[發明專利]一種面向云平臺的數據安全監測方法及系統

在審

• 申請號: 201711047168.8
• 申請日: 2017-10-31
• 公開（公告）號: CN107707431A
• 公開（公告）日: 2018-02-16
• 發明（設計）人: 吳慶濤;張明川;朱軍龍;鄭瑞娟;張靜杰;劉若水;陳軍亞;李靜超;孟維鳴
• 申請（專利權）人: 河南科技大學
• 主分類號: H04L12/26
• 分類號: H04L12/26;H04L12/24
• 代理公司: 鄭州先風專利代理有限公司41127
• 代理人: 馬柯柯

1.一種面向云平臺的數據安全監測系統，其特征在于：包括網絡監測模塊、數據分析模塊、響應策略模塊、系統執行模塊和知識庫模塊；

網絡監測模塊用于將監測代理部署在物理主機、虛擬機或者相應容器上，搜集云平臺系統各層次的監測數據并持久化存儲入知識庫，將搜集到的監測數據進行分類，產生原始數據，然后對原始數據進行預處理后進行格式化；

數據分析模塊用于對網絡監測模塊輸入以及從知識庫調入的數據進行分析與存儲：根據歷史監測數據，建立度量間的相關性，形成度量關聯圖，以評估度量的重要程度，并利用主成分分析PCA計算監測數據的特征向量，建立云計算環境下數據源的線性回歸方程，以量化評估系統異常程度，輸送給策略響應模塊直接使用；

響應策略模塊用于根據數據分析模塊輸入的監測對象重要性的量化信息，選擇下階段需要監測的對象，利用泊松過程建立系統可靠性模型，分析異常程度預測系統故障發生的可能性并將該信息量化后輸送給系統執行模塊以調整監測周期；

系統執行模塊用于根據響應策略模塊輸入的信息，利用監測代理執行監測對象與監測周期的動態調整；

知識庫模塊用于記錄運行過程中學習到的負載模式以及對應的特征向量，以刻畫系統正常運行狀態。

2.一種面向云平臺的數據安全監測方法，其特征在于，包括如下步驟：

(一)網絡監測模塊

1)、建立滑動窗口的長度為n，滑動窗口中可存放n行元素，每一行元素為一組搜集到的多度量監測數據X_s＝(x_s1，x_s2，…，x_sp，…，x_sm)，s、p、m、n均為正整數，s≤n，p≤m，x_sp代表第s組、第p個的單個數據，s代表當前組多度量監測數據在滑動窗口中的排列序號，每一組多度量監測數據中包括m個度量，x_sp為第s行第p列的度量的值，代表運行狀態刻畫；將每一組搜集到的多度量監測數據X_s按時間先后順序存入滑動窗口，滑動窗口中的監測數據組成n行m列矩陣

Anm=x11x12...x1p...x1mx21x22...x2p...x2m..................xs1xs2...xsp...xsm..................xn1xn2...xnp...xnm;]]>

2)、將A_nm的每一列的監測度量進行標準化處理，使每一列的監測度量的均值為0、方差為1，標準化處理后的監測度量z_p＝(x_sp-μ_p)/σ_p，其中，μ_p為第p列監測度量集合的均值，σ_p為第p列監測度量集合的標準差；

3)、求出協方差矩陣：協方差矩陣C_sp中任一元素σ_sp＝cov(x_s,x_p)，其中，x_s是矩陣A_nm中第s行的所有元素的均值，x_p是是矩陣A_nm中第p列所有元素的均值；

4)、計算協方差矩陣C_sp的特征向量，作為數據分布的主方向

5)、當前運行狀態更新數據x_t到達后，為擴大異常值(離群點)對主要變化方向的影響，將當前運行狀態更新數據x_t復制nr次，得到當前運行狀態更新數據x_t作為樣本的集合矩陣A₀＝{x_t1、x_t2、...、x_tnr}，將當前樣本的集合矩陣A₀＝{x_t1、x_t2、...、x_tnr}與前次樣本的集合矩陣A_0-1相與，即得到所需的更新集合矩陣A＝A₀∪A_0-1，其中，更新集合矩陣的比例r∈[0,1]，r∈[0,1]是當前樣本的復制次數與當前樣本大小的比例；之后，將當前樣本的集合矩陣A₀置換為前次樣本的集合矩陣A_0-1，即可進行下一步；

6)、更新集合矩陣平均值：主方向更新特征向量為：主方向更新特征向量u_t用于記錄上一次到達的運行狀態更新數據x_t的平均值；

7)、通過余弦相似度評估新收集監測數據的異常，兩個主要特征矢量u和u_t相似度較低，兩者偏差程度越大，則說明異常程度越高，兩者異常程度的量化公式為：

(二)數據分析模塊

A；將網絡監測模塊輸入的數據源融合于偏最小二乘法，對原始數據進行清理和無量綱化處理，具體過程如下：

1)、將觀測到的數據源融合于偏最小二乘法，對原始數據進行清理和無量綱化處理，其公式如下所示：

xij*=xij-x‾jSjS(D)---(1)]]>

yi*=yi-y‾Sy×xij*---(2)]]>

式中，x_ij*代表云計算環境下清洗后的數據源，x_ij代表云計算環境下數據源狀態空間固有模態函數，是局部稀疏比率；

S_j代表云計算環境下數據權重向量，S(D)是整體數據的穩態概率；

y_i*代表對云計算環境下數據源的無量綱化處理后的數據，y_i代表給定的異常數據的多變量時間序列，代表局部稀疏比率，S_y代表云計算環境下整體數據的穩態概率；

2)、計算標準化數據矩陣和標準化維向量，為下一步的主成分分析提供數據依據：獲取由云計算環境下頻繁出現異常數據的預測變量X₀所代表的m*n階的標準化矩陣和決定因素觀察值標準化信息Y₀所代表的m維向量，公式如下所示：

Y0=yi*×y1*y2*...ym*---(4)]]>

y₁^*，y₂^*，...，y_m^*表示決定因素觀察值標準化信息Y₀的主要元素，代表云計算環境下數據源無量綱化處理后的數據，x₁₁^*，...，x_1n^*，...，x_m1^*，...，x_mn^*表示云計算環境下頻繁出現異常數據的預測變量X₀的主要元素；

3)、利用下列兩式分別對決定因素觀察值標準化信息Y₀和云計算環境下頻繁出現異常數據的預測變量X₀提取主成分Y1和主成分X1，促使主成分X1可以最大限度地反映主成分Y1，實現主成分的提取，計算公式如下所示：

Y1=t1(X0ω1)Y0---(6)]]>

X1=P1⊗X0Tt1Y1---(7)]]>

式中，t₁代表對矩陣X₀進行分解的時間復雜度量值，ω₁代表頻繁出現異常數據特征值間的相似度量值，P₁代表云計算環境下頻繁出現的異常數據，代表云計算環境下頻繁出現的異常數據的特征值向量；

4)、在提取主成分之后，建立云計算環境下源數據的回歸方程，表達式如下所示：

(x^*,y^*)代表云計算環境下數據的線性回歸系數，α₁，α₂，α_p代表頻繁出現異常數據因變量和各自變量的相關度，x₂^*是代表在時間復雜度量值為t2時頻繁出現異常數據變量之間的相關度；x_p^*是代表時間復雜度量值為tp時頻繁出現異常數據變量之間的相關度；是代表頻繁出現異常數據特征值間的相似度；

(三)策略響應模塊

設系統出現故障的概率為F(t)＝w，由此計算出上一次出現故障與下一次出現故障之間的時間間隔：t＝-ln(1-w)/λ，w≥0，因此將當前的監測周期進行調整的過程如下：

T=Tβ,0≤st<β-ln(1-st)λ+e,β≤st≤αTα,α<st≤1---(10)]]>

公式(10)中S_t是系統出現故障的時間間隔，T_β為最小監測周期，T_α為最大監測周期，λ，e為調整參數；進行分析可以得到，監測周期在設定的最大監測周期和最小監測周期之間，監測周期隨著系統異常程度增加而縮短，并且隨著異常程度的加劇，監測周期縮短的幅度增加，即異常越嚴重監測周期縮短的越快，這是期望得到的結果；

(四)系統執行模塊

系統收到前三個模塊得出的信息，確定了數據分布方向，分析出網絡中異常數據的集合，根據反饋，調節監測周期，對用戶進行反饋。