[發明專利]安全性防御方法、裝置、電子設備及存儲介質

有效

• 申請號: 201711494788.6
• 申請日: 2017-12-31
• 公開（公告）號: CN108804918B
• 公開（公告）日: 2020-07-31
• 發明（設計）人: 苑朔;徐翰隆;王小豐;肖新光
• 申請（專利權）人: 北京安天網絡安全技術有限公司
• 主分類號: G06F21/56
• 分類號: G06F21/56;H04L29/06
• 代理公司: 北京市廣友專利事務所有限責任公司 11237
• 代理人: 祁獻民

1.一種安全性防御方法，其特征在于，應用于終端設備，所述方法包括：

通過檢測模塊對當前進程進行安全性檢測，得到第一檢測結果；

通過基于無監督學習的決策模塊對所述當前進程進行安全性決策，得到第一決策結果；

根據所述第一檢測結果和所述第一決策結果，確定是否阻止所述當前進程；

其中，所述通過基于無監督學習的決策模塊對所述當前進程進行安全性決策，得到第一決策結果，包括：

獲取當前進程的屬性信息、行為信息、文件內存信息以及對應的實體文件信息；

將所述屬性信息、行為信息、文件內存信息以及實體文件信息，作為特征向量，輸入基于無監督學習的決策模塊，以使所述基于無監督學習的決策模塊根據深度無監督機器學習模型進行預測，得到第一決策結果；

其中，在確定放行所述當前進程之后，所述方法還包括：

獲取放行所述當前進程之后的終端設備的狀態信息；

對獲取的所述狀態信息，通過基于無監督的自學習模塊，進行聚類分析；

根據聚類分析結果確定放行所述當前進程之后的終端設備的安全等級；

根據通過所述聚類分析確定的所述終端設備的安全等級，對所述深度無監督機器學習模型的權重值進行更新。

2.根據權利要求1所述的安全性防御方法，其特征在于，所述通過檢測模塊對當前進程進行安全性檢測，得到第一檢測結果，包括：

根據特征碼對所述當前進程所對應的實體文件進行對比檢測；和/或

對所述當前進程在執行過程中所加載的動態的庫文件進行檢測，得到第一檢測結果。

3.根據權利要求1所述的安全性防御方法，其特征在于，在所述通過基于無監督學習的決策模塊對所述當前進程進行安全性決策，得到第一決策結果之前，所述方法包括：

根據所述終端設備上的環境信息，對所述深度無監督機器學習模型中的權重值進行初始化。

4.根據權利要求1所述的安全性防御方法，其特征在于，所述根據所述第一檢測結果和所述第一決策結果，確定是否阻止所述當前進程，包括：

根據所述第一檢測結果確定是否阻止所述當前進程得出第一判斷結果；

根據所述第一決策結果確定是否阻止所述當前進程得出第二判斷結果；

根據所述第一判斷結果和第二判斷結果做出綜合判斷，以最終確定是否阻止所述當前進程。

5.根據權利要求4所述的安全性防御方法，其特征在于，所述第一決策結果為包含分別表示屬性信息元素、行為信息元素、文件內存信息元素的三維向量；

其中，根據所述第一決策結果，確定是否阻止所述當前進程，包括：

將所述第一決策結果轉換為分值；

當所述分值大于預定閾值時，確定阻止所述當前進程，否則放行所述當前進程。

6.一種安全性防御裝置，其特征在于，應用于終端設備，所述裝置包括：

檢測模塊，用于對當前進程進行安全性檢測，得到第一檢測結果；

基于無監督學習的決策模塊，用于通過無監督學習對所述當前進程進行安全性決策，得到第一決策結果；

判斷模塊，用于根據所述第一檢測結果和所述第一決策結果，確定是否阻止所述當前進程；

其中，所述基于無監督學習的決策模塊，具體用于：

獲取當前進程的屬性信息、行為信息、文件內存信息以及對應的實體文件信息；

將所述屬性信息、行為信息、文件內存信息以及實體文件信息，作為特征向量，輸入基于無監督學習的決策模塊，以使所述基于無監督學習的決策模塊根據深度無監督機器學習模型進行預測，得到第一決策結果；

其中，所述裝置還包括：

自學習模塊，用于獲取放行所述當前進程之后的終端設備的狀態信息；對獲取的所述狀態信息，進行聚類分析；根據聚類分析結果確定放行所述當前進程之后的終端設備的安全等級；根據通過所述聚類分析確定的所述終端設備的安全等級，對所述深度無監督機器學習模型的權重值進行更新。