买专利卖专利找龙图腾，真高效！ 查专利查商标用IPTOP,全免费！专利年费监控用IP管家,真方便！

申请/专利权人：清华大学

摘要：本申请提供了一种面向网络安全异常检测中深度学习模型的解释方法。其中方法包括：建立通用性解释框架，所述通用性解释框架将面向网络安全异常检测中深度学习模型的解释问题转化为多目标优化问题的求解过程；针对不同种类的网络安全任务类型，根据所述通用性解释框架确定与网络安全任务类型对应的解释器算法。本申请的解释方法适用于无监督异常检测，能够有效解释深度模型判定异常的决策依据；能权衡保真性、稳定性、解释性、鲁棒性以及高效性多方面的需求。同时该解释方法具有较强的通用性，可以适用于多种不同的深度学习模型和不同的网络安全场景。

主权项：1.一种面向网络安全异常检测中深度学习模型的解释方法，其特征在于，包括：建立通用性解释框架，所述通用性解释框架将面向网络安全异常检测中深度学习模型的解释问题转化为多目标优化问题的求解过程；针对不同种类的网络安全任务类型，根据所述通用性解释框架确定与网络安全任务类型对应的解释器算法；所述通用性解释框架表示如下： 其中，x°和x*分别表示异常点和参考点，f表示深度学习模型，分别表示保真性、稳定性、解释性和鲁棒性约束项，λ1，λ2，λ3分别表示为稳定性、解释性和鲁棒性约束项的权重系数；所述网络安全任务根据安全检测系统使用的源数据类型的不同，分为基于表格型数据、时间序列数据和图结构数据的网络安全任务类型；针对基于表格型数据的网络安全任务，根据所述通用性解释框架确定解释器算法为第一多目标优化问题，包括：对于表格型异常数据，通过所述通用性解释框架中的各约束项来搜寻表格型参考点x*，其中，保真性约束项定义为表格型参考点x*被基于表格型数据的异常检测模型fR判定为正常，即重构误差εR低于异常阈值tR；稳定性约束项定义为在满足保真性、解释性和鲁棒性约束项的条件下保证参考点和表格型异常点x°的距离小于第一预设条件；解释性约束项保证表格型异常点x°相比于表格型参考点x*改动的特征维数小于第二预设条件；确定所述第一多目标优化问题，表示如下： s.t.εRx*，fRx*tRandx*∈[0，1]N其中，x*表示表格型参考点，x°表示表格型异常点，εR表示重构误差，tR表示异常阈值，fR表示基于表格型数据的异常检测模型，λ为对应约束项的权重系数；针对基于时间序列数据的网络安全任务，根据所述通用性解释框架确定解释器算法为第二多目标优化问题，包括：对于时间序列型异常数据，通过所述通用性解释框架中的各约束项来搜寻参考时间序列X*，通过迭代优化方式，即每次选取少量异常数据进行修改，每次的优化目标仅考虑保真性约束项，确定所述第二多目标优化问题，表示如下： 其中，为保真性约束的简写，X*为参考时间序列，X*包含t个时间点的时间序列即tP为异常阈值，fP表示基于时间序列数据的异常检测模型，εR表示重构误差，为fP的具体计算方式；针对基于图结构数据的网络安全任务，根据所述通用性解释框架确定解释器算法为第三多目标优化问题，包括：将某个异常连接记为其中和是连接两端的节点，经过嵌入后的表征向量记为获取异常表征e°的参考表征e*，根据参考表征e*定位到原始图结构上的参考连接参考连接记为其中，是连接两端的节点；将所述通用性解释框架的解释性约束项通过迭代优化的方式实现，保真性约束项定义为重构误差εR低于异常阈值tR，稳定性约束项定义为在满足保真性、解释性和鲁棒性约束项的条件下保证参考连接和异常连接的满足第三预设条件；确定所述第三多目标优化问题，如下式所示： 其中，表示参考连接的节点在图数据的节点集中，fR为图数据型数据源的异常检测模型。

全文数据：

权利要求：

百度查询： 清华大学 面向网络安全异常检测中深度学习模型的解释方法