技術(shù)特征：

1.一種基于孿生神經(jīng)網(wǎng)絡(luò)的高級量測體系網(wǎng)絡(luò)入侵檢測方法，其特征在于，所述方法包括：

2.根據(jù)權(quán)利要求1所述的方法，其特征在于，所述初始網(wǎng)絡(luò)入侵檢測模型包含至少兩個結(jié)構(gòu)相同且權(quán)重共享的子模型；所述子模型包括多個卷積層；所述多個卷積層包括淺層卷積層和深層卷積層；所述淺層卷積層用于表征預(yù)訓(xùn)練的卷積層；所述預(yù)訓(xùn)練的卷積層由所述預(yù)訓(xùn)練的入侵檢測模型得到；所述深層卷積層用于表征提取語義特征的卷積層；

3.根據(jù)權(quán)利要求2所述的方法，其特征在于，所述獲取所述高級量測體系的初始網(wǎng)絡(luò)入侵檢測模型，包括：

4.根據(jù)權(quán)利要求2所述的方法，其特征在于，所述基于所述目標(biāo)數(shù)據(jù)集，對所述網(wǎng)絡(luò)入侵檢測模型進(jìn)行迭代訓(xùn)練，得到目標(biāo)網(wǎng)絡(luò)入侵檢測模型，包括：

5.根據(jù)權(quán)利要求1所述的方法，其特征在于，所述獲取與高級量測體系關(guān)聯(lián)的目標(biāo)數(shù)據(jù)集，包括：

6.根據(jù)權(quán)利要求1所述的方法，其特征在于，在得到目標(biāo)網(wǎng)絡(luò)入侵檢測模型之后，還包括：

7.一種基于孿生神經(jīng)網(wǎng)絡(luò)的高級量測體系網(wǎng)絡(luò)入侵檢測裝置，其特征在于，所述裝置包括：

8.一種計算機(jī)設(shè)備，包括存儲器和處理器，所述存儲器存儲有計算機(jī)程序，其特征在于，所述處理器執(zhí)行所述計算機(jī)程序時實現(xiàn)權(quán)利要求1至6中任一項所述的方法的步驟。

9.一種計算機(jī)可讀存儲介質(zhì)，其上存儲有計算機(jī)程序，其特征在于，所述計算機(jī)程序被處理器執(zhí)行時實現(xiàn)權(quán)利要求1至6中任一項所述的方法的步驟。

10.一種計算機(jī)程序產(chǎn)品，包括計算機(jī)程序，其特征在于，該計算機(jī)程序被處理器執(zhí)行時實現(xiàn)權(quán)利要求1至6中任一項所述的方法的步驟。

技術(shù)總結(jié)
本申請涉及一種基于孿生神經(jīng)網(wǎng)絡(luò)的高級量測體系網(wǎng)絡(luò)入侵檢測方法。所述方法包括：獲取與高級量測體系關(guān)聯(lián)的目標(biāo)數(shù)據(jù)集，以及獲取高級量測體系的初始網(wǎng)絡(luò)入侵檢測模型；初始網(wǎng)絡(luò)入侵檢測模型基于預(yù)訓(xùn)練的入侵檢測模型構(gòu)建得到；對初始網(wǎng)絡(luò)入侵檢測模型進(jìn)行特征參數(shù)凍結(jié)處理和特征融合處理，得到待訓(xùn)練的網(wǎng)絡(luò)入侵檢測模型；基于目標(biāo)數(shù)據(jù)集，對網(wǎng)絡(luò)入侵檢測模型進(jìn)行迭代訓(xùn)練，得到目標(biāo)網(wǎng)絡(luò)入侵檢測模型；目標(biāo)網(wǎng)絡(luò)入侵檢測模型用于對高級量測體系進(jìn)行網(wǎng)絡(luò)入侵檢測處理。采用本方法能夠提升基于少標(biāo)簽樣本的目標(biāo)數(shù)據(jù)集訓(xùn)練得到的目標(biāo)網(wǎng)絡(luò)入侵檢測模型的模型性能，從而提升對高級量測體系的網(wǎng)絡(luò)入侵檢測準(zhǔn)確性。

技術(shù)研發(fā)人員：沈伍強(qiáng),戴濤,張小陸,崔磊,徐傳懋,王業(yè)超,黃勇
受保護(hù)的技術(shù)使用者：廣東電網(wǎng)有限責(zé)任公司
技術(shù)研發(fā)日：
技術(shù)公布日：2025/1/6