[發(fā)明專利]一種面向移動惡意網(wǎng)頁的多設(shè)備組合優(yōu)化的實(shí)時檢測系統(tǒng)

有效

• 申請?zhí)枺?/td>: 202110249547.5
• 申請日: 2021-03-08
• 公開（公告）號: CN113055890B
• 公開（公告）日: 2022-08-26
• 發(fā)明（設(shè)計(jì)）人: 宋軍;楊帆;郭耀威;徐衡
• 申請（專利權(quán)）人: 中國地質(zhì)大學(xué)（武漢）
• 主分類號: H04W12/122
• 分類號: H04W12/122;H04W12/128;G06K9/62;G06N3/04
• 代理公司: 武漢知產(chǎn)時代知識產(chǎn)權(quán)代理有限公司 42238
• 代理人: 彭建怡

1.一種基于面向移動惡意網(wǎng)頁的多設(shè)備組合優(yōu)化的實(shí)時檢測系統(tǒng)的檢測方法，其特征在于:系統(tǒng)包括:移動端、邊緣節(jié)點(diǎn)和服務(wù)器端；

所述移動端處理實(shí)時性大于預(yù)設(shè)的第一時間閾值T1和荷載量小于預(yù)設(shè)的第一荷載閾值L1的惡意網(wǎng)頁檢測任務(wù)；

所述邊緣節(jié)點(diǎn)處理實(shí)時性小于或者等于預(yù)設(shè)的第一閾值T1和荷載量大于或者等于第一荷載閾值L1的惡意網(wǎng)頁檢測任務(wù)；

所述服務(wù)器端處理實(shí)時性小于預(yù)設(shè)的第二閾值T2和荷載量大于預(yù)設(shè)的第二荷載閾值L2的惡意網(wǎng)頁檢測任務(wù)；其中，T2T1，L1L2；

方法如下：

S101:獲取實(shí)驗(yàn)數(shù)據(jù)集URL鏈接；

S102:將所述URL鏈接輸入至移動端檢測，得到第一檢測結(jié)果；

S103:將第一檢測結(jié)果與所述URL鏈接發(fā)送至邊緣節(jié)點(diǎn)，所述邊緣節(jié)點(diǎn)根據(jù)第一檢測結(jié)果和URL鏈接數(shù)目，輸出檢測策略，分配計(jì)算資源檢測超出移動端荷載量以外的URL連接，并獲得第二檢測結(jié)果；

S104:服務(wù)器端接收來自移動端的第一檢測結(jié)果和邊緣節(jié)點(diǎn)的第二檢測結(jié)果，并通過服務(wù)器端CNN-LSTM分類模型，對第一檢測結(jié)果和第二檢測結(jié)果進(jìn)行分類，最終輸出所有URL鏈接為惡意的概率p。

2.如權(quán)利要求1所述的一種基于面向移動惡意網(wǎng)頁的多設(shè)備組合優(yōu)化的實(shí)時檢測系統(tǒng)的檢測方法，其特征在于:步驟S103中，所述邊緣節(jié)點(diǎn)根據(jù)URL鏈接數(shù)量和所述第一檢測結(jié)果，輸出檢測策略，分配計(jì)算資源檢測超出移動端荷載量以外的URL連接，具體采用一種彈性檢測隊(duì)列法，條件如下:

如果在Arr_t_i+T_det時間內(nèi)，U_i尚未被服務(wù)器端檢測系統(tǒng)檢測到，檢測系統(tǒng)將根據(jù)待測鏈接的當(dāng)前標(biāo)簽從檢測隊(duì)列中刪除標(biāo)記為N的鏈接，標(biāo)記為M的鏈接仍留在隊(duì)列中繼續(xù)等待；

其中U_i表示URL鏈接i,N表示非惡意鏈接，M表示惡意鏈接，Arr_t_i表示到達(dá)時間，T_det表示不影響用戶體驗(yàn)的最大延遲時間。

3.如權(quán)利要求1所述的一種基于面向移動惡意網(wǎng)頁的多設(shè)備組合優(yōu)化的實(shí)時檢測系統(tǒng)的檢測方法，其特征在于:步驟S102中，所述第一檢測結(jié)果，將輸入的URL鏈接標(biāo)記為良性URL或者惡意URL。

4.如權(quán)利要求3所述的一種基于面向移動惡意網(wǎng)頁的多設(shè)備組合優(yōu)化的實(shí)時檢測系統(tǒng)的檢測方法，其特征在于:步驟S103中，將第一檢測結(jié)果與所述URL鏈接發(fā)送至邊緣節(jié)點(diǎn)，具體為:將標(biāo)記為惡意的URL鏈接和超出移動端荷載量的URL鏈接發(fā)送至邊緣節(jié)點(diǎn)。

5.如權(quán)利要求3所述的一種基于面向移動惡意網(wǎng)頁的多設(shè)備組合優(yōu)化的實(shí)時檢測系統(tǒng)的檢測方法，其特征在于:所述邊緣節(jié)點(diǎn)也包括CNN-L S TM分類模型，輸出對惡意URL的概率p。

6.如權(quán)利要求5所述的一種基于面向移動惡意網(wǎng)頁的多設(shè)備組合優(yōu)化的實(shí)時檢測系統(tǒng)的檢測方法，其特征在于:步驟S103中，所述第二檢測結(jié)果，包括惡意URL的概率P和超出邊緣節(jié)點(diǎn)荷載量的URL鏈接。

7.如權(quán)利要求4所述的一種基于面向移動惡意網(wǎng)頁的多設(shè)備組合優(yōu)化的實(shí)時檢測系統(tǒng)的檢測方法，其特征在于：步驟S104中，服務(wù)器端CNN-LSTM分類模型，對第一檢測結(jié)果和第二檢測結(jié)果進(jìn)行分類，具體為：

S201：將URL鏈接字符進(jìn)行one-hot規(guī)格化編碼，并輸入至CNN-LSTM的分類模型；規(guī)格化編碼如下：

X＝(x₁，x₂，...，x_L)

其中，X為輸入至CNN-LSTM的分類模型的向量；

S202：將向量X中的每個one-hot向量投影到d維連續(xù)向量空間，得到URL鏈接字符的嵌入矩陣E如下：

E＝WX＝(w₁，w₂，...，w_d)^T×(x₁，x₂，...，x_L)；

其中，W為d維連續(xù)向量空間的參數(shù)矩陣，W∈R^d×m為一個輸入為m個、輸出為d個神經(jīng)元的全連接神經(jīng)網(wǎng)絡(luò)；

S203：設(shè)置卷積核滑動步長為1，采用relu激活函數(shù)，則CNN-LSTM分類模型池化層進(jìn)行最大池化操作后池化序列矩陣H_p如下所示：

H_p＝{p₁，p₂，...，p_N}

其中，p為池化窗口，p^f為池化窗口向量如下所示：

其中表示取整；L為URL鏈接字符串序列的長度；k為字符嵌入向量的窗口大小；

S204：將池化序列矩陣耳作為LSTM神經(jīng)網(wǎng)絡(luò)的輸入，其中p_i對應(yīng)第i個時刻LSTM網(wǎng)絡(luò)的輸入，最終LSTM的輸出隱藏狀態(tài)序列H如下式所示:

H＝{h₁，h₂，...，h_N}；

S205:將輸出隱藏狀態(tài)序列H的最后隱藏狀態(tài)h_N作為分類層的輸入，最后分類層激活函數(shù)為sigmoid的softmax回歸單元，預(yù)測概率p如下式:

其中j＝0表示良險(xiǎn)URL，j＝1表示惡意URL；q表示激活函數(shù)層的參數(shù)量，w_i和b_i分別為激活函數(shù)層的權(quán)重值與偏置值。