基于人工智能的检测方法和系统与流程

1.本技术涉及网络安全技术领域，尤其涉及一种基于人工智能的检测方法和系统。


背景技术：

2.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。
3.因此，急需一种针对性的基于人工智能的检测方法和系统。


技术实现要素：

4.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。
5.第一方面，本技术提供一种基于人工智能的检测方法，所述方法包括：
6.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；
7.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；
8.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；
9.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；
10.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；
11.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；
12.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；
13.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；
14.当该差异度大于阈值时，则认定为无效，中止分类识别操作；
15.根据所述分类结果进行管控。
16.第二方面，本技术提供一种基于人工智能的检测系统，所述系统包括：
17.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；
18.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；
19.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；
20.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；
21.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；
22.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；
23.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；
24.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；
25.当该差异度大于阈值时，则认定为无效，中止分类识别操作；
26.执行单元，用于根据所述分类结果进行管控。
27.第三方面，本技术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：
28.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；
29.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。
30.第四方面，本技术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。
31.有益效果
32.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。
附图说明
33.为了更清楚地说明本发明实施例中的技术方案，下面将对实施例中所需要使用的附图作简单地介绍，显而易见地，对于本领域普通技术人员而言，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。
34.图1为本发明基于人工智能的检测方法的大致流程图；
35.图2为本发明基于人工智能的检测系统的架构图。
具体实施方式
36.下面结合附图对本发明的优选实施例进行详细阐述，以使本发明的优点和特征能更易于被本领域技术人员理解，从而对本发明的保护范围做出更为清楚明确的界定。
37.图1为本技术提供的基于人工智能的检测方法的大致流程图，所述方法包括：
38.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；
39.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；
40.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；
41.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；
42.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；
43.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；
44.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；
45.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；
46.当该差异度大于阈值时，则认定为无效，中止分类识别操作；
47.根据所述分类结果进行管控。
48.其中，当提取网络数据包的过程中，发现缺少某种特征(或称提取失败)时，例如：深度学习特征、生物特征和时间特征三种中缺少生物特征时，后续算法会自动使用深度学习特征按照生物特征的计算方法，得到对应的特征样本集。从而弥补低质量、混合数据的不足。
49.在一些优选实施例中，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。然后可用于数据验证。
50.在一些优选实施例中，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。
51.在一些优选实施例中，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。
52.图2为本技术提供的基于人工智能的检测系统的架构图，所述系统包括：
53.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；
54.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；
55.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；
56.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；
57.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；
58.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；
59.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；
60.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；
61.当该差异度大于阈值时，则认定为无效，中止分类识别操作；
62.执行单元，用于根据所述分类结果进行管控。
63.本技术提供一种基于人工智能的检测系统，所述系统包括：所述系统包括处理器以及存储器：
64.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；
65.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所有实施例中任一项所述的方法。
66.本技术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所有实施例中任一项所述的方法。
67.具体实现中，本发明还提供一种计算机存储介质，其中，该计算机存储介质可以存储有程序，该程序执行时可包括本发明各个实施例中的部分或全部步骤。所述的存储介质可以为磁碟、光盘、只读存储记忆体(简称：rom)或随机存储记忆体(简称：ram)等。
68.本领域的技术人员可以清楚地了解到本发明实施例中的技术可借助软件加必需的通用硬件平台的方式来实现。基于这样的理解，本发明实施例中的技术方案本质上或者对现有技术做出贡献的部分可以以软件产品的形式体现出来，该计算机软件产品可以存储在存储介质中，如rom/ram、磁碟、光盘等，包括若干指令用以使得一台计算机设备(可以是个人计算机、服务器、或者网络设备等)执行本发明各个实施例或者实施例的某些部分所述的方法。
69.本说明书各个实施例之间相同相似的部分互相参见即可。尤其，对于实施例而言，由于其基本相似于方法实施例，所以描述的比较简单，相关之处参见方法实施例中的说明即可。
70.以上所述的本发明实施方式并不构成对本发明保护范围的限定。

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：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；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；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；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；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；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；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；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；当该差异度大于阈值时，则认定为无效，中止分类识别操作；根据所述分类结果进行管控。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：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；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；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；
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；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；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；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；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；当该差异度大于阈值时，则认定为无效，中止分类识别操作；执行单元，用于根据所述分类结果进行管控。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：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；所述处理器用于根据所述程序代码中的指令执行实现权利要求1-4任一项所述的方法。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。地利用模型进行分类。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：2023.06.26
技术公布日：2023/8/24