训练流量检测模型、流量检测的方法、装置及电子设备与流程

本技术涉及流量检测，具体而言，涉及一种训练流量检测模型、流量检测的方法、装置及电子设备。

背景技术：

1、随着网络信息的发展，网络成为了人们日常生活中不可或缺的一部分，以此同时，随之出现的是网络安全问题。

2、目前，为了维护网络安全在对恶意流量进行检测时，通常借助神经网络来实现。然而，恶意网络攻击的方式不断在变化，通过传统的恶意流量数据对传统的神经网络模型进行训练实现对流量的检测，无法应对新型的恶意攻击。若在短时间内收集新型恶意流量对模型进行训练，则需要采集大量的数据和较长的训练周期，既耗时训练成本又高。

3、因此，如何提供一种高效的训练流量检测模型的方法的技术方案成为亟需解决的技术问题。

技术实现思路

1、本技术的一些实施例的目的在于提供一种训练流量检测模型、流量检测的方法、装置及电子设备，通过本技术的实施例的技术方案可以在降低时间成本的情况下，通过少量的数据即可以训练得到精准度较高的流量检测模型，提升了流量检测精准度。

2、第一方面，本技术的一些实施例提供了一种训练流量检测模型的方法，包括：利用源域数据集对初始图像分类模型训练，获取目标图像分类模型；将所述目标图像分类模型的模型参数加载至生成对抗网络模型中，并利用目标域数据集对所述生成对抗网络模型训练，获取图像生成模型，其中，所述生成对抗网络模型包括：初始源域生成器、初始域生成器、初始判别器和初始分类器；所述图像生成模型包括：所述源域生成器、目标域生成器、目标判别器和目标分类器；将所述目标域生成器加载至初始强化模型中，并利用所述目标域数据集对所述初始强化模型训练，获取目标流量检测模型，其中，所述初始强化模型包括：所述目标域生成器和不同的场景分类器。

3、本技术的一些实施例通过源数据集对初始图像分类模型训练后，得到的目标图像分类模型用于加载在生成对抗网络模型中，然后利用目标域数据集对生成对抗网络模型训练得到图像生成模型。最后将目标域生成器与不同的场景分类器组成的初始强化模型进行训练，得到目标流量检测模型。本技术的一些实施例可以实现将源域数据知识迁移至目标域数据场景中，具有在较少的目标域数据集情况下提升训练模型的检测精度，为后续提升流量检测精准度提供模型支持。

4、在一些实施例，在所述利用源域数据集对初始图像分类模型训练之前，所述方法还包括：对原始流量数据进行分割和清洗，获取多个通信包，其中，所述原始流量数据包括：源域流量数据和目标域流量数据；提取所述多个通信包中每个通信包中的设定长度流量数据；对所述设定长度流量数据进行转换，得到二维流量灰度图数据；利用所述二维流量灰度图数据以及所述二维流量灰度图数据对应的标签数据构建所述源域数据集和所述目标域数据集。

5、本技术的一些实施例通过对原始流量数据进行预处理后，构建源域数据集和目标域数据集，为后续模型训练提供数据支持。

6、在一些实施例，所述利用源域数据集对初始图像分类模型训练，获取目标图像分类模型，包括：将所述源域数据集中的二维流量灰度图数据输入至所述初始图像分类模型中，得到第一输出数据；将所述第一输出数据与所述二维流量灰度图数据对应的标签数据进行对比，优化所述初始图像分类模型的参数，得到所述目标图像分类模型。

7、本技术的一些实施例通过源域数据集对初始图像分类模型训练和优化，得到目标图像分类模型，为实现将源域数据知识迁移至目标域数据场景提供支持。

8、在一些实施例，所述将所述目标图像分类模型的模型参数加载至生成对抗网络模型中，并利用目标域数据集对所述生成对抗网络模型训练，获取图像生成模型，包括：将所述模型参数加载至所述初始源域生成器和初始域生成器中，得到源域生成器和待训练域生成器；将所述目标域数据集中的二维流量灰度图数据分别输入至所述源域生成器和所述待训练域生成器，得到源域输出结果和目标域输出结果；根据所述目标域输出结果，获取所述目标分类器；根据所述源域输出结果和所述目标域输出结果，获取所述目标域生成器和所述目标判别器。

9、本技术的一些实施例通过对模型参数进行加载和对待训练域生成器、初始判别器和初始分类器进行训练，得到目标域生成器、目标判别器和目标分类器，可以为后续模型训练提供有效的数据支持。

10、在一些实施例，所述根据所述目标域输出结果，获取所述目标分类器，包括：将所述目标域输出结果输入至所述初始分类器得到分类结果；通过将所述分类结果和所述二维流量灰度图数据对应的标签数据对比，调整所述初始分类器的参数，得到所述目标分类器。

11、本技术的一些实施例通过目标域输出结果可以对初始分类器进行训练和优化得到目标分类器，训练成本较低，效率较高。

12、在一些实施例，所述根据所述源域输出结果和所述目标域输出结果，获取所述目标域生成器和所述目标判别器，包括：将所述源域输出结果和所述目标域输出结果输入至所述初始判别器，得到判别结果；通过所述判别结果优化所述初始判别器的参数，得到所述目标判别器；利用所述判别结果和所述分类结果对所述待训练域生成器进行优化，得到所述目标域生成器。

13、本技术的一些实施例通过源域输出结果和所述目标域输出结果对初始判别器进行训练和优化得到目标判别器，通过分类结果和判别结果对待训练域生成器进行优化得到目标域生成器，训练成本较低，效率较高。

14、在一些实施例，所述将所述目标域生成器加载至初始强化模型中，并利用所述目标域数据集对所述初始强化模型训练，获取目标流量检测模型，包括：将所述目标域生成器与所述场景分类器进行拼接，得到所述初始强化模型；将所述目标域数据集中的二维流量灰度图数据分别输入至初始强化模型中，得到场景分类结果；将所述场景分类结果和所述二维流量灰度图数据对应的标签数据对比，调整所述场景分类器的参数，得到所述目标流量检测模型。

15、本技术的一些实施例通过目标域数据集对目标域生成器和场景分类器拼接后的初始强化模型训练和优化，得到目标流量检测模型，可以实现源域数据知识迁移至目标域数据场景中，提升训练模型的检测精度。

16、第二方面，本技术的一些实施例提供了一种流量检测的方法，包括：获取经由第一方面任一实施例所述的方法训练得到的目标流量检测模型；将待检测流量输入至所述目标流量检测模型，得到所述目标流量检测模型输出的流量分类结果，其中，所述流量分类结果表征所述待检测流量为正常流量或恶意流量。

17、本技术的一些实施例通过目标流量检测模型对待检测流量进行检测得到流量分类结果，精准度较高。

18、第三方面，本技术的一些实施例提供了一种第一训练模块，被配置为利用源域数据集对初始图像分类模型训练，获取目标图像分类模型；第二训练模块，被配置为将所述目标图像分类模型的模型参数加载至生成对抗网络模型中，并利用目标域数据集对所述生成对抗网络模型训练，获取图像生成模型，其中，所述生成对抗网络模型包括：初始源域生成器、初始域生成器、初始判别器和初始分类器；所述图像生成模型包括：所述源域生成器、目标域生成器、目标判别器和目标分类器；第三训练模块，被配置为将所述目标域生成器加载至初始强化模型中，并利用所述目标域数据集对所述初始强化模型训练，获取目标流量检测模型，其中，所述初始强化模型包括：所述目标域生成器和不同的场景分类器。

19、第四方面，本技术的一些实施例提供了一种流量检测的方法，包括：获取模块，被配置为获取经由第一方面任一实施例所述的方法训练得到的目标流量检测模型；检测模块，被配置为将待检测流量输入至所述目标流量检测模型，得到所述目标流量检测模型输出的流量分类结果，其中，所述流量分类结果表征所述待检测流量为正常流量或恶意流量。

20、第五方面，本技术的一些实施例提供一种计算机可读存储介质，其上存储有计算机程序，所述程序被处理器执行时可实现如第一方面任一实施例所述的方法。

21、第六方面，本技术的一些实施例提供一种电子设备，包括存储器、处理器以及存储在所述存储器上并可在所述处理器上运行的计算机程序，其中，所述处理器执行所述程序时可实现如第一方面任一实施例所述的方法。

22、第七方面，本技术的一些实施例提供一种计算机程序产品，所述的计算机程序产品包括计算机程序，其中，所述的计算机程序被处理器执行时可实现如第一方面任一实施例所述的方法。