[發(fā)明專利]一種網(wǎng)絡安全態(tài)勢預測方法及系統(tǒng)

在審

• 申請?zhí)枺?/td>: 202110485255.1
• 申請日: 2021-04-30
• 公開（公告）號: CN113205134A
• 公開（公告）日: 2021-08-03
• 發(fā)明（設計）人: 馮偉華;宗國浩;陳瑞;王迪;王銳;王峙;王永勝;鄭新章
• 申請（專利權(quán)）人: 中國煙草總公司鄭州煙草研究院
• 主分類號: G06K9/62
• 分類號: G06K9/62;G06N3/04;G06N3/08;H04L29/06
• 代理公司: 鄭州睿信知識產(chǎn)權(quán)代理有限公司 41119
• 代理人: 吳敏

本發(fā)明涉及一種網(wǎng)絡安全態(tài)勢預測方法及系統(tǒng)，屬于網(wǎng)絡安全研究技術(shù)領域。本發(fā)明通過獲取包含有表征網(wǎng)絡狀態(tài)的文本信息特征的樣本數(shù)據(jù)，利用相似特征進行聚合分類，通過密度聚類形成類簇；提取類簇中心點的關(guān)鍵信息以及與其特征相近的數(shù)據(jù)，構(gòu)建各聚簇的安全態(tài)勢訓練樣本；根據(jù)設定規(guī)則計算安全態(tài)勢訓練樣本的安全概率，以此實現(xiàn)對安全態(tài)勢訓練樣本的標注；利用深度學習模型建立網(wǎng)絡安全態(tài)勢預測模型，將安全態(tài)勢訓練樣本輸入到預測模型中進行訓練，利用訓練后的預測模型實現(xiàn)對網(wǎng)絡安全態(tài)勢的預測。該方法高效、精準的實現(xiàn)網(wǎng)絡安全態(tài)勢智能感知與預測。

技術(shù)領域

本發(fā)明涉及一種網(wǎng)絡安全態(tài)勢預測方法及系統(tǒng)，屬于網(wǎng)絡安全研究技術(shù)領域。

背景技術(shù)

在網(wǎng)絡安全態(tài)勢感知與通報預警平臺的相關(guān)研究中，為了支持安全態(tài)勢的有效評估，必須提升平臺的威脅發(fā)現(xiàn)與態(tài)勢預測能力。現(xiàn)有的防御技術(shù)一般都是基于對安全事件的檢測分類進行安全性預測的，當前的大部分研究都在致力于對安全事件的分類模型算法改進，期望提升安全事件檢測的精度，對整體的網(wǎng)絡安全態(tài)勢感知缺乏全局的掌控。并且，預測工作通常都是時序相關(guān)，對數(shù)據(jù)的時序依賴特性要求很高，直接套用時序模型需要對數(shù)據(jù)的平穩(wěn)性進行嚴格的檢驗，如果輸入數(shù)據(jù)不平穩(wěn)就沒法直接使用時序模型。

發(fā)明內(nèi)容

本發(fā)明的目的是提供一種網(wǎng)絡安全態(tài)勢預測方法及系統(tǒng)，以快速、準確地實現(xiàn)網(wǎng)絡安全態(tài)勢的預測。

本發(fā)明為解決上述技術(shù)問題而提供一種網(wǎng)絡安全態(tài)勢預測方法，該預測方法包括以下步驟：

1)獲取表征網(wǎng)絡狀態(tài)信息特征的樣本數(shù)據(jù)及其對應的時間信息，形成時間序列數(shù)據(jù)，所述的樣本數(shù)據(jù)為文本信息特征；

2)根據(jù)時間序列中文本信息特征的相似程度進行聚合分類，形成不同類簇；

3)確定各類簇的中心點，選取與各類簇中心點特征相近的樣本數(shù)據(jù)，將該樣本作為安全態(tài)勢訓練樣本；

4)根據(jù)設定安全態(tài)勢確定規(guī)則計算安全態(tài)勢訓練樣本中各樣本對應的安全概率，以實現(xiàn)對所述安全態(tài)勢訓練樣本的標注；所述的設定安全態(tài)勢確定規(guī)則包括設定時間段的特征、敏感字段和基于經(jīng)驗的混合式安全概率判斷規(guī)則；

5)利用深度學習模型建立網(wǎng)絡安全態(tài)勢預測模型，將標注后的安全態(tài)勢訓練樣本對所述網(wǎng)絡安全態(tài)勢預測模型進行訓練；

6)獲取待預測的網(wǎng)絡安全狀態(tài)特征，并將其輸入到訓練后的網(wǎng)絡安全態(tài)勢預測模型中，實現(xiàn)對網(wǎng)絡安全態(tài)勢的預測。

本發(fā)明通過獲取包含有表征網(wǎng)絡狀態(tài)的文本信息特征的樣本數(shù)據(jù)，利用相似特征進行聚合分類，通過密度聚類形成類簇；提取類簇中心點的關(guān)鍵信息以及與其特征相近的數(shù)據(jù)，構(gòu)建各聚簇的安全態(tài)勢訓練樣本；根據(jù)設定規(guī)則計算安全態(tài)勢訓練樣本的安全概率，以此實現(xiàn)對安全態(tài)勢訓練樣本的標注；利用深度學習模型建立網(wǎng)絡安全態(tài)勢預測模型，將安全態(tài)勢訓練樣本輸入到預測模型中進行訓練，利用訓練后的預測模型實現(xiàn)對網(wǎng)絡安全態(tài)勢的預測。該方法高效、精準的實現(xiàn)網(wǎng)絡安全態(tài)勢智能感知與預測。

進一步地，為提高預測的準確性，所述步驟6)中的網(wǎng)絡安全態(tài)勢預測模型為LSTM模型。

進一步地，所述步驟2)中的聚合分類采用網(wǎng)絡化密度聚類。

進一步地，所述的文本信息特征至少包括域名長度、子域名最大長度、字符熵、數(shù)字與字母轉(zhuǎn)換率、連續(xù)數(shù)字長度、連續(xù)字母長度、域名A記錄、域名ip熵和NS記錄數(shù)中的兩種。

進一步地，所述的密度聚類的過程包括：

定義網(wǎng)格步長，根據(jù)樣本數(shù)據(jù)網(wǎng)格化樣本數(shù)據(jù)集空間，形成網(wǎng)格對象集；