(19)国家知识产权局 (12)发明 专利申请 (10)申请公布号 (43)申请公布日 (21)申请 号 202211138498.9 (22)申请日 2022.09.19 (71)申请人 杭州电子科技大 学 地址 310018 浙江省杭州市下沙高教园区2 号大街 (72)发明人 付兴兵　张学文　吴炳金　 (74)专利代理 机构 杭州君度专利代理事务所 (特殊普通 合伙) 33240 专利代理师 杨舟涛 (51)Int.Cl. H04L 9/40(2022.01) G06K 9/62(2022.01) G06N 3/04(2006.01) G06N 3/08(2006.01) (54)发明名称 基于深度度量学习的网络攻击 检测方法 (57)摘要 本发明公开了基于深度度量学习的网络攻 击检测方法， 构建了基于多尺度CNN模型与 Triple network模型混合的深度度量学习模型。 其中多尺度CNN模型主要实现系统对数据 样本的 多尺度特征检测。 Triple  network模型主要实现 对三元组样本的空间映射， 用于量化三元组样本 之间的相似度。 采用soft ‑margin triple loss 作为度量损失函数， 利用公开数据集来训练入侵 检测模型。 基于深度度量学习的入侵检测系统对 数据特征进行提取， 实验结果表明， 本方法相对 于传统的机器学习和度量学习， 降低了人工投入 成本， 得到更优秀的检测效果。 权利要求书3页 说明书8页 附图3页 CN 115499219 A 2022.12.20 CN 115499219 A 1.基于深度 度量学习的网络攻击检测方法， 其特 征在于： 具体包括以下步骤： 步骤1、 构建深度 度量学习模型 构建多尺度CNN模型与Triple  network模型的混合网络， 作为深度度量学习模型； 其 中 多尺度CNN模 型通过对不同阶段的输出进行结合实现数据重建， 输出三元 组数据， 在 Triple  network模型进行 特征映射； 其中多尺度CNN模型包括7层Conv层， 激活函数均为Relu； 其中第一～第三层Conv层依 次级联后与一个Dropout层相连； 第四层为Conv层的输入与Dropout层的输出相连， 第四层 Conv层的输出与第二层Conv层的输出结合， 上采样 至128后作为第五层Conv层的输入； 第五 层Conv层的输出与第一层Conv层的输出结合， 上采样 至256之后作为第六层Conv层的输入， 第六～第七层Co nv层级联； Triple network模型包括三个输入分支， 每个分支依次以多尺度CNN模型输出的三元 组数据为输入， 每个分支包括4层全连接层， 其中第一～第三层全连接层的激活函数为 Relu， 第四层全 连接层的激活函数为Sigmod， 第一、 第二层全 连接层后接有Dropout层， 最后 对每个分支的输出计算欧式距离； 步骤2、 训练深度 度量学习模型 设置输出层的激活函数为Sigmoid函数， 选择Adam优化器， 使用公开的网络入侵检测数 据集作为训练集， 分别利用正常 网络数据与网络攻击数据对步骤1 中的多尺度CNN模型进 行 优化， 然后利用多尺度CNN模 型的输出数据对Triple  network模型进行训练， 保存训练后的 模型参数； 步骤3、 网络攻击检测 将收集的网络流量数据输入步骤2训练后的深度度量学习模型中， 判断是否为网络攻 击数据， 完成网络攻击检测。 2.如权利要求1所述基于深度度量学习的网络攻击检测方法， 其特征在于： 所述多尺度 CNN模型的具体结构如表1所示： 权　利　要　求　书 1/3 页 2 CN 115499219 A 2表1。 3.如权利要求1所述基于深度度量学习的网络攻击检测方法， 其特征在于： 所述 Triplenetw ork模型的具体结构如表 2所示： 权　利　要　求　书 2/3 页 3 CN 115499219 A 3