一种改进的模式识别网络评估的方法和系统与流程

1.本技术涉及网络多媒体领域，尤其涉及一种改进的模式识别网络评估的方法和系统。


背景技术：

2.现有的网络安全评估多采用聚类分析的方法进行建模，然而现实场景下参数并非与网络环境是固定对应的关系，导致现有的评估方法实际应用价值不高。如果仅仅改善场景参数与网络环境的对应关系的话，仍然会受到样本数量的影响，从而影响评估的准确度，反复评估的话也会带来很大的运算量。
3.因此，急需一种针对性的改进的模式识别网络评估的的方法和系统。


技术实现要素：

4.本发明的目的在于提供一种改进的模式识别网络评估的方法和系统，通过建立网络安全参数集合，结合历史数据分项组成训练样本集，再依次抽取两个样本，构建样本对，利用分支卷积神经网络剔除不属于同一类别的样本对，重新得到第二训练样本集，调用模式识别方法训练该第二样本集，进而求解最优解得到需要的向量宽度，最后建立评估模型，减少了受到样本数量的影响。
5.第一方面，本技术提供一种改进的模式识别网络评估的方法，所述方法包括：
6.收集网络环境参数，分项聚拢所述网络环境参数，建立网络安全参数集合；
7.根据所述网络环境参数的数值，为所述网络安全参数集合赋值；
8.向服务器请求所述网络安全参数集合的历史数值，分项将所述历史数值与收集的当前数值列入一个向量中，每一个项组成一个训练样本集；
9.从所述训练样本集中依次抽取两个样本，构建样本对，将所述样本对的两个样本分别输入到分支卷积神经网络，计算所述样本对之间的相似概率值，根据相似概率值的大小判断是否属于同一类别，若属于同一类别则其权值相同，重新存入所述训练样本集，反之则所述训练样本集剔除该样本对；
10.经过所述分支卷积神经网络，得到第二训练样本集；
11.调用模式识别单元训练所述第二训练样本集，提取所述第二训练样本集中的单一项历史数值，将该历史数值与α作乘法运算，满足该乘法运算结果与预设常数a之和等于0的第一条件，所述α为凸集系数，α绝对值的倒数定义为向量宽度；同时所述历史数值与α作乘法运算的结果与预设常数b相减，满足该单一项的当前数值乘以该相减结果大于等于1-β的第二条件，所述β为向量宽松系数；
12.其中，预设常数a和b的值取决于当前网络的类型，服务器预先存储有网络类型与预设常数的映射关系，所述a和b为一对常数配对出现；
13.调用运算单元对所述第二条件求偏导，所述偏导分别基于所述α、β进行运算，得到所述向量宽度的最优解；
14.将所述向量宽度的最优解作为网络安全评估模型决策函数的输入参数，建立评估模型；
15.将收集到的所述网络环境参数输入所述评估模型，判断所述网络环境是否为安全。
16.结合第一方面，在第一方面第一种可能的实现方式中，所述分项聚拢包括聚类操作，对同一类型或相邻位置的局域网络合并分析，所述分项聚拢还包括按照指定项目收集数据。
17.结合第一方面，在第一方面第二种可能的实现方式中，当判断所述网络环境为不安全时，记录当前的网络环境参数上报服务器。
18.结合第一方面，在第一方面第三种可能的实现方式中，所述运算单元采用神经网络模型。
19.第二方面，本技术提供一种改进的模式识别网络评估的系统，所述系统包括处理器以及存储器：
20.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；
21.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。
22.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。
23.有益效果
24.本发明提供一种改进的模式识别网络评估的方法和系统，由于通过建立网络安全参数集合，结合历史数据分项组成训练样本集，再依次构建样本对，剔除不属于同一类别的样本对，重新得到第二训练样本集，调用模式识别方法训练该第二样本集，进而求解最优解得到需要的向量宽度，建立评估模型，不仅可以实现场景参数与网络环境的动态对应，还可以减少受到样本数量的影响，进一步提高了网络安全评估的效率。
附图说明
25.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。
26.图1为本发明方法的流程图。
具体实施方式
27.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。
28.图1为本技术提供的一种改进的模式识别网络评估的方法的流程图，包括：
29.收集网络环境参数，分项聚拢所述网络环境参数，建立网络安全参数集合；
30.根据所述网络环境参数的数值，为所述网络安全参数集合赋值；
31.向服务器请求所述网络安全参数集合的历史数值，分项将所述历史数值与收集的当前数值列入一个向量中，每一个项组成一个训练样本集；
32.从所述训练样本集中依次抽取两个样本，构建样本对，将所述样本对的两个样本分别输入到分支卷积神经网络，计算所述样本对之间的相似概率值，根据相似概率值的大小判断是否属于同一类别，若属于同一类别则其权值相同，重新存入所述训练样本集，反之则所述训练样本集剔除该样本对；
33.经过所述分支卷积神经网络，得到第二训练样本集；
34.调用模式识别单元训练所述第二训练样本集，提取所述第二训练样本集中的单一项历史数值，将该历史数值与α作乘法运算，满足该乘法运算结果与预设常数a之和等于0的第一条件，所述α为凸集系数，α绝对值的倒数定义为向量宽度；同时所述历史数值与α作乘法运算的结果与预设常数b相减，满足该单一项的当前数值乘以该相减结果大于等于1-β的第二条件，所述β为向量宽松系数；
35.其中，预设常数a和b的值取决于当前网络的类型，服务器预先存储有网络类型与预设常数的映射关系，所述a和b为一对常数配对出现；
36.调用运算单元对所述第二条件求偏导，所述偏导分别基于所述α、β进行运算，得到所述向量宽度的最优解；
37.将所述向量宽度的最优解作为网络安全评估模型决策函数的输入参数，建立评估模型；
38.将收集到的所述网络环境参数输入所述评估模型，判断所述网络环境是否为安全。
39.在一些优选实施例中，所述分项聚拢包括聚类操作，对同一类型或相邻位置的局域网络合并分析，所述分项聚拢还包括按照指定项目收集数据。
40.在一些优选实施例中，当判断所述网络环境为不安全时，记录当前的网络环境参数上报服务器。
41.在一些优选实施例中，所述运算单元采用神经网络模型。
42.本技术提供一种改进的模式识别网络评估的系统，所述系统包括：所述系统包括处理器以及存储器：
43.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；
44.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。
45.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。
46.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。
47.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。
48.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。
49.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。