[發(fā)明專利]安全防護(hù)方法和裝置

有效

• 申請(qǐng)?zhí)枺?/td>: 201911093999.8
• 申請(qǐng)日: 2019-11-08
• 公開（公告）號(hào): CN110808995B
• 公開（公告）日: 2022-12-23
• 發(fā)明（設(shè)計(jì)）人: 呂博良;程佩哲;姜城;牟天宇
• 申請(qǐng)（專利權(quán)）人: 中國工商銀行股份有限公司
• 主分類號(hào): H04L9/40
• 分類號(hào): H04L9/40;H04L41/147
• 代理公司: 中科專利商標(biāo)代理有限責(zé)任公司 11021
• 代理人: 周天宇

1.一種安全防護(hù)方法，包括：

獲取行為數(shù)據(jù)，其中所述行為數(shù)據(jù)為目標(biāo)輔助設(shè)備響應(yīng)于用戶操作而產(chǎn)生的，所述目標(biāo)輔助設(shè)備包括鼠標(biāo)和鍵盤，所述行為數(shù)據(jù)分為鼠標(biāo)行為數(shù)據(jù)和鍵盤行為數(shù)據(jù)，其中，所述行為數(shù)據(jù)以報(bào)文形式進(jìn)行傳遞，所述行為數(shù)據(jù)包括行為數(shù)據(jù)唯一標(biāo)識(shí)碼，所述行為數(shù)據(jù)唯一標(biāo)識(shí)碼用于并發(fā)機(jī)制下的行為檢測(cè)；

基于所述行為數(shù)據(jù)，獲得預(yù)處理后的規(guī)范化行為數(shù)據(jù)，其中所述預(yù)處理包括對(duì)所述行為數(shù)據(jù)進(jìn)行歸一化處理和規(guī)范化處理；

其中，所述歸一化處理包括：

將具有相同行為數(shù)據(jù)唯一標(biāo)識(shí)碼的行為數(shù)據(jù)分到同一組，隨后將分到同一組內(nèi)的行為數(shù)據(jù)按照時(shí)間t先后順序排列，得到每個(gè)會(huì)話的行為序列，其中，鼠標(biāo)行為數(shù)據(jù)包括三元組數(shù)據(jù)(x，y，t)；

對(duì)于坐標(biāo)數(shù)據(jù)x、y可以分別根據(jù)下列公式實(shí)現(xiàn)歸一化：

其中x_norm、y_norm為歸一化后的鼠標(biāo)橫、縱坐標(biāo)數(shù)據(jù)，a、b分別表示瀏覽器窗口的長(zhǎng)和寬；

對(duì)于時(shí)間t，可以根據(jù)下列公式實(shí)現(xiàn)歸一化：

t_norm＝t-t₀

其中t_norm為歸一化后的時(shí)間，t₀表示第一個(gè)數(shù)據(jù)記錄的時(shí)間；

其中，所述規(guī)范化處理包括使用高斯混合模型將所述x_norm、y_norm進(jìn)行規(guī)范化處理，聚類形成N(N≥1且N為整數(shù))個(gè)根據(jù)實(shí)際行為數(shù)據(jù)擬合成的(x_norm1，y_norm1，t_norm)三元組，所述高斯混合模型中融合有多個(gè)單高斯模型，具有更復(fù)雜的概率密度曲線函數(shù)；

基于所述規(guī)范化行為數(shù)據(jù)，確定特征數(shù)據(jù)；

采用相關(guān)系數(shù)法和主成分分析降維方法聚合提取所述特征數(shù)據(jù)，獲得降維特征數(shù)據(jù)，其中所述特征數(shù)據(jù)用于表征所述目標(biāo)輔助設(shè)備的行為特征；

將所述降維特征數(shù)據(jù)輸入預(yù)定的預(yù)測(cè)模型，得到對(duì)應(yīng)的預(yù)測(cè)結(jié)果，其中，所述預(yù)定的預(yù)測(cè)模型包括第一預(yù)測(cè)模型和第二預(yù)測(cè)模型，所述第一預(yù)測(cè)模型用于確定與鼠標(biāo)行為數(shù)據(jù)對(duì)應(yīng)的第一預(yù)測(cè)結(jié)果，所述第二預(yù)測(cè)模型用于確定與鍵盤行為數(shù)據(jù)對(duì)應(yīng)的第二預(yù)測(cè)結(jié)果；

基于所述第一預(yù)測(cè)結(jié)果和所述第二預(yù)測(cè)結(jié)果，采用投票法或者權(quán)重概率法計(jì)算最終的預(yù)測(cè)結(jié)果；以及

基于所述最終的預(yù)測(cè)結(jié)果，確定所述用戶操作的實(shí)施主體是否機(jī)器人，以便進(jìn)行安全防護(hù)；

所述權(quán)重概率法包括加權(quán)求和，賦予鼠標(biāo)行為異常度和鍵盤行為異常度不同的權(quán)重，通過如下公式所示的線性組合生成最終的行為異常度：

p＝k×p_mouse+(1-k)×p_keyboard

其中，p表示最終的行為異常度，p_mouse表示鼠標(biāo)行為異常度，p_keyboard表示鍵盤行為異常度，k表示概率權(quán)重參數(shù)，通過調(diào)整K值，可以動(dòng)態(tài)地調(diào)節(jié)p_mouse、p_keyboard所占比例。

2.根據(jù)權(quán)利要求1所述的方法，其中，所述規(guī)范化行為數(shù)據(jù)包括規(guī)范化后的鼠標(biāo)行為數(shù)據(jù)和規(guī)范化后的鍵盤行為數(shù)據(jù)；所述降維特征數(shù)據(jù)包括降維后的第一特征數(shù)據(jù)和降維后的第二特征數(shù)據(jù)；

所述基于所述規(guī)范化行為數(shù)據(jù)，確定特征數(shù)據(jù)，包括：

基于所述規(guī)范化后的鼠標(biāo)行為數(shù)據(jù)，確定第一特征數(shù)據(jù)，

其中所述第一特征數(shù)據(jù)用于表征所述鼠標(biāo)的行為特征；

基于所述規(guī)范化后的鍵盤行為數(shù)據(jù)，確定第二特征數(shù)據(jù)，

其中所述第二特征數(shù)據(jù)用于表征所述鍵盤的行為特征；

所述將所述降維特征數(shù)據(jù)輸入預(yù)定的預(yù)測(cè)模型，得到對(duì)應(yīng)的預(yù)測(cè)結(jié)果，包括：

將所述降維后的第一特征數(shù)據(jù)輸入第一預(yù)測(cè)模型，得到第一預(yù)測(cè)結(jié)果；以及

將所述降維后的第二特征數(shù)據(jù)輸入第二預(yù)測(cè)模型，得到第二預(yù)測(cè)結(jié)果。