通信网络数据异常识别方法、系统及介质与流程

本申请涉及通信数据处理，且更为具体地，涉及一种通信网络数据异常识别方法、系统及介质。

背景技术：

1、随着信息技术的飞速发展，通信网络已成为现代社会的重要基础设施之一，承载着海量的数据传输和处理任务。然而，随着网络规模的扩大和复杂度的提升，通信网络中数据异常的问题也日益突出，如网络攻击、设备故障、配置错误等都可能导致数据异常，进而影响到网络的稳定性、安全性和可用性。因此，通信网络数据异常识别是确保网络运行安全、稳定与高效的重要环节。

2、在通信网络中，流量数据包是网络运行的基本组成部分，通过监测和分析流量数据包可以获取关键的网络运行信息。然而，传统的基于规则的异常检测技术往往存在准确性不高、实时性差、适应性弱等问题，无法很好地应对网络流量数据的复杂性和变化性。因此，期待一种优化的通信网络数据异常识别方法、系统及介质。

技术实现思路

1、为了解决上述技术问题，提出了本申请。本申请的实施例提供了一种通信网络数据异常识别方法、系统及介质，其采用基于深度学习的人工智能技术对通信网络接口的流量数据包进行监测分析，捕捉到通信网络的各个时间点的流量统计特征，并基于通信网络的流量统计特征时序上下文关联信息，智能判断网络数据是否存在异常。这样，可以及时发现网络中的潜在问题并采取相应的措施进行防范和修复，为通信网络的安全、稳定、高效运行提供有力保障。

2、相应地，根据本申请的一个方面，提供了一种通信网络数据异常识别方法，其包括：

3、获取在预定时间段内经过通信网络接口的流量数据包的时间序列；

4、提取所述流量数据包的时间序列中各个流量数据包的流量统计特征以得到流量统计特征的序列；

5、对所述流量统计特征的序列进行多尺度上下文关联分析以得到多维度网络数据状态综合表征特征向量；

6、基于所述多维度网络数据状态综合表征特征向量，确定网络数据是否存在异常。

7、在上述通信网络数据异常识别方法中，所述流量统计特征包括流量大小、流量速率、流量方向、包长度、包时间间隔、协议类型、源ip地址、目标ip地址、源端口号和目标端口号。

8、在上述通信网络数据异常识别方法中，对所述流量统计特征的序列进行多尺度上下文关联分析以得到多维度网络数据状态综合表征特征向量，包括：将所述流量统计特征的序列中各个流量数据包的流量统计特征分别通过基于全连接层的嵌入编码器以得到流量统计特征嵌入编码特征向量的序列；对所述流量统计特征嵌入编码特征向量的序列进行短期依赖特征提取以得到第一尺度流量统计特征上下文关联特征向量；对所述流量统计特征嵌入编码特征向量的序列进行长期依赖特征提取以得到第二尺度流量统计特征上下文关联特征向量；融合所述第一尺度流量统计特征上下文关联特征向量和所述第二尺度流量统计特征上下文关联特征向量以得到所述多维度网络数据状态综合表征特征向量。

9、在上述通信网络数据异常识别方法中，对所述流量统计特征嵌入编码特征向量的序列进行短期依赖特征提取以得到第一尺度流量统计特征上下文关联特征向量，包括：将所述流量统计特征嵌入编码特征向量的序列通过基于rnn模型的第一上下文关联编码器以得到所述第一尺度流量统计特征上下文关联特征向量。

10、在上述通信网络数据异常识别方法中，对所述流量统计特征嵌入编码特征向量的序列进行长期依赖特征提取以得到第二尺度流量统计特征上下文关联特征向量，包括：将所述流量统计特征嵌入编码特征向量的序列通过基于bi-lsmt模型的第二上下文关联编码器以得到第二尺度流量统计特征上下文关联特征向量。

11、在上述通信网络数据异常识别方法中，基于所述多维度网络数据状态综合表征特征向量，确定识别结果，包括：对所述多维度网络数据状态综合表征特征向量进行优化以得到优化多维度网络数据状态综合表征特征向量；将所述优化多维度网络数据状态综合表征特征向量通过基于分类器的网络数据状态识别器以得到所述识别结果，所述识别结果用于表示网络数据是否存在异常。

12、在上述通信网络数据异常识别方法中，对所述多维度网络数据状态综合表征特征向量进行优化以得到优化多维度网络数据状态综合表征特征向量，包括：对所述第一尺度流量统计特征上下文关联特征向量和所述第二尺度流量统计特征上下文关联特征向量进行基于标签位置敏感性的分类数据识别优化以得到校正特征向量；计算所述校正特征向量和所述多维度网络数据状态综合表征特征向量之间的按位置点乘以得到所述优化多维度网络数据状态综合表征特征向量。

13、在上述通信网络数据异常识别方法中，对所述第一尺度流量统计特征上下文关联特征向量和所述第二尺度流量统计特征上下文关联特征向量进行基于标签位置敏感性的分类数据识别优化以得到校正特征向量，包括：计算所述第一尺度流量统计特征上下文关联特征向量和所述第二尺度流量统计特征上下文关联特征向量之间的按位置均值向量；计算由所述按位置均值向量的所有特征值组成的特征集合的均值和方差；以所述第一尺度流量统计特征上下文关联特征向量和所述第二尺度流量统计特征上下文关联特征向量的预定位置的特征值的均值作为自然常数的指数计算以自然常数为底的指数函数值以得到第一指数函数值；以所述特征集合的方差的相反数作为自然常数的指数计算以自然常数为底的指数函数值再减去一以得到指数调整差值；将所述第一指数函数值除以所述指数调整差值再减去所述特征集合的均值，并将计算得到的差值通过relu函数进行激活以得到第一激活值；对所述第一激活值取绝对值后再通过selu函数进行激活以得到第二激活值；将所述第二激活值乘以所述第一指数函数值以得到所述校正特征向量的预定位置的特征值。

14、根据本申请的另一个方面，提供了一种通信网络数据异常识别系统，其包括：

15、流量数据监控模块，用于获取在预定时间段内经过通信网络接口的流量数据包的时间序列；

16、流量统计特征提取模块，用于提取所述流量数据包的时间序列中各个流量数据包的流量统计特征以得到流量统计特征的序列；

17、多尺度上下文关联分析模块，用于对所述流量统计特征的序列进行多尺度上下文关联分析以得到多维度网络数据状态综合表征特征向量；

18、网络数据异常识别模块，用于基于所述多维度网络数据状态综合表征特征向量，确定网络数据是否存在异常。

19、根据本申请的又一个方面，提供了一种介质，所述介质上存储有通信网络数据异常识别程序，所述通信网络数据异常识别程序被处理器执行时实现如上所述的通信网络数据异常识别方法。

20、与现有技术相比，本申请提供的通信网络数据异常识别方法、系统及介质，其采用基于深度学习的人工智能技术对通信网络接口的流量数据包进行监测分析，捕捉到通信网络的各个时间点的流量统计特征，并基于通信网络的流量统计特征时序上下文关联信息，智能判断网络数据是否存在异常。这样，可以及时发现网络中的潜在问题并采取相应的措施进行防范和修复，为通信网络的安全、稳定、高效运行提供有力保障。

技术特征：

1.一种通信网络数据异常识别方法，其特征在于，包括：

2.根据权利要求1所述的通信网络数据异常识别方法，其特征在于，所述流量统计特征包括流量大小、流量速率、流量方向、包长度、包时间间隔、协议类型、源ip地址、目标ip地址、源端口号和目标端口号。

3.根据权利要求2所述的通信网络数据异常识别方法，其特征在于，对所述流量统计特征的序列进行多尺度上下文关联分析以得到多维度网络数据状态综合表征特征向量，包括：

4.根据权利要求3所述的通信网络数据异常识别方法，其特征在于，对所述流量统计特征嵌入编码特征向量的序列进行短期依赖特征提取以得到第一尺度流量统计特征上下文关联特征向量，包括：

5.根据权利要求4所述的通信网络数据异常识别方法，其特征在于，对所述流量统计特征嵌入编码特征向量的序列进行长期依赖特征提取以得到第二尺度流量统计特征上下文关联特征向量，包括：

6.根据权利要求5所述的通信网络数据异常识别方法，其特征在于，基于所述多维度网络数据状态综合表征特征向量，确定识别结果，包括：

7.根据权利要求6所述的通信网络数据异常识别方法，其特征在于，对所述多维度网络数据状态综合表征特征向量进行优化以得到优化多维度网络数据状态综合表征特征向量，包括：

8.根据权利要求7所述的通信网络数据异常识别方法，其特征在于，对所述第一尺度流量统计特征上下文关联特征向量和所述第二尺度流量统计特征上下文关联特征向量进行基于标签位置敏感性的分类数据识别优化以得到校正特征向量，包括：

9.一种通信网络数据异常识别系统，其特征在于，包括：

10.一种介质，其特征在于，所述介质上存储有通信网络数据异常识别程序，所述通信网络数据异常识别程序被处理器执行时实现如权利要求1至8任一项所述的通信网络数据异常识别方法。

技术总结
本申请涉及通信数据处理技术领域，其具体地公开了一种通信网络数据异常识别方法、系统及介质，其采用基于深度学习的人工智能技术对通信网络接口的流量数据包进行监测分析，捕捉到通信网络的各个时间点的流量统计特征，并基于通信网络的流量统计特征时序上下文关联信息，智能判断网络数据是否存在异常。这样，可以及时发现网络中的潜在问题并采取相应的措施进行防范和修复，为通信网络的安全、稳定、高效运行提供有力保障。

技术研发人员：包伟光
受保护的技术使用者：湖南若谷通讯科技有限责任公司
技术研发日：
技术公布日：2024/7/9