CN119071052B 交換機的網絡異常監測方法及系統 （深圳市步來克科技有限公司）

街道香蜜社區香蜜湖北岸B303-0034號香蜜湖1979文化街A區3層A3棟3層A,2023.08.25A,2023.09.05A,2024.08.09A,2024.07.302對所述預處理網絡流量數據進行多尺度特征提取和特征降維，得到基于所述融合特征向量訓練交換機級模型和中央模型；所述交換通過交換機級模型對網絡交換機的實時網絡流量數據進行預處理后的實時預處理數對所述初步異常檢測結果和所述深度異常檢測結果進行時空關聯分析基于所述綜合異常分析報告生成自適應防御策略，對所述預處理網絡流量數據進行多尺度滑動窗口分割，并計算對所述預處理網絡流量數據進行離散小波變換，并提取多分辨率根據所述初始特征向量設計多層自編碼器網絡結構，訓練自編對所述融合特征向量進行分割，按照預設比例劃分為交換機級訓根據所述交換機級訓練數據初始化自適應隔離森林模型，設置初始參數和樹的數量，基于聯邦學習框架，在每個參與訓練的網絡交換機上使用本地數據3對所述本地更新模型的參數進行加密，然后采用安全聚合算法將加密后將所述全局交換機級模型分發給各參與訓練的網絡交換機，進行下一輪的本地訓練，根據所述中央訓練數據構建LSTM網絡結構，得到初始LSTM模型，所在所述初始LSTM模型的LSTM層之后添加注意力層，計算不對所述注意力增強的LSTM模型使用反向傳播算法進行訓練，最小將所述原始異常分數和預設閾值進行比較，判斷是否觸發異常警對所述初步異常標記進行快速分類，根據預定義的規則集將異常分為不同類將所述初步異常標記、所述初步異常類型和對應的上下文信息組合對所述實時預處理數據進行特征提取和轉換，使其符合中央模型的輸將所述中央模型輸入數據輸入到所述中央模型中，通過LSTM網絡進行時序對所述時序特征進行注意力機制分析，并計算不同時間步的重要性對所述實時預處理數據進行特征標準化處理，得到標準化特征向量對所述樣本路徑長度集合進行統計分析，計算平均路徑長度和標準差根據所述路徑長度統計特征設計自適應閾值函數，對樣本路徑長度進行歸一化處理，4對所述初始異常得分進行指數平滑處理，得到平滑異常得分，并對所述平滑異常得分和所述異常分布參數進行貝葉斯推斷，計算后驗概率分根據所述校正異常得分設計多級預警機制，對異常程度進行量化根據所述初步異常檢測結果和所述深度異常檢測結果構建時間序列根據網絡拓撲信息和異常事件涉及的網絡實體，構建空間關系對所述異常事件空間分布圖進行圖卷積神經網絡處理，將所述時間關聯矩陣和所述空間關聯矩陣進行張量融合，構建時收集網絡設備日志、安全設備告警的多源異構數據，基于所述標準化多源數據和所述綜合關聯表示，構建異常事件知識圖對所述初始知識圖譜進行圖嵌入分析，將節點和關系映射到低維向對所述綜合異常分析報告進行特征提取，得到異常特征向量，并根據基于所述初始策略集和歷史防御效果數據，構建包括狀態空間對所述候選防御策略進行可行性分析，得到可行性評分，并根據所述5將所述自適應防御策略轉化為配置指令，得到防御執行指采集模塊，用于采集網絡交換機的歷史網絡流量數據并進行預特征提取模塊，用于對所述預處理網絡流量數檢測模塊，用于通過交換機級模型對網絡交換機的實時網絡流分析模塊，用于對所述初步異常檢測結果和所述深度異常檢測結果進行時空關聯分執行模塊，用于基于所述綜合異常分析報告生成自適應防御策略所述至少一個處理器調用所述存儲器中的所述指令，以使得所述電子設備執所述指令被處理器執行時實現如權利要求1_7中任一項所述的交換機的網絡異常監測方6[0007]對所述預處理網絡流量數據進行多尺度特征提取和特征降維，得到融合特征向[0010]對所述初步異常檢測結果和所述深度異常檢測結果進行時空關聯分析和多源數[0014]特征提取模塊，用于對所述預處理網絡流量數據進行多尺度特征提取和特征降78協議如SNMP(簡單網絡管理協議)或NetFlow技術，自動化地從網絡交換機中收集到所需的9中央模型的構建過程中，使用中央訓練數據構建一個LSTM網絡結構，得到初始LSTM模型。個注意力增強的LSTM模型。注意力機制可以幫助模型更好地關注時間序列中的關鍵部分，[0040]步驟500、對初步異常檢測結果和深度異常檢測結果進行時空關聯分析和多源數集包括詳細的配置步驟和參數設置，通過網絡管理協議(如S到信號中的局部特征和瞬態變化。離散小波變換通過尺度函數和小波函數對信號進行分征向量為x，自編碼器的編碼部分通過一系列非線性變換將其映射到一個低維潛在空間表[0061]根據交換機級訓練數據初始化自適應隔離森林模型，設[0064]將全局交換機級模型分發給各參與訓練的網絡交換機，[0070]具體的，融合特征向量按照預設比例分割為交換機級訓練數據和中央訓練數[0088]在一具體實施例中，執行步驟基于交換機級模型對實時預處理數據計算異常分[0092]根據路徑長度統計特征設計自適應閾值函數，對樣本路了異常事件在網絡中的地理分布或網絡節點間的連接關系。每個節點代表一個網絡實體，使得圖結構信息能夠被機器學習模型利用。圖嵌入的目的是保留圖的拓撲結構和屬性信擇的動作能夠最大化累積獎勵。在防御策略學習環境中，使用深度Q網絡算法進行策略訓[0130]特征提取模塊12，用于對預處理網絡流量數據進行多尺[0135]通過上述各個組成部分的協同合作，通過對網絡流量數[0139]所述集成的單元如果以軟件功能單元的形式實現并作為獨立的產品銷售或使用或