摘要
本公开涉及一种异常流量检测方法、装置、电子设备及存储介质,涉及网络安全技术领域,包括:对原始网络流量数据进行预处理得到高维特征向量;将高维特征向量输入至堆栈稀疏自动编码器进行特征降维处理得到低维特征向量;将低维特征向量输入至循环神经网络中进行前向和后向的并行化处理,得到预测概率值;若预测概率值大于或等于预设概率阈值,则判定原始网络流量数据为异常流量,采用上述技术方案,无需人工设计特征,减少人工干预,也能够能更好地适应网络环境和攻击手段的变化,无需像传统方法那样频繁调整特征工程流程,降低了复杂性和成本,减少特征提取的误差,提高检测准确性。
技术关键词
网络流量数据
高维特征向量
异常流量检测
依赖特征
编码器
时间序列特征
神经网络训练
网络安全技术
随机梯度下降
无监督学习
电子设备
分类准确率
矩阵
梯度下降法
设计特征
处理器
特征工程
系统为您推荐了相关专利信息
数据安全分析
异常点
高斯混合模型
低密度
网络流量数据
入侵检测系统
控制器局域网络
新能源汽车
通信接口
重构算法
融合模型构建方法
无监督
图像融合方法
浅层特征提取
语义特征提取