[發(fā)明專利]基于機(jī)器學(xué)習(xí)的網(wǎng)絡(luò)安全攻擊類型和威脅等級預(yù)測方法

在審

• 申請?zhí)枺?/td>: 202111527366.0
• 申請日: 2021-12-14
• 公開（公告）號: CN114422184A
• 公開（公告）日: 2022-04-29
• 發(fā)明（設(shè)計）人: 瞿迪慶;呂齊;楊懷仁;余侃;陳志華;倪旭明;邵航軍;郭瑜;吳哲翔;金旭
• 申請（專利權(quán)）人: 國網(wǎng)浙江省電力有限公司金華供電公司
• 主分類號: H04L9/40
• 分類號: H04L9/40;H04L41/147;G06K9/62;G06N3/04;G06N3/08;G06N20/20
• 代理公司: 杭州華鼎知識產(chǎn)權(quán)代理事務(wù)所(普通合伙) 33217
• 代理人: 劉竹青

1.一種基于機(jī)器學(xué)習(xí)的網(wǎng)絡(luò)安全攻擊類型和威脅等級預(yù)測方法，其特征在于，包括以下步驟：

步驟一，采集歷史網(wǎng)絡(luò)流量數(shù)據(jù)，并根據(jù)攻擊類型和安全威脅等級對網(wǎng)絡(luò)流量數(shù)據(jù)進(jìn)行分類；

步驟二，對分類后的網(wǎng)絡(luò)流量數(shù)據(jù)進(jìn)行數(shù)據(jù)預(yù)處理，并根據(jù)預(yù)處理后的網(wǎng)絡(luò)流量數(shù)據(jù)構(gòu)建訓(xùn)練集和測試集；

步驟三，對預(yù)設(shè)的每種機(jī)器學(xué)習(xí)算法建立對應(yīng)的預(yù)測模型，采用每種機(jī)器學(xué)習(xí)算法根據(jù)訓(xùn)練集對對應(yīng)的預(yù)測模型進(jìn)行訓(xùn)練，獲取每種機(jī)器學(xué)習(xí)算法的預(yù)測準(zhǔn)確率；

步驟四，選擇預(yù)測準(zhǔn)確率最高機(jī)器學(xué)習(xí)算法對應(yīng)的預(yù)測模型，實(shí)時采集新的網(wǎng)絡(luò)流量數(shù)據(jù)，并采用選擇的預(yù)測模型以及新的網(wǎng)絡(luò)流量數(shù)據(jù)獲取攻擊類型和威脅等級的預(yù)測結(jié)果。

2.根據(jù)權(quán)利要求1所述的一種基于機(jī)器學(xué)習(xí)的網(wǎng)絡(luò)安全攻擊類型和威脅等級預(yù)測方法，其特征在于，步驟三中通過混淆矩陣圖像獲取每種機(jī)器學(xué)習(xí)算法訓(xùn)練后的預(yù)測模型的預(yù)測準(zhǔn)確率，通過混淆矩陣圖像獲取預(yù)測模型的預(yù)測準(zhǔn)確率的具體過程為：根據(jù)預(yù)測模型的預(yù)測結(jié)果獲取每種攻擊類型的數(shù)量，并根據(jù)每種攻擊類型的數(shù)量構(gòu)建混淆矩陣，并對每種攻擊類型在矩陣圖像中的位置進(jìn)行檢測，根據(jù)每種攻擊類型在矩陣圖像中的位置獲取預(yù)測模型的預(yù)測準(zhǔn)確曲線，并將預(yù)測準(zhǔn)確曲線與矩陣圖像的對角線進(jìn)行比較，并計算預(yù)測準(zhǔn)確曲線與矩陣圖像的對角線的偏差值，根據(jù)計算所得偏差值獲取預(yù)測準(zhǔn)確度，偏差值越小，該預(yù)測模型的預(yù)測準(zhǔn)確性越高。

3.根據(jù)權(quán)利要求1所述的一種基于機(jī)器學(xué)習(xí)的網(wǎng)絡(luò)安全攻擊類型和威脅等級預(yù)測方法，其特征在于，步驟四中在選擇預(yù)測準(zhǔn)確率最高的預(yù)測模型后，還對選擇的預(yù)測模型的預(yù)測誤報率進(jìn)行計算，并將預(yù)測誤報率的計算結(jié)果與預(yù)設(shè)閾值范圍進(jìn)行比較，若預(yù)測誤報率的計算結(jié)果超過預(yù)設(shè)閾值范圍，則從剩下的預(yù)測模型中重新選擇預(yù)測準(zhǔn)確性最高的預(yù)測模型，并重新進(jìn)行預(yù)測誤報率的計算，直至選擇的預(yù)測模型的預(yù)測誤報率處于預(yù)設(shè)閾值范圍內(nèi)；若預(yù)測誤報率的計算結(jié)果處于預(yù)設(shè)閾值范圍內(nèi)，則利用選擇的預(yù)測模型進(jìn)行網(wǎng)絡(luò)安全攻擊類型和威脅等級的預(yù)測。

4.根據(jù)權(quán)利要求1所述的一種基于機(jī)器學(xué)習(xí)的網(wǎng)絡(luò)安全攻擊類型和威脅等級預(yù)測方法，其特征在于，所述網(wǎng)絡(luò)攻擊類型包括DOS攻擊類型、Probe攻擊類型、R2L攻擊類型和U2R攻擊類型。

5.根據(jù)權(quán)利要求1所述的一種基于機(jī)器學(xué)習(xí)的網(wǎng)絡(luò)安全攻擊類型和威脅等級預(yù)測方法，其特征在于，步驟三中預(yù)設(shè)的機(jī)器學(xué)習(xí)算法包括決策樹算法、支持向量機(jī)算法、K最近鄰算法、隨機(jī)森林算法、多層人工神經(jīng)網(wǎng)絡(luò)深度學(xué)習(xí)算法和雙向循環(huán)神經(jīng)網(wǎng)絡(luò)深度學(xué)習(xí)算法。

6.根據(jù)權(quán)利要求1所述的一種基于機(jī)器學(xué)習(xí)的網(wǎng)絡(luò)安全攻擊類型和威脅等級預(yù)測方法，其特征在于，步驟二中所述數(shù)據(jù)預(yù)處理包括數(shù)值化處理和標(biāo)準(zhǔn)化處理，在進(jìn)行數(shù)據(jù)預(yù)處理前，將分類后的歷史網(wǎng)絡(luò)流量數(shù)據(jù)按照數(shù)值類型和字符類型進(jìn)行二次分類，對于數(shù)值類型的歷史網(wǎng)絡(luò)流量數(shù)據(jù)進(jìn)行標(biāo)準(zhǔn)化處理，對于字符類型的歷史網(wǎng)絡(luò)流量數(shù)據(jù)進(jìn)行數(shù)值化處理，再對數(shù)值化處理后的字符類型的歷史網(wǎng)絡(luò)流量數(shù)據(jù)進(jìn)行標(biāo)準(zhǔn)化處理。

7.根據(jù)權(quán)利要求6所述的一種基于機(jī)器學(xué)習(xí)的網(wǎng)絡(luò)安全攻擊類型和威脅等級預(yù)測方法，其特征在于，所述數(shù)值化處理具體為選擇字符類型的歷史網(wǎng)絡(luò)流量數(shù)據(jù)的其中一個特征，篩選出該特征內(nèi)所有不同的字符串，并確定不同的字符串的數(shù)量，并將不同的字符串用整數(shù)進(jìn)行標(biāo)號。

8.根據(jù)權(quán)利要求6所述的一種基于機(jī)器學(xué)習(xí)的網(wǎng)絡(luò)安全攻擊類型和威脅等級預(yù)測方法，其特征在于，所述標(biāo)準(zhǔn)化處理的公式為：

其中：x_ij為第j個屬性的第i個值，max(X_j)為第j個屬性的最大值。