CN111917792B - 一种流量安全分析挖掘的方法及*** - Google Patents

一种流量安全分析挖掘的方法及*** Download PDF

Info

Publication number
CN111917792B
CN111917792B CN202010797795.9A CN202010797795A CN111917792B CN 111917792 B CN111917792 B CN 111917792B CN 202010797795 A CN202010797795 A CN 202010797795A CN 111917792 B CN111917792 B CN 111917792B
Authority
CN
China
Prior art keywords
attack
service
node
identification information
network
Prior art date
Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
Active
Application number
CN202010797795.9A
Other languages
English (en)
Other versions
CN111917792A (zh
Inventor
娈靛浆
段彬
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Wuhan Sipuling Technology Co Ltd
Original Assignee
Wuhan Sipuling Technology Co Ltd
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by Wuhan Sipuling Technology Co Ltd filed Critical Wuhan Sipuling Technology Co Ltd
Priority to CN202010797795.9A priority Critical patent/CN111917792B/zh
Publication of CN111917792A publication Critical patent/CN111917792A/zh
Application granted granted Critical
Publication of CN111917792B publication Critical patent/CN111917792B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04L—TRANSMISSION OF DIGITAL INFORMATION, e.g. TELEGRAPHIC COMMUNICATION
    • H04L63/00—Network architectures or network communication protocols for network security
    • H04L63/14—Network architectures or network communication protocols for network security for detecting or protecting against malicious traffic
    • H04L63/1408—Network architectures or network communication protocols for network security for detecting or protecting against malicious traffic by monitoring network traffic
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
    • G06F16/20—Information retrieval; Database structures therefor; File system structures therefor of structured data, e.g. relational data
    • G06F16/24—Querying
    • G06F16/245—Query processing
    • G06F16/2458—Special types of queries, e.g. statistical queries, fuzzy queries or distributed queries
    • G06F16/2465—Query processing support for facilitating data mining operations in structured databases
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
    • G06F16/20—Information retrieval; Database structures therefor; File system structures therefor of structured data, e.g. relational data
    • G06F16/28—Databases characterised by their database models, e.g. relational or object models
    • G06F16/284—Relational databases
    • G06F16/285—Clustering or classification
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N20/00—Machine learning
    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04L—TRANSMISSION OF DIGITAL INFORMATION, e.g. TELEGRAPHIC COMMUNICATION
    • H04L63/00—Network architectures or network communication protocols for network security
    • H04L63/14—Network architectures or network communication protocols for network security for detecting or protecting against malicious traffic
    • H04L63/1441—Countermeasures against malicious traffic
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F2216/00—Indexing scheme relating to additional aspects of information retrieval not explicitly covered by G06F16/00 and subgroups
    • G06F2216/03—Data mining

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Databases & Information Systems (AREA)
  • Computer Security & Cryptography (AREA)
  • General Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Data Mining & Analysis (AREA)
  • Software Systems (AREA)
  • Computing Systems (AREA)
  • Computer Networks & Wireless Communication (AREA)
  • Mathematical Physics (AREA)
  • Computer Hardware Design (AREA)
  • Signal Processing (AREA)
  • Medical Informatics (AREA)
  • Evolutionary Computation (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Artificial Intelligence (AREA)
  • Fuzzy Systems (AREA)
  • Probability & Statistics with Applications (AREA)
  • Computational Linguistics (AREA)
  • Data Exchanges In Wide-Area Networks (AREA)

Abstract

本发明提供一种流量安全分析挖掘的方法及***，解决现有的网络攻击检测分析平台多为单纯检测出网络攻击，不能根据指定业务或指定用户，通过使用不同的聚类算法构建多维集合，得到多维检测样本，有针对性地检测网络攻击的问题，可针对指定的业务或用户检测攻击和攻击溯源，结合场景分析，挖掘出相应的场景属性，给出针对性的防御策略，并加入了模型训练功能，使得检测效果更好。

Description

一种流量安全分析挖掘的方法及***
技术领域
本申请涉及网络安全技术领域，尤其涉及一种流量安全分析挖掘的方法及***。
背景技术
随着全球信息化的不断发展和持续推进，互联网、移动终端、即时通信的不断出现，网络安全威胁激增。不仅如此，随着所面临的最大挑战之一是缺乏具有规模、能够模拟真实环境、制造多种网络攻击场景的平台。为了解决上述问题，需要一种基于场景的分析方法和***。
同时，业界通常的检测方法多为单纯检测出网络攻击，基于网络流量来监测攻击行为。但是对于地址分散或以小博大与正常流量难以区分的攻击行为来说，却不能根据指定业务或指定用户，有针对性地检测网络攻击，更不能给出针对性的防御策略。
因此，急需一种针对性的流量安全分析挖掘的方法及***。
发明内容
本发明的目的在于提供一种流量安全分析挖掘的方法及***，解决现有的网络攻击检测分析平台多为单纯检测出网络攻击，不能根据指定业务或指定用户，有针对性地检测网络攻击，也不能结合场景分析，给出针对性的防御策略的问题，可针对指定的业务或用户检测攻击和场景挖掘，并加入了模型训练功能，使得检测效果更好。
第一方面，本申请提供一种流量安全分析挖掘方法，所述方法包括：
对进入业务***的数据流量进行分类聚合，所述分类聚合为根据解析后的标识信息，使用不同的聚类算法得到多维集合，所述标识信息包括用户标识信息、业务标识信息、设备标识信息，所述多维集合是指分别根据所述用户标识信息、业务标识信息和设备标识信息提取出隶属于同一数据流的三个特征集；
根据用户标识信息、业务标识信息和设备标识信息，动态确定所述多维集合对应的三种检测参数和规则，由检测参数和规则得到特征向量加权后的多维检测样本，将所述多维检测样本送入机器学习模型，检测是否包括第一攻击向量；
获取数据库的历史异常数据，模拟出指定类型的网络攻击流量，所述指定类型的网络攻击流量是指携带预先构造的第二攻击向量；
将模拟的所述网络攻击流量送入机器学习模型，此时的机器学习模块作为判别器，判别所述网络攻击流量与当前网络流量之间的相似度，当相似度数值随着当前网络流量的变化形成的流量曲线符合预设的图形时，则认定所述机器学习模型能够正确识别出所模拟的网络攻击，所述机器学习模型完成训练；
当所述机器学习模型检测出所述多维检测样本中包括第一攻击向量时，标记携带所述第一攻击向量的一个或多个特征集为异常，匹配异常特征集所属的维度是用户、业务或设备中的类型，根据异常涉及的类型开始对第一攻击向量进行针对性溯源；
当所述异常涉及用户类型时，获取数据库的用户关系链，所述用户关系链包括所属部门的同事关系、与公司外部的客户关系、亲戚好友关系、邮件收发关系中的一种或若干种，每一种关系下每一个人为所述用户关系链的一个节点，根据所述用户关系链扩展检测每一个节点涉及的终端、邮箱、文件、即时通信中的一种或若干种，判断是否包括所述第一攻击向量，如果检测到所述第一攻击向量，则标记该节点为攻击轨迹在途点；
当所述异常涉及业务类型时，根据业务流程规定的前后关系、具体业务动作的经办人，得到业务关系链，每一个经办人、经办人名下的终端、设备、文件、即时通信为所述业务关系链的一个节点，检测每一个节点是否包括所述第一攻击向量，如果是，则标记该节点为攻击轨迹在途点；
当所述异常涉及设备类型时，获取设备上传输的数据流、用户使用情况、业务办理情况，得到设备关系链，每一个数据包、用户账号、业务动作作为所述设备关系链的一个节点，检测每一个节点是否包括所述第一攻击向量，如果是，则标记该节点为攻击轨迹在途点；
将所述攻击轨迹在途点、第一攻击向量输入场景挖掘模型，所述场景挖掘模型使用标识信息对应的数据挖掘算法找出所述攻击轨迹在途点、第一攻击向量对应的场景属性，所述场景属性用于描述潜在攻击者的网络行为方式、潜在攻击者的估计数量、预计攻击的时间范围；
连接所有的攻击轨迹在途点，形成完整的攻击轨迹，不同类型的异常特征集采用差异化显示，所述攻击轨迹可复用包括多个不同维度的异常攻击，溯源得到不同维度的异常攻击的源点；
管理员针对不同的源点，根据所述场景属性，为所述源点选择对应的防御策略，并根据所述源点的状态动态部署相应的防御策略。
结合第一方面，在第一方面第一种可能的实现方式中，所述防御策略包括：完全隔离单个设备或用户、完全禁止单项业务、仅拒绝单个设备或用户开展指定的单项业务、仅拒绝单个设备或用户修改数据中的一种或若干种；
根据网络节点的负载情况自动部署防御策略，若异常攻击的源点负载小于预设的阈值，则直接在源点部署，否则，为源点选择负载小于阈值的邻近网络节点部署，切断源点向外传输的路径；
当所述邻近网络节点的负载上升大于阈值时，先判断源点负载是否还大于阈值，如果是，为源点切换到第二邻近网络节点部署策略，所述第二邻近网络节点是在源点潜在的传播路径上；
定期检测源点的负载情况，当负载稳定小于阈值时，则将部署切换回源点。
结合第一方面，在第一方面第二种可能的实现方式中，所述溯源还包括形成攻击溯源图，得出针对不同业务或不同用户的风险评估、防御策略，指导管理员针对业务或用户进行针对性的风险消除。
结合第一方面，在第一方面第三种可能的实现方式中，所述机器学习模型包括神经网络模型。
第二方面，本申请提供一种流量安全分析挖掘***，所述***包括处理器以及存储器：
所述存储器用于存储程序代码，并将所述程序代码传输给所述处理器；
所述处理器用于根据所述程序代码中的指令执行第一方面四种可能中任一项所述的流量安全分析挖掘方法。
第三方面，本申请提供一种计算机可读存储介质，所述计算机可读存储介质用于存储程序代码，所述程序代码用于执行第一方面四种可能中任一项所述的流量安全分析挖掘方法。
第四方面，本申请提供一种包括指令的计算机程序产品，当其在计算机上运行时，使得所述计算机执行第一方面四种可能中任一项所述的流量安全分析挖掘方法。
本发明提供一种流量安全分析挖掘的方法及***，解决现有的网络攻击检测分析平台多为单纯检测出网络攻击，不能根据指定业务或指定用户，通过使用不同的聚类算法构建多维集合，得到多维检测样本，有针对性地检测网络攻击的问题，可针对指定的业务或用户检测攻击和攻击溯源，结合场景分析，给出针对性的防御策略，并加入了模型训练功能，使得检测效果更好。
附图说明
为了更清楚地说明本发明实施例中的技术方案，下面将对实施例中所需要使用的附图作简单地介绍，显而易见地，对于本领域普通技术人员而言，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。
图1为本发明流量安全分析挖掘方法的大致流程图。
具体实施方式
下面结合附图对本发明的优选实施例进行详细阐述，以使本发明的优点和特征能更易于被本领域技术人员理解，从而对本发明的保护范围做出更为清楚明确的界定。
图1为本申请提供的流量安全分析挖掘方法的大致流程图，所述方法包括：
对进入业务***的数据流量进行分类聚合，所述分类聚合为根据解析后的标识信息，使用不同的聚类算法得到多维集合，所述标识信息包括用户标识信息、业务标识信息、设备标识信息，所述多维集合是指分别根据所述用户标识信息、业务标识信息和设备标识信息提取出隶属于同一数据流的三个特征集；
根据用户标识信息、业务标识信息和设备标识信息，动态确定所述多维集合对应的三种检测参数和规则，由检测参数和规则得到特征向量加权后的多维检测样本，将所述多维检测样本送入机器学习模型，检测是否包括第一攻击向量；
获取数据库的历史异常数据，模拟出指定类型的网络攻击流量，所述指定类型的网络攻击流量是指携带预先构造的第二攻击向量；
将模拟的所述网络攻击流量送入机器学习模型，此时的机器学习模块作为判别器，判别所述网络攻击流量与当前网络流量之间的相似度，当相似度数值随着当前网络流量的变化形成的流量曲线符合预设的图形时，则认定所述机器学习模型能够正确识别出所模拟的网络攻击，所述机器学习模型完成训练；
当所述机器学习模型检测出所述多维检测样本中包括第一攻击向量时，标记携带所述第一攻击向量的一个或多个特征集为异常，匹配异常特征集所属的维度是用户、业务或设备中的类型，根据异常涉及的类型开始对第一攻击向量进行针对性溯源；
当所述异常涉及用户类型时，获取数据库的用户关系链，所述用户关系链包括所属部门的同事关系、与公司外部的客户关系、亲戚好友关系、邮件收发关系中的一种或若干种，每一种关系下每一个人为所述用户关系链的一个节点，根据所述用户关系链扩展检测每一个节点涉及的终端、邮箱、文件、即时通信中的一种或若干种，判断是否包括所述第一攻击向量，如果检测到所述第一攻击向量，则标记该节点为攻击轨迹在途点；
当所述异常涉及业务类型时，根据业务流程规定的前后关系、具体业务动作的经办人，得到业务关系链，每一个经办人、经办人名下的终端、设备、文件、即时通信为所述业务关系链的一个节点，检测每一个节点是否包括所述第一攻击向量，如果是，则标记该节点为攻击轨迹在途点；
当所述异常涉及设备类型时，获取设备上传输的数据流、用户使用情况、业务办理情况，得到设备关系链，每一个数据包、用户账号、业务动作作为所述设备关系链的一个节点，检测每一个节点是否包括所述第一攻击向量，如果是，则标记该节点为攻击轨迹在途点；
将所述攻击轨迹在途点、第一攻击向量输入场景挖掘模型，所述场景挖掘模型使用标识信息对应的数据挖掘算法找出所述攻击轨迹在途点、第一攻击向量对应的场景属性，所述场景属性用于描述潜在攻击者的网络行为方式、潜在攻击者的估计数量、预计攻击的时间范围；
连接所有的攻击轨迹在途点，形成完整的攻击轨迹，不同类型的异常特征集采用差异化显示，所述攻击轨迹可复用包括多个不同维度的异常攻击，溯源得到不同维度的异常攻击的源点；
管理员针对不同的源点，根据所述场景属性，为所述源点选择对应的防御策略，并根据所述源点的状态动态部署相应的防御策略。
其中，攻击轨迹在途点还包括分析在途点上的若干个异常数据片段之间是否存在逻辑关联包括：分析数据片段所属业务是否存在关联、或业务是否相同，分析相关节点是否在潜在传播路径上，分析数据片段所属用户是否相同、或用户之间是否存在关系链；
根据所述逻辑关联，辅助溯源结果，得到对应不同业务或不同用户的攻击轨迹的网络攻击面，以及形成攻击溯源图。
所述根据所述源点的状态动态部署相应的防御策略，就是会根据作为源点的网络节点的负载情况自动部署防御策略。
在一些优选实施例中，所述防御策略包括：完全隔离单个设备或用户、完全禁止单项业务、仅拒绝单个设备或用户开展指定的单项业务、仅拒绝单个设备或用户修改数据中的一种或若干种；
根据网络节点的负载情况自动部署防御策略，若异常攻击的源点负载小于预设的阈值，则直接在源点部署，否则，为源点选择负载小于阈值的邻近网络节点部署，切断源点向外传输的路径；
当所述邻近网络节点的负载上升大于阈值时，先判断源点负载是否还大于阈值，如果是，为源点切换到第二邻近网络节点部署策略，所述第二邻近网络节点是在源点潜在的传播路径上；
定期检测源点的负载情况，当负载稳定小于阈值时，则将部署切换回源点。
在一些优选实施例中，所述溯源还包括形成攻击溯源图，得出针对不同业务或不同用户的风险评估、防御策略，指导管理员针对业务或用户进行针对性的风险消除。
在一些优选实施例中，所述机器学习模型包括神经网络模型。
在一些优选实施例中，形成攻击溯源图之后，还可以包括：梳理出攻击事件的发生脉络和攻击路径，具体为：
对采集的所述日志信息从时间、空间多重维度进行深度关联分析和数据挖掘，建立规则库；
将疑似攻击的溯源信息与规则库中的信息进行对比，通过传播查询和追溯查询构建溯源图，根据所述溯源图获取攻击事件的发生脉络和攻击路径。
本申请提供一种流量安全分析挖掘***，所述***包括：所述***包括处理器以及存储器：
所述存储器用于存储程序代码，并将所述程序代码传输给所述处理器；
所述处理器用于根据所述程序代码中的指令执行第一方面所有实施例中任一项所述的流量安全分析挖掘方法。
本申请提供一种计算机可读存储介质，所述计算机可读存储介质用于存储程序代码，所述程序代码用于执行第一方面所有实施例中任一项所述的流量安全分析挖掘方法。
本申请提供一种包括指令的计算机程序产品，当其在计算机上运行时，使得所述计算机执行第一方面所有实施例中任一项所述的流量安全分析挖掘方法。
具体实现中，本发明还提供一种计算机存储介质，其中，该计算机存储介质可以存储有程序，该程序执行时可包括本发明各个实施例中的部分或全部步骤。所述的存储介质可以为磁碟、光盘、只读存储记忆体(简称：ROM)或随机存储记忆体(简称：RAM)等。
本领域的技术人员可以清楚地了解到本发明实施例中的技术可借助软件加必需的通用硬件平台的方式来实现。基于这样的理解，本发明实施例中的技术方案本质上或者对现有技术做出贡献的部分可以以软件产品的形式体现出来，该计算机软件产品可以存储在存储介质中，如ROM/RAM、磁碟、光盘等，包括若干指令用以使得一台计算机设备(可以是个人计算机、服务器、或者网络设备等)执行本发明各个实施例或者实施例的某些部分所述的方法。
本说明书各个实施例之间相同相似的部分互相参见即可。尤其，对于实施例而言，由于其基本相似于方法实施例，所以描述的比较简单，相关之处参见方法实施例中的说明即可。
以上所述的本发明实施方式并不构成对本发明保护范围的限定。

Claims (5)

1.一种流量安全分析挖掘方法，其特征在于，所述方法包括：
对进入业务***的数据流量进行分类聚合，所述分类聚合为根据解析后的标识信息，使用不同的聚类算法得到多维集合，所述标识信息包括用户标识信息、业务标识信息、设备标识信息，所述多维集合是指分别根据所述用户标识信息、业务标识信息和设备标识信息提取出隶属于同一数据流的三个特征集；
根据用户标识信息、业务标识信息和设备标识信息，动态确定所述多维集合对应的三种检测参数和规则，由检测参数和规则得到特征向量加权后的多维检测样本，将所述多维检测样本送入机器学习模型，检测是否包括第一攻击向量；
获取数据库的历史异常数据，模拟出指定类型的网络攻击流量，所述指定类型的网络攻击流量是指携带预先构造的第二攻击向量；
将模拟的所述网络攻击流量送入机器学习模型，此时的机器学习模型作为判别器，判别所述网络攻击流量与当前网络流量之间的相似度，当相似度数值随着当前网络流量的变化形成的流量曲线符合预设的图形时，则认定所述机器学习模型能够正确识别出所模拟的网络攻击，所述机器学习模型完成训练；
当所述机器学习模型检测出所述多维检测样本中包括第一攻击向量时，标记携带所述第一攻击向量的一个或多个特征集为异常，匹配异常特征集所属的维度是用户、业务或设备中的类型，根据异常涉及的类型开始对第一攻击向量进行针对性溯源；
当所述异常涉及用户类型时，获取数据库的用户关系链，所述用户关系链包括所属部门的同事关系、与公司外部的客户关系、亲戚好友关系、邮件收发关系中的一种或若干种，每一种关系下每一个人为所述用户关系链的一个节点，根据所述用户关系链扩展检测每一个节点涉及的终端、邮箱、文件、即时通信中的一种或若干种，判断是否包括所述第一攻击向量，如果检测到所述第一攻击向量，则标记该节点为攻击轨迹在途点；
当所述异常涉及业务类型时，根据业务流程规定的前后关系、具体业务动作的经办人，得到业务关系链，每一个经办人、经办人名下的终端、设备、文件、即时通信为所述业务关系链的一个节点，检测每一个节点是否包括所述第一攻击向量，如果是，则标记该节点为攻击轨迹在途点；
当所述异常涉及设备类型时，获取设备上传输的数据流、用户使用情况、业务办理情况，得到设备关系链，每一个数据包、用户账号、业务动作作为所述设备关系链的一个节点，检测每一个节点是否包括所述第一攻击向量，如果是，则标记该节点为攻击轨迹在途点；
将所述攻击轨迹在途点、第一攻击向量输入场景挖掘模型，所述场景挖掘模型使用标识信息对应的数据挖掘算法找出所述攻击轨迹在途点、第一攻击向量对应的场景属性，所述场景属性用于描述潜在攻击者的网络行为方式、潜在攻击者的估计数量、预计攻击的时间范围；
连接所有的攻击轨迹在途点，形成完整的攻击轨迹，不同类型的异常特征集采用差异化显示，所述攻击轨迹可复用包括多个不同维度的异常攻击，溯源得到不同维度的异常攻击的源点；
管理员针对不同的源点，根据所述场景属性，为所述源点选择对应的防御策略，并根据所述源点的状态动态部署相应的防御策略。
2.根据权利要求1所述的方法，其特征在于：所述防御策略包括：完全隔离单个设备或用户、完全禁止单项业务、仅拒绝单个设备或用户开展指定的单项业务、仅拒绝单个设备或用户修改数据中的一种或若干种；
根据网络节点的负载情况自动部署防御策略，若异常攻击的源点负载小于预设的阈值，则直接在源点部署，否则，为源点选择负载小于阈值的邻近网络节点部署，切断源点向外传输的路径；
当所述邻近网络节点的负载上升大于阈值时，先判断源点负载是否还大于阈值，如果是，为源点切换到第二邻近网络节点部署策略，所述第二邻近网络节点是在源点潜在的传播路径上；
定期检测源点的负载情况，当负载稳定小于阈值时，则将部署切换回源点。
3.根据权利要求1-2任一项所述的方法，其特征在于：所述溯源还包括形成攻击溯源图，得出针对不同业务或不同用户的风险评估、防御策略，指导管理员针对业务或用户进行针对性的风险消除。
4.根据权利要求3所述的方法，其特征在于：所述机器学习模型包括神经网络模型。
5.一种流量安全分析挖掘***，其特征在于，所述***包括处理器以及存储器：
所述存储器用于存储程序代码，并将所述程序代码传输给所述处理器；
所述处理器用于根据所述程序代码中的指令执行权利要求1-4任一项所述的流量安全分析挖掘方法。
CN202010797795.9A 2020-08-10 2020-08-10 一种流量安全分析挖掘的方法及*** Active CN111917792B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202010797795.9A CN111917792B (zh) 2020-08-10 2020-08-10 一种流量安全分析挖掘的方法及***

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202010797795.9A CN111917792B (zh) 2020-08-10 2020-08-10 一种流量安全分析挖掘的方法及***

Publications (2)

Publication Number Publication Date
CN111917792A CN111917792A (zh) 2020-11-10
CN111917792B true CN111917792B (zh) 2021-11-26

Family

ID=73283658

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202010797795.9A Active CN111917792B (zh) 2020-08-10 2020-08-10 一种流量安全分析挖掘的方法及***

Country Status (1)

Country Link
CN (1) CN111917792B (zh)

Families Citing this family (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN112839039B (zh) * 2021-01-05 2022-02-08 四川大学 一种网络威胁事件攻击场景交互式自动还原方法
CN112968891B (zh) * 2021-02-19 2022-07-08 山东英信计算机技术有限公司 网络攻击防御方法、装置及计算机可读存储介质
CN113688382B (zh) * 2021-08-31 2022-05-03 中科柏诚科技（北京）股份有限公司 基于信息安全的攻击意图挖掘方法及人工智能分析***
CN114172705B (zh) * 2021-11-29 2023-11-14 北京国瑞数智技术有限公司 基于模式识别的网络大数据分析方法和***
CN114221794B (zh) * 2021-11-29 2024-02-02 北京国瑞数智技术有限公司 基于改进模式识别算法的用户行为分析方法、***和介质
CN114201956A (zh) * 2021-12-02 2022-03-18 北京智美互联科技有限公司 工业互联网的安全防护方法和***
CN116451056B (zh) * 2023-06-13 2023-09-29 支付宝(杭州)信息技术有限公司 端特征洞察方法、装置以及设备

Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN102413003A (zh) * 2010-09-20 2012-04-11 中国科学院计算技术研究所 检测网络安全性的方法及***
CN110505241A (zh) * 2019-09-17 2019-11-26 武汉思普崚技术有限公司 一种网络攻击面检测方法及***

Family Cites Families (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
GB2554981A (en) * 2016-08-16 2018-04-18 British Telecomm Configuration parameters for virtual machines
CN110138764B (zh) * 2019-05-10 2021-04-09 中北大学 一种基于层次攻击图的攻击路径分析方法
CN110380896B (zh) * 2019-07-04 2022-04-01 湖北央中巨石信息技术有限公司 基于攻击图的网络安全态势感知***和方法
CN110808836A (zh) * 2019-11-19 2020-02-18 武汉思普崚技术有限公司 一种网络认证攻击预测方法及***

Patent Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN102413003A (zh) * 2010-09-20 2012-04-11 中国科学院计算技术研究所 检测网络安全性的方法及***
CN110505241A (zh) * 2019-09-17 2019-11-26 武汉思普崚技术有限公司 一种网络攻击面检测方法及***

Also Published As

Publication number Publication date
CN111917792A (zh) 2020-11-10

Similar Documents

Publication Publication Date Title
CN111917792B (zh) 一种流量安全分析挖掘的方法及***
CN111935143B (zh) 一种攻击防御策略可视化的方法及***
Thanthrige et al. Machine learning techniques for intrusion detection on public dataset
Hoque et al. An implementation of intrusion detection system using genetic algorithm
CN112003840B (zh) 一种基于攻击面的漏洞检测方法及***
US9230102B2 (en) Apparatus and method for detecting traffic flooding attack and conducting in-depth analysis using data mining
Ahmadinejad et al. A hybrid model for correlating alerts of known and unknown attack scenarios and updating attack graphs
Yang et al. High level information fusion for tracking and projection of multistage cyber attacks
De Souza et al. Two-step ensemble approach for intrusion detection and identification in IoT and fog computing environments
CN111866027B (zh) 一种基于情报分析的资产安全评估方法及***
CN111586046B (zh) 一种结合威胁情报和机器学习的网络流量分析方法及***
CN111917793B (zh) 一种攻击链情报分析方法、***及存储介质
Krishnaveni et al. Ensemble approach for network threat detection and classification on cloud computing
Öke et al. A denial of service detector based on maximum likelihood detection and the random neural network
CN111935145B (zh) 一种实现网络流量安全分析的硬件无关化方法及***
CN111787002B (zh) 一种业务数据网络安全分析的方法及***
CN113821793B (zh) 基于图卷积神经网络的多阶段攻击场景构建方法及***
Bateni et al. Using Artificial Immune System and Fuzzy Logic for Alert Correlation.
Rupa Devi et al. A review on network intrusion detection system using machine learning
Sharma et al. A novel intrusion detection system for RPL-based cyber–physical systems
SG184120A1 (en) Method of identifying a protocol giving rise to a data flow
Baye et al. Api security in large enterprises: Leveraging machine learning for anomaly detection
Aminanto et al. Weighted feature selection techniques for detecting impersonation attack in Wi-Fi networks
CN111885011B (zh) 一种业务数据网络安全分析挖掘的方法及***
CN111866028B (zh) 一种攻击面可视化的方法、***及存储介质

Legal Events

Date Code Title Description
PB01 Publication
PB01 Publication
SE01 Entry into force of request for substantive examination
SE01 Entry into force of request for substantive examination
GR01 Patent grant
GR01 Patent grant