使用改进模式识别算法的特征分析方法和系统与流程

1.本技术涉及网络多媒体领域，尤其涉及一种使用改进模式识别算法的特征分析方法和系统。


背景技术：

2.现有的数据分析方法在干扰增多的网络环境中，容易将干扰与噪声混淆，不能完全适用于扰动环境。同时，使用了卷积神经网络，其卷积计算也需要花费更多的时间来运算，降低了分析效率。
3.因此，急需一种针对性的使用改进模式识别算法的特征分析的方法和系统。


技术实现要素：

4.本发明的目的在于提供一种使用改进模式识别算法的特征分析方法和系统，通过先将数据流信号经过频谱过滤、卷积运算处理后，得到去除噪声干扰的数据流，再将该数据流进行分流，得到对应高速率、中速率和低速率的三个数据流集合，分别将三个集合输入用户行为模型，检测其分别包含的用户行为字段，以及分析该用户行为字段与当前速率的映射关系，综合得出当前网络环境下的用户行为模式，判断其是否为攻击性。
5.第一方面，本技术提供一种使用改进模式识别算法的特征分析方法，所述方法包括：
6.服务器采集网络数据流的信号，进行快速傅里叶变换，得到该信号的频域特征，根据当前网络环境预先设定过滤频谱窗口，将所述信号的频域特征经过过滤频谱窗口，得到过滤后的频谱，输入卷积神经网络；
7.提取所述卷积神经网络输出后的信号，将该信号重组为新数据流，监测该新数据流的速率，按照速率高低设置分流器的区间档位，速率高于第一阈值的为高速率，速率低于第一阈值且高于第二阈值的为中速率，速率低于第二阈值的为低速率，其中第一阈值大于第二阈值；
8.将所述新数据流输入到所述分流器中，根据不同的区间档位，分流得到对应高速率、中速率和低速率的三个数据流集合；
9.分别依次将所述三个数据流集合输入用户行为模型，检测所述三个数据流集合中包含哪些用户行为字段，分析所述用户行为字段的访问对象，统计所述用户行为字段出现频率，判断是否包含攻击倾向的用户行为，得到第一结果；
10.分析用户行为字段的类型与所述新数据流的速率之间的映射关系，判断该用户行为字段对应的用户行为出现在当前速率下是否合理，得到第二结果；
11.结合所述第一结果和第二结果，得出当前网络环境下的用户行为模式，若该用户行为模式为攻击型，则屏蔽该用户行为的来源，若该用户行为模式为普通型，则允许该用户行为的访问请求。
12.结合第一方面，在第一方面第一种可能的实现方式中，所述得出当前网络环境下
的用户行为模式，还可以包括进一步分析用户行为模式的强弱程度，根据该强弱程度判断用户行为的急迫程度。
13.结合第一方面，在第一方面第二种可能的实现方式中，所述屏蔽该用户行为的来源之前，还包括找到所有的攻击轨迹途径点，形成攻击轨迹，所述攻击轨迹可复用包括多个不同维度的异常攻击，溯源得到不同维度的异常攻击的源点。
14.结合第一方面，在第一方面第三种可能的实现方式中，所述用户行为模型使用了神经网络模型。
15.第二方面，本技术提供一种使用改进模式识别算法的特征分析系统，所述系统包括处理器以及存储器：
16.所述存储器用于存储程序代码，并将所述程序代码传输给所述处理器；
17.所述处理器用于根据所述程序代码中的指令执行第一方面四种可能中任一项所述的方法。
18.第三方面，本技术提供一种计算机可读存储介质，所述计算机可读存储介质用于存储程序代码，所述程序代码用于执行第一方面四种可能中任一项所述的方法。
19.本发明提供一种使用改进模式识别算法的特征分析方法和系统，通过先将数据流信号经过频谱过滤、卷积运算处理后，得到去除噪声干扰的数据流，再将该数据流进行分流，得到对应高速率、中速率和低速率的三个数据流集合，分别将三个集合输入用户行为模型，检测其分别包含的用户行为字段，以及分析该用户行为字段与当前速率的映射关系，综合得出当前网络环境下的用户行为模式，判断其是否为攻击性。
附图说明
20.为了更清楚地说明本发明实施例中的技术方案，下面将对实施例中所需要使用的附图作简单地介绍，显而易见地，对于本领域普通技术人员而言，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。
21.图1为本发明方法的流程图。
具体实施方式
22.下面结合附图对本发明的优选实施例进行详细阐述，以使本发明的优点和特征能更易于被本领域技术人员理解，从而对本发明的保护范围做出更为清楚明确的界定。
23.图1为本技术提供的使用改进模式识别算法的特征分析方法的流程图，包括：
24.服务器采集网络数据流的信号，进行快速傅里叶变换，得到该信号的频域特征，根据当前网络环境预先设定过滤频谱窗口，将所述信号的频域特征经过过滤频谱窗口，得到过滤后的频谱，输入卷积神经网络；
25.提取所述卷积神经网络输出后的信号，将该信号重组为新数据流，监测该新数据流的速率，按照速率高低设置分流器的区间档位，速率高于第一阈值的为高速率，速率低于第一阈值且高于第二阈值的为中速率，速率低于第二阈值的为低速率，其中第一阈值大于第二阈值；
26.将所述新数据流输入到所述分流器中，根据不同的区间档位，分流得到对应高速率、中速率和低速率的三个数据流集合；
27.分别依次将所述三个数据流集合输入用户行为模型，检测所述三个数据流集合中包含哪些用户行为字段，分析所述用户行为字段的访问对象，统计所述用户行为字段出现频率，判断是否包含攻击倾向的用户行为，得到第一结果；
28.分析用户行为字段的类型与所述新数据流的速率之间的映射关系，判断该用户行为字段对应的用户行为出现在当前速率下是否合理，得到第二结果；
29.结合所述第一结果和第二结果，得出当前网络环境下的用户行为模式，若该用户行为模式为攻击型，则屏蔽该用户行为的来源，若该用户行为模式为普通型，则允许该用户行为的访问请求。
30.在一些优选实施例中，所述得出当前网络环境下的用户行为模式，还可以包括进一步分析用户行为模式的强弱程度，根据该强弱程度判断用户行为的急迫程度。
31.在一些优选实施例中，所述屏蔽该用户行为的来源之前，还包括找到所有的攻击轨迹途径点，形成攻击轨迹，所述攻击轨迹可复用包括多个不同维度的异常攻击，溯源得到不同维度的异常攻击的源点。
32.在一些优选实施例中，所述用户行为模型使用了神经网络模型。
33.本技术提供一种使用改进模式识别算法的特征分析系统，所述系统包括：所述系统包括处理器以及存储器：
34.所述存储器用于存储程序代码，并将所述程序代码传输给所述处理器；
35.所述处理器用于根据所述程序代码中的指令执行第一方面所有实施例中任一项所述的方法。
36.本技术提供一种计算机可读存储介质，所述计算机可读存储介质用于存储程序代码，所述程序代码用于执行第一方面所有实施例中任一项所述的方法。
37.具体实现中，本发明还提供一种计算机存储介质，其中，该计算机存储介质可以存储有程序，该程序执行时可包括本发明各个实施例中的部分或全部步骤。所述的存储介质可以为磁碟、光盘、只读存储记忆体(简称：rom)或随机存储记忆体(简称：ram)等。
38.本领域的技术人员可以清楚地了解到本发明实施例中的技术可借助软件加必需的通用硬件平台的方式来实现。基于这样的理解，本发明实施例中的技术方案本质上或者对现有技术做出贡献的部分可以以软件产品的形式体现出来，该计算机软件产品可以存储在存储介质中，如rom/ram、磁碟、光盘等，包括若干指令用以使得一台计算机设备(可以是个人计算机、服务器、或者网络设备等)执行本发明各个实施例或者实施例的某些部分所述的方法。
39.本说明书各个实施例之间相同相似的部分互相参见即可。尤其，对于实施例而言，由于其基本相似于方法实施例，所以描述的比较简单，相关之处参见方法实施例中的说明即可。
40.以上所述的本发明实施方式并不构成对本发明保护范围的限定。