[發(fā)明專(zhuān)利]網(wǎng)絡(luò)行為檢測(cè)方法、裝置、設(shè)備及存儲(chǔ)介質(zhì)

有效

• 申請(qǐng)?zhí)枺?/td>: 201911032287.5
• 申請(qǐng)日: 2019-10-28
• 公開(kāi)（公告）號(hào): CN110753065B
• 公開(kāi)（公告）日: 2022-03-01
• 發(fā)明（設(shè)計(jì)）人: 陸繼釗;郭少勇;常大泳;吳晨光;李文萃;孟慧平;徐思雅;梅林;蔡沛霖;阮琳娜
• 申請(qǐng)（專(zhuān)利權(quán)）人: 國(guó)網(wǎng)河南省電力公司信息通信公司;國(guó)家電網(wǎng)有限公司;北京郵電大學(xué)
• 主分類(lèi)號(hào): H04L9/40
• 分類(lèi)號(hào): H04L9/40;G06K9/62
• 代理公司: 北京品源專(zhuān)利代理有限公司 11332
• 代理人: 孟金喆

1.一種網(wǎng)絡(luò)行為檢測(cè)方法，其特征在于，包括：

根據(jù)待檢測(cè)用戶(hù)的網(wǎng)絡(luò)行為，確定所述待檢測(cè)用戶(hù)的待檢測(cè)行為特征向量；

根據(jù)所述待檢測(cè)行為特征向量，以及，預(yù)先確定的聚類(lèi)模型，確定所述待檢測(cè)行為特征向量的所屬類(lèi)簇；其中，所述聚類(lèi)模型為根據(jù)多個(gè)用戶(hù)的歷史網(wǎng)絡(luò)行為以及基于拉普拉斯映射的近鄰傳播聚類(lèi)算法確定的模型，所述聚類(lèi)模型包括類(lèi)簇以及類(lèi)簇中心；

當(dāng)所述待檢測(cè)行為特征向量與所述所屬類(lèi)簇的中心的距離大于預(yù)設(shè)閾值時(shí)，確定所述待檢測(cè)行為特征向量對(duì)應(yīng)的行為為攻擊行為；

其中，所述根據(jù)所述待檢測(cè)行為特征向量，以及，預(yù)先確定的聚類(lèi)模型，確定所述待檢測(cè)行為特征向量的所屬類(lèi)簇之前，所述方法還包括：

根據(jù)多個(gè)用戶(hù)的歷史網(wǎng)絡(luò)行為，確定每個(gè)所述用戶(hù)的歷史行為特征向量；

根據(jù)多個(gè)所述歷史行為特征向量，確定特征相似度矩陣；

根據(jù)所述特征相似度矩陣構(gòu)建稀疏矩陣連接圖；

根據(jù)所述稀疏矩陣連接圖，確定對(duì)應(yīng)的拉普拉斯矩陣；

將所述拉普拉斯矩陣的最小的預(yù)設(shè)數(shù)量個(gè)非零特征值對(duì)應(yīng)的特征向量作為降維后的數(shù)據(jù)對(duì)象；

根據(jù)所述降維后的數(shù)據(jù)對(duì)象，確定類(lèi)別相似度矩陣；

對(duì)所述類(lèi)別相似度矩陣，執(zhí)行近鄰傳播算法的消息傳遞過(guò)程，直至收斂，得到所述聚類(lèi)模型。

2.根據(jù)權(quán)利要求1所述的方法，其特征在于，所述行為特征向量包括以下至少一項(xiàng)特征屬性：

活躍度、請(qǐng)求成功率、重復(fù)請(qǐng)求率、頁(yè)面瀏覽時(shí)間、興趣廣泛度、熱門(mén)網(wǎng)頁(yè)偏好度以及異常訪問(wèn)率。

3.根據(jù)權(quán)利要求2所述的方法，其特征在于，所述根據(jù)待檢測(cè)用戶(hù)的網(wǎng)絡(luò)行為，確定所述待檢測(cè)用戶(hù)的待檢測(cè)行為特征向量，包括：

統(tǒng)計(jì)預(yù)設(shè)時(shí)長(zhǎng)內(nèi)所述待檢測(cè)用戶(hù)全部請(qǐng)求數(shù)、所有用戶(hù)平均請(qǐng)求數(shù)、所述待檢測(cè)用戶(hù)成功請(qǐng)求數(shù)、所述待檢測(cè)用戶(hù)重復(fù)請(qǐng)求的網(wǎng)頁(yè)數(shù)、所述待檢測(cè)用戶(hù)瀏覽過(guò)的頁(yè)面數(shù)、所述待檢測(cè)用戶(hù)對(duì)同一個(gè)網(wǎng)頁(yè)的最高請(qǐng)求次數(shù)以及服務(wù)器繁忙時(shí)所述待檢測(cè)用戶(hù)的請(qǐng)求數(shù)；

將所述待檢測(cè)用戶(hù)全部請(qǐng)求數(shù)除以所有用戶(hù)平均請(qǐng)求數(shù)的商確定為所述待檢測(cè)用戶(hù)的活躍度；

將所述待檢測(cè)用戶(hù)成功請(qǐng)求數(shù)除以所述待檢測(cè)用戶(hù)全部請(qǐng)求數(shù)的商確定為所述待檢測(cè)用戶(hù)的請(qǐng)求成功率；

將所述待檢測(cè)用戶(hù)重復(fù)請(qǐng)求的網(wǎng)頁(yè)數(shù)除以所述待檢測(cè)用戶(hù)全部請(qǐng)求數(shù)的商確定為所述待檢測(cè)用戶(hù)的重復(fù)請(qǐng)求率；

將所述待檢測(cè)用戶(hù)全部請(qǐng)求數(shù)除以所述預(yù)設(shè)時(shí)長(zhǎng)的商確定為所述待檢測(cè)用戶(hù)的頁(yè)面瀏覽時(shí)間；

將所述待檢測(cè)用戶(hù)瀏覽過(guò)的頁(yè)面數(shù)除以所述服務(wù)器所有的頁(yè)面數(shù)的商確定為所述待檢測(cè)用戶(hù)的興趣廣泛度；

將所述待檢測(cè)用戶(hù)對(duì)同一個(gè)網(wǎng)頁(yè)的最高請(qǐng)求次數(shù)除以所述待檢測(cè)用戶(hù)全部請(qǐng)求數(shù)的商確定為所述待檢測(cè)用戶(hù)的熱門(mén)網(wǎng)頁(yè)偏好度；

將所述服務(wù)器繁忙時(shí)所述待檢測(cè)用戶(hù)的請(qǐng)求數(shù)除以所述待檢測(cè)用戶(hù)全部請(qǐng)求數(shù)的商確定為所述待檢測(cè)用戶(hù)的異常訪問(wèn)率；

將所述待檢測(cè)用戶(hù)的活躍度、所述待檢測(cè)用戶(hù)的請(qǐng)求成功率、所述待檢測(cè)用戶(hù)的重復(fù)請(qǐng)求率、所述待檢測(cè)用戶(hù)的頁(yè)面瀏覽時(shí)間、所述待檢測(cè)用戶(hù)的興趣廣泛度、所述待檢測(cè)用戶(hù)的熱門(mén)網(wǎng)頁(yè)偏好度以及所述待檢測(cè)用戶(hù)的異常訪問(wèn)率組成的向量，確定為所述待檢測(cè)用戶(hù)的待檢測(cè)行為特征向量。

4.根據(jù)權(quán)利要求1所述的方法，其特征在于，所述根據(jù)待檢測(cè)用戶(hù)的網(wǎng)絡(luò)行為，確定所述待檢測(cè)用戶(hù)的待檢測(cè)行為特征向量之前，所述方法還包括：

從網(wǎng)站服務(wù)器的訪問(wèn)日志中，獲取所述待檢測(cè)用戶(hù)的網(wǎng)絡(luò)行為。

5.根據(jù)權(quán)利要求1所述的方法，其特征在于，所述根據(jù)所述待檢測(cè)行為特征向量，以及，預(yù)先確定的聚類(lèi)模型，確定所述待檢測(cè)行為特征向量的所屬類(lèi)簇，包括：

分別確定所述待檢測(cè)行為特征向量與所述聚類(lèi)模型中各個(gè)類(lèi)簇的中心的距離；

將所述距離中最小的距離對(duì)應(yīng)的類(lèi)簇確定為所述待檢測(cè)行為特征向量的所屬類(lèi)簇。

6.根據(jù)權(quán)利要求1所述的方法，其特征在于，所述方法還包括：

當(dāng)所述待檢測(cè)行為特征向量與所述所屬類(lèi)簇的中心的距離小于或者等于所述預(yù)設(shè)閾值時(shí)，確定所述待檢測(cè)行為特征向量對(duì)應(yīng)的行為為正常訪問(wèn)行為。