网络入侵检测方法、设备、存储介质及计算机程序产品与流程
本申请涉及网络安全技术,尤其涉及一种网络入侵检测方法、设备、存储介质及计算机程序产品。
背景技术:
1、网络入侵检测是一种对网络流量进行实时监控与分析的安全技术,通过匹配已知攻击特征或识别异常行为模式,以及时发现黑客入侵、恶意扫描等威胁。智算集群是专业为人工智能任务设计的大规模高性能计算系统,相关技术中,针对智算集群的网络入侵检测存在检测精度低的问题。
技术实现思路
1、本申请实施例提供一种网络入侵检测方法、设备、存储介质及计算机程序产品。
2、本申请实施例的技术方案是这样实现的:
3、本申请实施例提供一种网络入侵检测方法,所述网络入侵检测方法包括:
4、采集计算集群的第一流量,其中,所述第一流量包括所述计算集群中基于传输控制协议/因特网互联协议(tcp/ip,transmission control protocol/internet protocol)的流量和/或基于远程直接内存访问(rdma,remote direct memory access)协议的流量;
5、调用第一模型生成第二流量,其中,所述第一模型采用所述第一流量作为训练样本训练得到,且所述第一模型基于长短时记忆网络(lstm,long short-term memory)在训练过程中提取所述第一流量中数据包的时序特征;
6、采用所述第一流量和所述第二流量作为训练样本,训练得到第二模型,所述第二模型用于对所述计算集群进行网络入侵检测,其中,所述第二模型基于坐标注意力机制确定流量中各数据包的时空特征。
7、其中,上述方案中,在所述调用第一模型生成第二流量之前,所述网络入侵检测方法还包括:
8、基于所述第一流量中每个流量数据包的五元组信息,将所述第一流量划分为多个流;
9、将所述多个流进行统一长度处理,以使所述多个流中每个流内包含的数据包的数量相同。
10、其中,上述方案中,所述将所述多个流进行统一长度处理,包括:
11、在流中包含的数据包的数量大于设定数量的情况下,从该流中截取出所述设定数量的数据包;和/或,
12、在流中包含的数据包的数量小于所述设定数量的情况下,复制该流中的数据包,以使该流中数据包的数量达到所述设定数量。
13、其中,上述方案中,所述网络入侵检测方法还包括:
14、训练所述第一模型时,基于所述第一流量与第三流量之间的瓦瑟斯坦(wasserstein)距离和梯度惩罚项计算损失值;其中,
15、所述梯度惩罚项表征所述第一流量与所述第三流量之间插值点上的梯度与1的偏离程度的平方平均值,所述第三流量表征所述第一模型在训练过程中生成的流量。
16、其中,上述方案中,所述第二模型以轻量级移动网络(mobilenet,mobilenetwork)模型为骨架,所述第二模型依次包括模拟卷积层、扩展融合卷积层、深度可分离卷积层、坐标注意力机制层及恢复卷积层,其中,所述坐标注意力机制层用于:
17、将输入特征图分别沿水平方向和垂直方向进行全局平均池化,得到两个一维特征图;
18、将所述两个一维特征图拼接得到融合特征;
19、将所述融合特征沿特征分别沿横、纵两个空间轴向切割,得到第一张量和第二张量。
20、其中,上述方案中,所述恢复卷积层取消使用修正线性单元(relu,rectifiedlinear unit)层。
21、其中,上述方案中,所述网络入侵检测方法还包括:
22、在所述计算集群的业务面及管理面的第一交换机中部署所述第二模型,并在基于所述第二模型的处理结果确定出存在异常流量的情况下,丢弃所述异常流量;和/或,
23、在所述计算集群的参数面及数据面的第二交换机中部署所述第二模型,并在基于所述第二模型的处理结果确定出存在异常流量的情况下,上报告警和/或隔离所述第二交换机及所述第二交换机的连接节点。
24、本申请实施例还提供了一种设备,包括:处理器和用于存储能够在处理器上运行的计算机程序的存储器;其中,所述处理器用于运行所述计算机程序时,执行上述任一网络入侵检测方法的步骤。
25、本申请实施例还提供了一种存储介质,所述存储介质存储有计算机程序,所述计算机程序被处理器执行时实现上述任一网络入侵检测方法的步骤。
26、本申请实施例还提供了一种计算机程序产品,包括计算机程序,所述计算机程序被处理器执行时实现上述任一网络入侵检测方法的步骤。
27、本申请实施例提供的网络入侵检测方法、设备、存储介质及计算机程序产品中,基于采集到的现有流量训练得到第一模型,在第一模型的训练过程中,基于lstm学习现有流量中数据包的时序特征,以使得生成的流量符合现有流量中数据包的时序特征,在实现了第二模型训练样本扩充的同时提高了生成流量的质量。并且,用于训练第二模型的流量采集自或模拟自计算集群的业务面、管理面、参数面、数据面等不同的位置,能够使得对相应位置进行的网络入侵检测更具可靠性。此外,第二模型中基于坐标注意力机制确定流量中各数据包的时空特征,一方面保证了较小的模型规模,另一方面也保证了较高的检测精度。
1.一种网络入侵检测方法,其特征在于,所述网络入侵检测方法包括:
2.根据权利要求1所述的网络入侵检测方法,其特征在于,在所述调用第一模型生成第二流量之前,所述网络入侵检测方法还包括:
3.根据权利要求2所述的网络入侵检测方法,其特征在于,所述将所述多个流进行统一长度处理,包括:
4.根据权利要求1所述的网络入侵检测方法,其特征在于,所述网络入侵检测方法还包括:
5.根据权利要求1所述的网络入侵检测方法,其特征在于,所述第二模型以轻量级移动网络mobilenet模型为骨架,所述第二模型依次包括模拟卷积层、扩展融合卷积层、深度可分离卷积层、坐标注意力机制层及恢复卷积层,其中,所述坐标注意力机制层用于:
6.根据权利要求5所述的网络入侵检测方法,其特征在于,所述恢复卷积层取消使用修正线性单元relu层。
7.根据权利要求1所述的网络入侵检测方法,其特征在于,所述网络入侵检测方法还包括:
8.一种设备,其特征在于,包括:处理器和用于存储能够在处理器上运行的计算机程序的存储器;其中,所述处理器用于运行所述计算机程序时,执行权利要求1至7任一项所述方法的步骤。
9.一种存储介质,所述存储介质存储有计算机程序,其特征在于,所述计算机程序被处理器执行时实现权利要求1至7任一项所述方法的步骤。
10.一种计算机程序产品,包括计算机程序,其特征在于,所述计算机程序被处理器执行时实现权利要求1至7任一项所述方法的步骤。
版权声明:本站专利文献数据主要来源于国家知识产权局等公开渠道,由 技术新讯 进行整理汇编。页面设计及数据汇编的著作权归本站所有。全部内容仅供个人学习、科研评估与技术交流参考,严禁用于任何商业用途(包括但不限于直接生产制造、技术转让、倒卖数据等)。
免责条款:专利技术具有时效性,本站不对资料的绝对准确性、完整性和可实施性提供任何明示或暗示的担保。因参考本站内容造成的直接或间接损失,本站不承担相关法律责任。若您认为本站内容有侵权问题,请及时提供权属证明与我们联系,本站将在核实后依法处理。反馈意见:yyfuon@163.com