-
公开(公告)号:CN114826638B
公开(公告)日:2024-04-12
申请号:CN202110285055.1
申请日:2021-03-17
Applicant: 中国人民解放军战略支援部队信息工程大学 , 网络通信与安全紫金山实验室
IPC: H04L9/40
Abstract: 本本发明属于网络安全技术领域,特别涉及一种基于状态特征相似性的拟态路由器异常检测方法及系统,该方法包含:将相同输入请求分发给功能等价的异构执行体,由异构执行体对输入请求进行处理,并在处理过程中收集每个异构执行体的状态特征,作为样本数据集;依据样本数据集中各异构执行体状态特征的相似度来判别执行体是否发生异常行为。本发明将功能等价的异构执行体对于相同输入激励产生的系统状态多维特征差异作为异常的判别依据,通过对系统状态特征进行检测,实现路由器实时异常检测的功能,提升异常检测的准确率和效率,具有较好的应用前景。
-
公开(公告)号:CN113132351B
公开(公告)日:2022-11-01
申请号:CN202110285051.3
申请日:2021-03-17
Applicant: 中国人民解放军战略支援部队信息工程大学 , 网络通信与安全紫金山实验室
Abstract: 本发明属于网络空间安全技术领域,特别涉及一种基于图卷积网络的拟态路由器系统内部状态异常检测方法及系统,该方法包含:收集拟态路由器系统执行体的多源内部状态数据,该多源内部状态数据包含:系统状态数据和活跃进程数据,并进行数据预处理;用邻接矩阵和特征矩阵表示的图来表征执行体内部多源状态数据,并利用已训练的图卷积神经网络提取状态数据的关系特征;利用已训练的分类器进行分类,分类过程中结合拟态防御比对裁决思想来判定拟态路由器系统执行体内部的异常行为。本发明通过图表征执行体内部状态多源数据,并利用拟态防御的比对裁决思想判断异常,提升检测效率和准确度,具有较好的应用前景。
-
公开(公告)号:CN114826638A
公开(公告)日:2022-07-29
申请号:CN202110285055.1
申请日:2021-03-17
Applicant: 中国人民解放军战略支援部队信息工程大学 , 网络通信与安全紫金山实验室
IPC: H04L9/40
Abstract: 本本发明属于网络安全技术领域,特别涉及一种基于状态特征相似性的拟态路由器异常检测方法及系统,该方法包含:将相同输入请求分发给功能等价的异构执行体,由异构执行体对输入请求进行处理,并在处理过程中收集每个异构执行体的状态特征,作为样本数据集;依据样本数据集中各异构执行体状态特征的相似度来判别执行体是否发生异常行为。本发明将功能等价的异构执行体对于相同输入激励产生的系统状态多维特征差异作为异常的判别依据,通过对系统状态特征进行检测,实现路由器实时异常检测的功能,提升异常检测的准确率和效率,具有较好的应用前景。
-
公开(公告)号:CN113132351A
公开(公告)日:2021-07-16
申请号:CN202110285051.3
申请日:2021-03-17
Applicant: 中国人民解放军战略支援部队信息工程大学 , 网络通信与安全紫金山实验室
Abstract: 本发明属于网络空间安全技术领域,特别涉及一种基于图卷积网络的拟态路由器系统内部状态异常检测方法及系统,该方法包含:收集拟态路由器系统执行体的多源内部状态数据,该多源内部状态数据包含:系统状态数据和活跃进程数据,并进行数据预处理;用邻接矩阵和特征矩阵表示的图来表征执行体内部多源状态数据,并利用已训练的图卷积神经网络提取状态数据的关系特征;利用已训练的分类器进行分类,分类过程中结合拟态防御比对裁决思想来判定拟态路由器系统执行体内部的异常行为。本发明通过图表征执行体内部状态多源数据,并利用拟态防御的比对裁决思想判断异常,提升检测效率和准确度,具有较好的应用前景。
-
公开(公告)号:CN117113246A
公开(公告)日:2023-11-24
申请号:CN202310905446.8
申请日:2023-07-18
Applicant: 中国人民解放军战略支援部队信息工程大学
IPC: G06F18/2433 , G06F18/2413 , G06F18/2415 , G06F18/214 , G06F18/23213 , G06N3/045 , G06N3/047 , G06N3/048 , G06N3/08 , H04L9/40
Abstract: 本发明提供一种基于孪生神经网络的流量异常检测方法及系统。该方法包括:步骤1:针对已标注有“正常”或“攻击”标签的每类流量数据集,利用K‑medoids算法将该类流量数据集聚类为M个子类,随机从每个子类中抽取一个样本以构建得到该类流量的训练集;步骤2:将所有类别流量的训练集组合在一起以构建得到一个小样本流量训练集;步骤3:构建孪生多层感知机,采用所述小样本流量训练集对所述孪生多层感知机进行训练得到流量异常检测模型;步骤4:将所述小样本流量训练集作为支持集,将待测流量样本与支持集中的样本同时输入至所述流量异常检测模型,得到检测结果。
-
-
-
-