CN119254489B 一种基于可信计算的信息网络安全自防御方法及系统 （深圳萌萌游网络有限公司）

道科技园社区科苑路15号科兴科学园AccurateRangeQueryforArbiDistributionunderLocalDiffe节.一种基于可信计算的信息网络安全自防御本发明提供一种基于可信计算的信息网络2应用机器学习算法对所述网络流量和用户访问行为进利用基于词频的裁剪算法和基于语义相似度的裁剪算法对网络流量和用户访问行为对所述网络流量和用户访问行为的实时数据进行嵌入向量分析，并利用嵌入聚类算利用自编码器模型学习正常和异常嵌入的分若所述异常级别超过预设阈值，则利用嵌入空间清洗算法移除潜在的提取所述网络流量和用户访问行为的控制流将所述CFG中的汇编指令序列和统计特征输入至所述GNN模型，以对所述网3定义基于PriPLTree数据结构的风险计算模型，将所述异常检测结果输入至所述风险设计多维PriPLTree数据结构，所述多维PriPLTree的每一维度使用一维PriPLTree数7.根据权利要求5所述的方法，其特征在于，定义基构建模块，用于构建可信计算平台，所述构建可信计算平台包括部署可信平台模块4异常检测模块，用于应用机器学习算法对所述网络流量和用户访问行为进行异常检计算模块，用于基于所述异常检测结果，计算实时利用基于词频的裁剪算法和基于语义相似度的裁剪算法对网络流量和用户访问行为对所述网络流量和用户访问行为的实时数据进行嵌入向量分析，并利用嵌入聚类算利用自编码器模型学习正常和异常嵌入的分若所述异常级别超过预设阈值，则利用嵌入空间清洗算法移除潜在的5[0019]利用基于词频的裁剪算法和基于语义相似度的裁剪算法对网络流量和用户访问6[0022]若所述异常级别超过预设阈值，则利用嵌入空间清洗算并利用嵌入投影技术将所述异常嵌入群组映[0047]定义基于PriPLTree数据结构的风险计算模型，将所述异常检测结果输入至所述7[0054]设计多维PriPLTree数据结构，所述多维PriPLTree的每一维度使用一维[0059]定义基于PriPLTree数据结构的风险计算模型，将所述异常检测结果输入至所述机指令，该计算机指令用于使计算机执行上述基于可信计算的信息网络安全自防御的方机指令被处理器执行时实现上述基于可信计算的信息网络安全自防御的方法8[0081]图1为本公开实施例提供的一种基于可信计算的信息网络安全自防御方法的流程[0089]4.密钥管理：设置TPM的存储密钥(StorageRootKey，SRK)和认证密钥9[0125]部署Web应用防火墙(WAF)：保护Web应用免受常见攻击，如SQL注入、跨站脚本[0167]S3.2:利用基于词频的裁剪算法和基于语义相似度的裁剪算法对网络流量和用户[0171]S3.3:对网络流量和用户访问行[0173]这一步骤的目的是将复杂的网络流量和用户行为数据转换为固定维度的数值向[0175]在得到嵌入向量后，本发明实施例使用聚类算法(如DBSCAN)来识别异常群组。[0191]S3.4:利用自编码器模型学习正常模型分析异常嵌入群组的异常级别被盗用。[0291]扩展检测范围到图像和音频数据，识别潜在的视觉和听觉敏感信息。实现OCR技[0313]Consistency_Score=Σ[0322]使用异常检测算法(如IsolationForest或OneClassSVM)识别偏离正常模式的[0324]使用长短期记忆网络(LSTM)或门控循环单元(GRU)来建模注意力一致性随时间的[0328]使用SHAP(SHapleyAdditiveexPlanations)值来解释哪些特征对不一致性贡献[0355]S3.8:利用梯度流动性分析工具实现[0427]通过这种深入的梯度和参数分析，系统能够捕捉到传统方法可能忽视的微妙异网络和对抗域适应技术来有效检测恶意软件，即使在面对漂移后的变种时也能保持高性[0456]1.能够捕获恶意软件在控制流图中的结构信息，这比传统的特征提取方法更有[0529]这个例子展示了如何系统地训练和评估具备域适应能力的GNN模型。通过对比不同阶段和设置下的模型性能,本发明实施例可以清楚地看到域适应技术带来的改进。模型在保持源域(Windows)高性能的同时,显著提升了在目标域(Android)上的表现,证明了其良好的域适应能力。这种方法使得模型能够更好地应对恶意软件检测中的域偏移问题,为[0567]实现Adam优化器，利用自适应学习率提高收敛速度。引入权重衰减(Weight[0581]实现网格搜索和随机搜索，探索最优超参数组合。应用贝叶斯优化算法，如TPE[0610]S4.5:将CFG中的汇编指令序列和统计特征输入至[0620]实现基于阈值的异常检测策略，将异常分数高于某个阈值的样本标记为潜在威[0626]这一步骤旨在将异常检测的结果转化为可操作的风险评估和直观的安全态势报[0648]假设本发明实施例要使用PriPLTree来表示和分析网络流量异常检测的阈值函[0704]使用收集到的24小时网络流量数据构建初始树，可能有4个主要分段对应不同时添加受控噪声来保护敏感信息。PriPLTree的自适应性使它能够随时间调整以反映网络行[0712]S5.1.2:设计多维PriPLTree数据结构，多维PriPLTree的每一维度使用一维[0721]实现效率的多维范围查询，如"查找过去24小时内流量异常>0.8且资源使用率>[0731]在每个维度的一维PriPLTree中独立应用差分隐私机制。在多维查询结果中综合[0753]通过这种多维PriPLTree结构，本发明实施例能够高效地存储和分析复杂的多维[0797]实现STL(SeasonalandTrenddecompositionusingLoess)算法，将时间序列PriPLTree存储历史风险评估数据,并需要基于实时的异常检测结果快速评估当前的风险的风险级别,并提供了置信区间以量化不确定性。这种方法不仅考虑了当前的异常检测结确保了查询效率和数据隐私,而置信区间的计算则为决策者提供了风险评估的可信度信