-
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。
-
-
Search Results
3
records
(took 0.024 seconds)
