基于人工智能的检测方法和系统与流程

本申请涉及网络安全，尤其涉及一种基于人工智能的检测方法和系统。

背景技术：

1、现有的内容检测方法不足以应对低质量、混合数据的应用场景，需要有一种能够自动调整提取特征的检测方法和系统。

2、因此，急需一种针对性的基于人工智能的检测方法和系统。

技术实现思路

1、本发明的目的在于提供一种基于人工智能的检测方法和系统，解决现有需要应对低质量、混合数据的应用场景的问题。

2、第一方面，本申请提供一种基于人工智能的检测方法，所述方法包括：

3、采集网络中不同类型的数据包，提取其中携带的深度学习特征、生物特征和时间特征；

4、对采集到的所述深度学习特征进行一次离散化处理，得到降维后的第二深度学习特征数据集，将该第二深度学习特征数据集向量化后输入到n层卷积单元，输出卷积后的第一中间结果；

5、根据所述第一中间结果的特征值分布，确定滑动窗的宽度，使用所述滑动窗对所述采集到的所述深度学习特征进行二次离散化处理，得到第一特征样本集；

6、对采集到的所述生物特征进行一次离散化采样，将采样值组成序列，与服务器中预先存储的若干生物指纹进行匹配，将符合匹配规则的若干生物指纹生成对应的若干滑动框，使用若干个所述滑动框对所述生物特征进行二次框内采样，重组二次框内采样的采样值，得到第二特征样本集；

7、对采集到的所述时间特征进行差异比较处理，根据差异度的大小划定不同的采样窗，使用所述采样窗再次对所述深度学习特征和生物特征进行采样，将采样后的采样值重组，得到第三特征样本集；

8、将所述第一特征样本集、第二特征样本集分别与所述第三特征样本集进行聚类，分两次送入识别模型的卷积层中，利用不同大小的滑动窗口来选择局部特征分量，拼接所述局部特征分量依次得到第一特征矩阵和第二特征矩阵；

9、将该第一特征矩阵和第二特征矩阵先后按时间顺序送入所述识别模型的池化层，通过选择池化函数来选择有效特征值，再次拼接后依次得到第三特征矩阵和第四特征矩阵；

10、比较所述第三特征矩阵和第四特征矩阵的差异度，当该差异度小于等于阈值时，则认定为有效，选择所述第三特征矩阵作为对象，与服务器中存储的参考矩阵进行匹配，得到分类结果；

11、当该差异度大于阈值时，则认定为无效，中止分类识别操作；

12、根据所述分类结果进行管控。

13、第二方面，本申请提供一种基于人工智能的检测系统，所述系统包括：

14、采集单元，用于采集网络中不同类型的数据包，提取其中携带的深度学习特征、生物特征和时间特征；

15、第一特征提取单元，用于对采集到的所述深度学习特征进行一次离散化处理，得到降维后的第二深度学习特征数据集，将该第二深度学习特征数据集向量化后输入到n层卷积单元，输出卷积后的第一中间结果；

16、根据所述第一中间结果的特征值分布，确定滑动窗的宽度，使用所述滑动窗对所述采集到的所述深度学习特征进行二次离散化处理，得到第一特征样本集；

17、第二特征提取单元，用于对采集到的所述生物特征进行一次离散化采样，将采样值组成序列，与服务器中预先存储的若干生物指纹进行匹配，将符合匹配规则的若干生物指纹生成对应的若干滑动框，使用若干个所述滑动框对所述生物特征进行二次框内采样，重组二次框内采样的采样值，得到第二特征样本集；

18、第三特征提取单元，用于对采集到的所述时间特征进行差异比较处理，根据差异度的大小划定不同的采样窗，使用所述采样窗再次对所述深度学习特征和生物特征进行采样，将采样后的采样值重组，得到第三特征样本集；

19、融合单元，用于将所述第一特征样本集、第二特征样本集分别与所述第三特征样本集进行聚类，分两次送入识别模型的卷积层中，利用不同大小的滑动窗口来选择局部特征分量，拼接所述局部特征分量依次得到第一特征矩阵和第二特征矩阵；

20、将该第一特征矩阵和第二特征矩阵先后按时间顺序送入所述识别模型的池化层，通过选择池化函数来选择有效特征值，再次拼接后依次得到第三特征矩阵和第四特征矩阵；

21、分类单元，用于比较所述第三特征矩阵和第四特征矩阵的差异度，当该差异度小于等于阈值时，则认定为有效，选择所述第三特征矩阵作为对象，与服务器中存储的参考矩阵进行匹配，得到分类结果；

22、当该差异度大于阈值时，则认定为无效，中止分类识别操作；

23、执行单元，用于根据所述分类结果进行管控。

24、第三方面，本申请提供一种基于人工智能的检测系统，所述系统包括处理器以及存储器：

25、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；

26、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。

27、第四方面，本申请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。

28、有益效果

29、本发明提供一种基于人工智能的检测方法和系统，通过针对不同类型的数据包，分别提取深度学习、生物和时间三个不同维度的特征，从而可以覆盖网络全类型的数据包。针对深度学习特征采用降维采样和滑动窗二次采样；针对生物特征采用生物指纹匹配和滑动框二次采样；针对时间特征根据差异化结果重新定义采样窗，再次对深度学习和生物两种特征进行采样重组。通过以上步骤，使用两种不同途径的聚类处理，更好地利用模型进行分类，克服现有技术面对网络中低质量、混合数据场景的不足，实现检测的自动调整。

技术特征：

1.一种基于人工智能的检测方法，其特征在于，所述方法包括：

2.根据权利要求1所述的方法，其特征在于：训练所述识别模型时，通过反向的传播方式来最小化熵损失函数，避免过饱和，当所述识别模型的精度满足阈值的要求，则表明该识别模型训练完成。

3.根据权利要求1所述的方法，其特征在于：所述深度学习特征与数据包的类型存在对应关系，根据所述数据包的类型确定需要提取的所述深度学习特征。

4.根据权利要求2或3任一项所述的方法，其特征在于：所述生物特征包括数据包中涉及人物面部活动、生理特征的多媒体信息。

5.一种基于人工智能的检测系统，其特征在于，所述系统包括：

6.一种基于人工智能的检测系统，其特征在于，所述系统包括处理器以及存储器：

7.一种计算机可读存储介质，其特征在于，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实现权利要求1-4任一项所述的方法。

技术总结
本发明提供一种基于人工智能的检测方法和系统，通过针对不同类型的数据包，分别提取深度学习、生物和时间三个不同维度的特征，从而可以覆盖网络全类型的数据包。针对深度学习特征采用降维采样和滑动窗二次采样；针对生物特征采用生物指纹匹配和滑动框二次采样；针对时间特征根据差异化结果重新定义采样窗，再次对深度学习和生物两种特征进行采样重组。通过以上步骤，使用两种不同途径的聚类处理，更好地利用模型进行分类。

技术研发人员：魏亮,谢玮,魏薇,彭志艺,凌霞,海涵,郑晓玲
受保护的技术使用者：中国信息通信研究院
技术研发日：
技术公布日：2024/1/14