一种可持续更新的恶意流量动态检测方法

本发明提出了可持续更新的恶意流量动态检测方法，实现了连续时间段内多子图的增量式持续学习，最终实现对动态演化的网络流量进行威胁检测，具体如下：1）将物理设备间的流量交互行为映射为拓扑图。将五元组序列作为输入，每一个五元组都被标识为唯一的节点，并以五元组的重复程度作为初始图权重。2）提出一种具有持续更新机制的检测框架，增量式动态图学习器通过回放机制持续学习流量图的拓扑信息。该机制中设置弹性拓扑记忆缓冲区保留历史流量图，从而产生一个持续更新的动态图学习器。3）设计基于图深度神经网络的分类模型，它通过多层级联的图神经网络架构实现精准的恶意节点识别，同时通过多任务损失函数平衡历史知识巩固与新攻击模式学习，确保模型在动态网络环境中的长期有效性。