
申请日:2020-04-21
Applicant: 福州大学
Abstract: 本发明涉及基于DVAE‑Catboost的异常流量检测方法与系统,首先从网络链路上采集流量数据,提取网络流量特征后再对流量数据进行预处理,接着使用DVAE网络来获得高维网络流量数据的低维表示,然后采用Catboost算法训练异常流量检测模型,最后利用训练好的异常流量检测模型对实时流量进行异常检测,并进行响应处理。
-
公开(公告)号:CN110225055B
公开(公告)日:2020-10-09
申请号:CN201910545310.4
申请日:2019-06-22
Applicant: 福州大学
Abstract: 本发明涉及一种基于KNN半监督学习模型的网络流量异常检测方法与系统,首先使用初始有标记数据作为训练样本,利用监督学习训练初始分类模型;然后,利用初始分类模型对网络流量无标记数据进行分类,得到初始分类数据;再利用半监督学习模型对初始分类数据进行重新标记和修正;最后,利用新的分类数据重新训练分类模型,并更新初始分类模型,如此往复不断更新分类模型,从而提高检测效果。本发明基于半监督学习模型,在分类检测过程中不断优化和更新分类模型,能够在生产环境下实现快速、高效的网络异常检测。
-
公开(公告)号:CN110225055A
公开(公告)日:2019-09-10
申请号:CN201910545310.4
申请日:2019-06-22
Applicant: 福州大学
Abstract: 本发明涉及一种基于KNN半监督学习模型的网络流量异常检测方法与系统,首先使用初始有标记数据作为训练样本,利用监督学习训练初始分类模型;然后,利用初始分类模型对网络流量无标记数据进行分类,得到初始分类数据;再利用半监督学习模型对初始分类数据进行重新标记和修正;最后,利用新的分类数据重新训练分类模型,并更新初始分类模型,如此往复不断更新分类模型,从而提高检测效果。本发明基于半监督学习模型,在分类检测过程中不断优化和更新分类模型,能够在生产环境下实现快速、高效的网络异常检测。
-
-