(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 202211035222.8 (22)申请日 2022.08.26 (71)申请人 国科华盾 （北京） 科技有限公司 地址 100089 北京市海淀区闵庄路3号玉泉 慧谷31号楼二层01室 (72)发明人 袁俊杰　韩丽娜　韩世龙　张英伟　 王波　潘彭丹　吴潇　裴军　 崔恩泽　 (74)专利代理 机构 北京华进京联知识产权代理 有限公司 1 1606 专利代理师 樊春燕 (51)Int.Cl. H04L 9/40(2022.01) H04L 43/02(2022.01) H04L 43/04(2022.01)G06N 20/00(2019.01) (54)发明名称 检测模型的训练方法、 装置、 计算机设备和 存储介质 (57)摘要 本申请涉及一种检测模型的训练方法、 装 置、 计算机设备、 存储介质和计算机程序产品。 涉 及机器学习算法技术领域。 方法包括： 获取第一 网络数据集和第二网络数据集， 并将所述两种数 据集进行融合， 得到样本数据集； 对各所述样本 网络特征数据进行特征提取， 得到网络特征数据 集； 基于权重调整算法对所述各所述样本网络特 征数据对应的初始权重进行更新， 并基于更新后 的权重构建目标网络特征数据集； 基于所述目标 网络特征数据集和各目标样本网络特征数据对 应的数据类型标识， 对机器学习模型进行训练， 得到检测模 型， 所述检测模型用于检测网络数据 的数据类型标识。 采用本方法能够及时有效的完 成网络入侵 检测。 权利要求书2页 说明书16页 附图5页 CN 115396212 A 2022.11.25 CN 115396212 A 1.一种检测模型的训练方法， 其特 征在于， 所述方法包括： 获取第一网络数据集以及第 二网络数据集， 并将所述第 一网络数据集和所述第 二网络 数据集进行融合处理， 得到样本数据集； 所述样本数据集包括样本网络数据和所述样本网 络数据的数据类型 标识， 所述数据类型 标识包括 正常数据类型 标识和攻击数据类型 标识； 对各所述样本网络数据进行特征提取， 得到网络特征数据集； 所述网络特征数据集包 含提取出的各样本网络特 征数据、 以及各 所述样本网络特 征数据对应的初始权 重； 基于权重调 整算法对所述各所述样本网络特征数据对应的初始权重进行更新， 并基于 更新后的权重构建目标网络特征数据集； 所述目标网络特征数据集包括目标样本网络特征 数据、 所述目标样本网络特征数据的数据类型标识以及各所述样本网络特征数据对应的权 重； 基于所述目标网络特征数据集和各所述目标样本网络特征数据对应的数据类型标识， 对机器学习模型进行训练， 得到检测模型， 所述检测模型用于检测网络数据的数据类型标 识。 2.根据权利要求1所述的方法， 其特征在于， 所述获取第 一网络数据集以及第 二网络数 据集， 并将所述第一网络数据集和所述第二网络数据集进行融合处理， 得到样本数据集， 包 括： 获取网络公开数据集作为所述第一网络数据集， 并通过预设数据抓取策略， 抓取得到 所述第二网络数据集； 将所述第一网络数据集中各网络数据与 所述第二网络数据集中各网络数据进行拼接， 得到所述样本数据集， 所述第一网络数据与所述第二网络数据的数据类型标识满足预设相 似度条件。 3.根据权利要求1所述的方法， 其特征在于， 所述对各所述样本网络数据进行特征提 取， 得到网络特 征数据集， 包括： 对所述样本数据集中的所述各所述样本网络数据进行数据 预处理， 得到数据 预处理后 的各所述样本网络数据； 使用随机森林算法对所述数据 预处理后的各所述样本网络数据进行特征提取， 得到所 述网络特 征数据集。 4.根据权利要求1所述的方法， 其特征在于， 所述基于权重调 整算法对所述各所述样本 网络特征数据对应的初始权 重进行更新， 包括： 获取预先定义的权 重字典， 所述权 重字典包括所述 攻击数据类型 标识和权 重值； 通过所述权重调整算法和所述权重字典， 对各所述样本网络特征数据对应的初始权重 进行更新。 5.根据权利要求1所述的方法， 其特征在于， 所述基于所述目标网络特征数据集和各所 述目标样本网络特征数据对应的数据类型标识， 对机器学习模型进行训练， 得到检测模型 之后， 还包括： 获取测试数据集， 所述测试数据集包括各测试网络特征数据和各所述测试网络特征数 据的数据类型 标识； 将所述测试 数据集输入所述检测模型中进行模型测试， 得到测试 结果； 将所述测试结果与 所述测试数据集中的所述攻击数据类型标识对比， 判断是否符合预权　利　要　求　书 1/2 页 2 CN 115396212 A 2设的相关度条件， 如果满足所述预设的相关度条件则保存所述检测模型作为最终的检测模 型。 6.一种网络数据的检测方法， 其特 征在于， 所述方法包括： 获取待检测的网络数据； 对所述待检测的网络数据进行 特征提取， 得到网络特 征数据； 将所述网络特征数据输入预先训练 的检测模型， 得到所述待检测的网络数据对应的数 据类型标识； 其中， 所述检测模型采用如权利要求1至 5任一所述的检测模型的训练方法训练得到 。 7.一种检测模型的训练装置， 其特 征在于， 所述装置包括： 第一获取模块， 用于获取第一网络数据集以及第二网络数据集， 并将所述第一网络数 据集和所述第二网络数据集进行融合处理， 得到样本数据集； 所述样本数据集包括样本网 络数据和所述样本网络数据的数据类型标识， 所述数据类型标识包括正常数据类型标识和 攻击数据类型 标识； 提取模块， 用于对各所述样本网络数据进行特征提取， 得到网络特征数据集； 所述网络 特征数据集包含提取出的各样本网络特征数据、 以及各所述样本网络特征数据对应的初始 权重； 更新模块， 用于基于权重调整算法对所述各所述样本网络特征数据对应的初始权重进 行更新， 并基于更新后的权重构建目标网络特征数据集； 所述 目标网络特征数据集包括 目 标样本网络特征数据、 所述目标样本网络特征数据的数据类型标识以及各所述样本网络特 征数据对应的权 重； 训练模块， 用于基于所述目标网络特征数据集和各所述目标样本网络特征数据对应的 数据类型标识， 对机器学习模型进 行训练， 得到检测模型， 所述检测模型用于检测网络数据 的数据类型 标识。 8.一种网络数据的检测装置， 其特 征在于， 所述装置包括： 获取模块， 用于获取待检测的网络数据； 提取模块， 用于对所述待检测的网络数据进行 特征提取， 得到网络特 征数据； 检测模块， 用于将所述网络特征数据输入预先训练的检测模型， 得到所述待检测的网 络数据对应的数据类型 标识； 其中， 所述检测模型采用如权利要求1至 5任一所述的检测模型的训练方法训练得到 。 9.一种计算机设备， 包括存储器和处理器， 所述存储器存储有计算机程序， 其特征在 于， 所述处理器执行所述计算机程序时实现权利要求1至5或权利要求6中任一项所述的方 法的步骤。 10.一种计算机可读存储介质， 其上存储有计算机程序， 其特征在于， 所述计算机程序 被处理器执行时实现权利要求1至 5或权利要求6中任一项所述的方法的步骤。权　利　要　求　书 2/2 页 3 CN 115396212 A 3