基于数据推导及端口预测的网络连接方法与流程

本技术涉及智能化网络连接，并且更具体地，涉及一种基于数据推导及端口预测的网络连接方法。

背景技术：

1、传统的网络连接方法需要逐个尝试目标主机可能开放的所有端口，这可能会浪费大量时间和带宽资源，并且在网络流量较大的情况下，很难确定目标端口。

2、因此，期待一种优化的网络连接方案。

技术实现思路

1、为了解决上述技术问题，提出了本技术。本技术的实施例提供了一种基于数据推导及端口预测的网络连接方法，其获取目标主机的网络流量数据，其中，所述网络流量数据包括源地址、目标地址和协议类型；采用基于深度学习的人工智能技术，对目标主机网络流量数据进行分析和挖掘，快速确定目标主机可能开放的端口范围，并尝试与其建立连接，以快速确定目标主机可能开放的端口范围，从而减少了尝试连接的时间和资源消耗，提高了网络连接的效率。

2、第一方面，提供了一种基于数据推导及端口预测的网络连接方法，其包括：

3、获取目标主机的网络流量数据，其中，所述网络流量数据包括源地址、目标地址和协议类型；

4、对所述网络流量数据进行预处理以得到预处理后网络流量数据；

5、基于所述预处理后网络流量数据，统计所述目标主机的各个端口的使用信息；

6、对所述目标主机的各个端口的使用信息进行分词处理后通过包含词嵌入层的上下文编码器以得到多个端口信息语义理解特征向量；

7、将所述多个端口信息语义理解特征向量排列为二维特征矩阵后通过作为特征提取器的卷积神经网络模型以得到端口信息语义关联特征矩阵；

8、以所述各个端口信息语义理解特征向量作为查询特征向量，计算其与所述端口信息语义关联特征矩阵之间的乘积以得到多个分类特征向量；

9、将所述多个分类特征向量分别通过分类器以得到多个概率值；以及

10、推荐所述多个概率值中最大概率值对应的所述目标主机的端口。

11、在上述基于数据推导及端口预测的网络连接方法中，对所述网络流量数据进行预处理以得到预处理后网络流量数据，包括：对所述网络流量数据进行数据去重、数据过滤和数据格式转换以得到所述预处理后网络流量数据。

12、在上述基于数据推导及端口预测的网络连接方法中，对所述目标主机的各个端口的使用信息进行分词处理后通过包含词嵌入层的上下文编码器以得到多个端口信息语义理解特征向量，包括：对所述目标主机的各个端口的使用信息进行分词处理以将所述目标主机的各个端口的使用信息转化为由多个词组成的词序列；使用所述包含词嵌入层的上下文编码器的嵌入层将所述词序列中各个词映射到词向量以获得词向量的序列；以及，使用所述包含词嵌入层的上下文编码器对所述词向量的序列进行基于全局的上下文语义编码以获得所述多个端口信息语义理解特征向量。

13、在上述基于数据推导及端口预测的网络连接方法中，使用所述包含词嵌入层的上下文编码器对所述词向量的序列进行基于全局的上下文语义编码以获得所述多个端口信息语义理解特征向量，包括：将所述词向量的序列进行一维排列以得到全局词向量；计算所述全局词向量与所述词向量的序列中各个词向量的转置向量之间的乘积以得到多个自注意力关联矩阵；分别对所述多个自注意力关联矩阵中各个自注意力关联矩阵进行标准化处理以得到多个标准化后自注意力关联矩阵；将所述多个标准化后自注意力关联矩阵中各个标准化后自注意力关联矩阵通过softmax分类函数以得到多个概率值；以及，分别以所述多个概率值中各个概率值作为权重对所述词向量的序列中各个词向量进行加权以得到所述多个端口信息语义理解特征向量。

14、在上述基于数据推导及端口预测的网络连接方法中，将所述多个端口信息语义理解特征向量排列为二维特征矩阵后通过作为特征提取器的卷积神经网络模型以得到端口信息语义关联特征矩阵，包括：使用所述作为特征提取器的卷积神经网络模型的各层在层的正向传递中对输入数据分别进行卷积处理、沿通道维度的池化处理和非线性激活处理以由所述作为特征提取器的卷积神经网络模型的最后一层的输出为所述端口信息语义关联特征矩阵，其中，所述作为特征提取器的卷积神经网络模型的第一层的输入为所述二维特征矩阵。

15、在上述基于数据推导及端口预测的网络连接方法中，将所述多个分类特征向量分别通过分类器以得到多个概率值，包括：使用所述分类器的多个全连接层对所述多个分类特征向量进行全连接编码以得到多个编码分类特征向量；以及，将所述多个编码分类特征向量通过所述分类器的softmax分类函数以得到所述多个概率值。

16、在上述基于数据推导及端口预测的网络连接方法中，还包括训练步骤：对所述包含词嵌入层的上下文编码器、所述作为特征提取器的卷积神经网络模型和所述分类器进行训练。

17、在上述基于数据推导及端口预测的网络连接方法中，所述训练步骤，包括：获取目标主机的训练数据，所述训练数据包括源地址、目标地址和协议类型；对所述训练数据进行预处理以得到预处理后训练网络流量数据；基于所述预处理后训练网络流量数据，统计所述目标主机的各个端口的训练使用信息；对所述目标主机的各个端口的训练使用信息进行分词处理后通过包含词嵌入层的上下文编码器以得到多个训练端口信息语义理解特征向量；将所述多个训练端口信息语义理解特征向量排列为训练二维特征矩阵后通过作为特征提取器的卷积神经网络模型以得到训练端口信息语义关联特征矩阵；以所述各个训练端口信息语义理解特征向量作为查询特征向量，计算其与所述训练端口信息语义关联特征矩阵之间的乘积以得到多个训练分类特征向量；对所述多个训练分类特征向量进行耿贝尔正态周期性重参数化以得到多个优化后训练分类特征向量；将所述多个优化后训练分类特征向量通过分类器以得到多个分类损失函数值；以及，基于所述多个分类损失函数值并通过梯度下降的方向传播来对所述包含词嵌入层的上下文编码器、所述作为特征提取器的卷积神经网络模型和所述分类器进行训练。

18、在上述基于数据推导及端口预测的网络连接方法中，对所述多个训练分类特征向量进行耿贝尔正态周期性重参数化以得到多个优化后训练分类特征向量，包括：以如下优化公式对所述多个训练分类特征向量进行耿贝尔正态周期性重参数化以得到多个优化后训练分类特征向量；其中，所述优化公式为：

19、

20、其中，vi表示所述多个训练分类特征向量的各个位置的特征值，μ和σ分别是所述多个训练分类特征向量的各个位置的特征值集合的均值和方差，log表示以2为底的对数函数，arcsin(·)表示反正弦函数，arccos(·)表示反余弦函数，vi′表示多个优化后训练分类特征向量的各个位置的特征值。

21、与现有技术相比，本技术提供的基于数据推导及端口预测的网络连接方法，其获取目标主机的网络流量数据，其中，所述网络流量数据包括源地址、目标地址和协议类型；采用基于深度学习的人工智能技术，对目标主机网络流量数据进行分析和挖掘，快速确定目标主机可能开放的端口范围，并尝试与其建立连接，以快速确定目标主机可能开放的端口范围，从而减少了尝试连接的时间和资源消耗，提高了网络连接的效率。