[發明專利]一種終端網絡狀態安全監測方法

有效

• 申請號: 202210584752.1
• 申請日: 2022-05-25
• 公開（公告）號: CN115001781B
• 公開（公告）日: 2023-05-26
• 發明（設計）人: 李帥;黨芳芳;閆麗景;李丁丁;梁慧超;劉晗;張向聰;王冰潔
• 申請（專利權）人: 國網河南省電力公司信息通信公司;國家電網有限公司
• 主分類號: H04L9/40
• 分類號: H04L9/40;G06N3/044;G06N3/084;G06F18/2431
• 代理公司: 鄭州博派知識產權代理事務所(特殊普通合伙) 41137
• 代理人: 榮永輝

1.一種終端網絡狀態安全監測方法，其特征在于，所述監測方法包括四個步驟：

S1：構建安全監測模型，所述安全監測模型由IDS模塊、數據處理模塊及主動預測模塊組成；

S2：利用所述IDS模塊進行終端設備的監測、日志記錄和安全管理，并管理原始數據存儲庫及特征數據存儲庫，進行異常檢測，異常狀態警告；

S3：所述數據處理模塊包含特征提取和特征選擇，利用數據處理模塊進行在線、離線處理，進行數據清理、數據轉換、特征的提取、特征的選擇，并與特征數據存儲庫交互，控制安全監測模型的構建；

S4：利用所述主動預測模塊與數據處理模塊相協作，訪問特征數據存儲庫的數據，進行數據分析，訓練并測試安全監測模型；

所述IDS為Intrusion?Detection?Systems的縮寫，表示入侵檢測系統；

所述步驟S2：利用IDS模塊進行終端設備的監測、日志記錄和安全管理，并管理原始數據存儲庫及特征數據存儲庫，進行異常檢測，異常狀態警告的具體內容為：

異常被識別為與正常活動水平值存在重大偏差的狀態，m個監測通道在t時刻的總體異常檢測的分公式為：

公式1中，score_t是t時刻m個監測通道的監測分值，0≦score_t≦1；cosine為數學余弦函數；y_t是m個監測通道在t時刻的真實值向量；是時刻t的y_t預測值向量，是向量在第i個監控通道的預測數值，即向量的第i項數值；是m個監測通道在t時刻的上界，是向量在第i個監測通道在t時刻的上界，即是向量的第i項數值；α_i是第i個監控通道的閾值系數；

當滿足公式2中的條件時，觸發時刻t的異常狀態警告；

score_t＞θ_score＞0????公式2

其中，θ_score是預定的異常狀態警告閾值，0θ_score1。

2.如權利要求1所述的一種終端網絡狀態安全監測方法，其特征在于，所述步驟S3：數據處理模塊包含特征提取和特征選擇，具體內容為：

所述特征提取包含以下步驟：

A1：將來自網絡監控的在線數據流作為原始日志，并連續存儲在IDS模塊中原始數據存儲庫中，根據IDS配置，將日志流化為包含基于時間的有序數據的獨立日志，將日志文件按年、月、日進一步組織在一個層次目錄結構中，每一個被監測的網絡活動都用特征進行記錄；

A2：將基于時間的有序數據的獨立日志通過滑動窗口轉換成機器學習數據，定義w為滑動窗口大小，s為每次原始日志記錄滑動大小，且s≤w；

A3：進行數據轉換映射，將滑動窗口內數據轉換、聚合為邏輯分類，轉換基于原始日志的物理分類映射；

定義原始日志數據池為D；滑動窗口的時間范圍為R，R的格式為(beg,end)，其中beg為滑動窗口的時間下屆，end為滑動窗口的時間上屆；所有日志處理后的數據池為D′；

A3.1：初始化D′為空，滑動窗口R的時間范圍下屆beg為0；

A3.2：令滑動窗口R的時間范圍上屆end＝beg+w；

A3.3：對于時間范圍(beg,end)之內的每個通道，執行數據轉換映射，利用滑動窗口算法進行聚類；

公式3中，channel為通道值，為協議的物理分類，為機器學習的邏輯分類，d_i表示原始日志在第i個監測通道上的邏輯分類；

A3.4：令D’＝D’+d_i，beg＝beg+s，如果原始數據遍歷完畢進入步驟A3.5，反之進入步驟A3.2；

A3.5：所有日志在各個監測通道上的特征提取流程結束；

所述特征選擇具體包含以下步驟：

B1：在所述特征提取階段提取的每個監測通道邏輯分類特征，即原始日志處理后的數據池D′，通過RREF和ADF檢驗進行測試；所述RREF為Reduced?Row?Echelon?Form的縮寫，為簡化列梯形矩陣；所述ADF為Augmented?Dickey-Fuller的簡寫，Dickey-Fuller檢驗的增廣形式；

B2：將測試結果與臨界值進行比較，n為RREF矩陣的秩，小于臨界值的為未通過，反之為通過；

B3：丟棄D′中所有未通過的數據。

3.如權利要求1所述的一種終端網絡狀態安全監測方法，其特征在于，所述步驟S4：利用主動預測模塊與數據處理模塊相協作，訪問特征數據存儲庫的數據，進行數據分析，訓練并測試安全監測模型，具體包含以下內容：

主動預測下一個時間點t+1的y值是基于前q個時間點的y值并加/減誤差項，公式如下：

更進一步地，y_t+1初步預測值的生成由循環神經網絡RNN或反向傳播BP神經網絡進行運算得到；所述RNN為Recurrent?Neural?Network的簡寫，為循環神經網絡；所述BP為back?propagation的簡寫，為反向傳播；

同公式1中是一個多維向量，包含用于主動預測的m個監測通道的值；

使用常微分方程ODE描述動態變化的趨勢，記為y′，使用y′在t時刻的取值對進行修正，獲得最終的預測值所述ODE為Ordinary?Differential?Equation的簡寫，為常微分方程；