网络流量异常检测模型训练方法及网络流量异常检测方法

本申请提供一种网络流量异常检测模型训练方法及网络流量异常检测方法，涉及人工智能领域。包括：提取历史网络流量特征信息，计算网络节点间互信息矩阵；提取时间序列数据并通过Mann‑Kendall趋势检验生成趋势显著性得分；融合互信息矩阵与趋势显著性得分构建动态邻接矩阵；基于动态邻接矩阵执行图卷积操作更新流量特征，根据所述更新后网络流量特征信息，通过损失函数计算损失值，并根据所述损失值更新所述网络流量异常检测模型的权重参数。方案通过互信息矩阵消除人工预设邻接矩阵的噪声干扰，利用趋势显著性得分捕捉流量突变等时序异常，动态邻接矩阵自适应平衡时空特征权重，使图卷积网络精准识别复杂攻击场景，显著提升了模型检测精度与场景泛化能力。