一种融合监督对比学习与马氏距离的开放集网络攻击识别方法

针对现有方法在流量类别严重不平衡时对稀有攻击识别不足、且分类器无法拒识新型网络攻击的问题，本发明提供了一种融合监督对比学习与马氏距离的开放集网络攻击识别方法。包括构建含编码器、投影头与分类头的神经网络；以平衡批次采样和监督对比损失预训练编码器，使同类流量特征聚集、异类分离；再以类别加权的聚焦损失微调分类头；逐类拟合类中心向量与类内协方差逆矩阵，对待识别样本取其到各已知类别马氏距离的最小值作为异常得分，得分超过阈值的样本被识别为异常流量并告警，否则由分类头给出的已知攻击类别。以此提高网络攻击识别的准确性与对异常流量的拒识能力。