CN119071049B 一种基于物联网服务器安全访问监控方法 （深圳市广泰联邦科技有限公司）

US2017124497A1,2017.05.04本发明公开了一种基于物联网服务器安全全态势评估模型对不同源的服务器访问数据进服务器安全风险实时分析结果和服务器安全风建网络多层次访问控制机制对服务器访问行为全访问监控方法无法适应不断变化的攻击方式2步骤一、服务器访问数据的采集和预处理，通过消步骤二、服务器访问源的安全风险评估，通过安全步骤4、利用构建的风险评估指标计算每个访问源窗口内的关键特征向量进行综合评步骤三、服务器安全风险实时分析，采用数据路由机制所述潜在恶意行为挖掘算法通过异常检测损失函数训练深度学习模型k表示服务器的第k个高风险等级访问源，m为服务器高风险等级访问源的总3深度学习模型输出与真实数据之间的差异，表示深度学习模型参数θ的L2范数平据设定的异常分数阈值和计算获得的异常分数筛分出存在潜所述低风险边缘节点采用模式匹配算法对输入的低风险等级访问源服务器访问数据所述模式匹配算法将输入的低风险等级访问源服务器访问数据转化成特征向量或特的相似性或距离，并根据相似性阈值和计算获得的相似性筛分出存在潜在威胁的访问数步骤四、服务器安全风险预测，根据服务器访问源风险等服务器安全状态对动态变化的服务器安全风险进行步骤五、多层次服务器安全告警和控制，根据服务问频率异常程度和响应状态异常程度数据集分别为V为历史安史安全事件的访问频率异常程度预测下一时刻服务器访问频率异常程度，输出函数公式4为t+1时刻服务器访问响应状态异常程度的加权系数，δ为服务器访问响应状态安全防火墙通过网络安全防护层和应用安全防护层协同工作对所述云平台中的敏感数据注入攻击行为，所述双层安全防火墙采用SSL安全套接字层协议加速卡加快数据调用和处5[0002]在当今物联网不断发展的环境中，越来越多的设备和传感器被连接到互联网[0005]针对现有技术的不足，本发明公开了一种基于物联网服配算法对输入的低风险等级访问源服务器访问数据进行实时6[0017]步骤4、利用构建的风险评估指标计算每个访问源窗口内的关键特征向量进行综[0018]进一步地，所述潜在恶意行为挖掘算法通过异常检测损失函数训练深度学习模个高风险等级访问源异常检测损失函数的输出函数7[0022]在公式(2)中，Si表示第k个高风险等级访问源中第i个服务器访问数据的异常分V为历史安全事件的访问频率异常程度数据集，U为历史安全事率异常程度，为t+1时刻服务器访问频率异常程度的加权函数，为t+1时刻服务器访问频率异常程度的加权系数，ξ为服务器访问频率异常程函数，为t+1时刻服务器访问响应状态异常程度的89风险评分阈值对模型输出的风险评分进行划分，将服务器访问源分为高风险和低风险等问数据路由至相应的边缘节点。高风险边缘模型等)对动态变化的服务器安全风险进行预测。预测结果可用于指导未来的安全策略和函数基于重建误差或概率分布差异衡量异常权重，高风险等级访问源集合为{y1,...,k表示服务器的第k个高风险等级访问源，m为服务器高风险等级访问源的总[0069]在公式(2)中，Si表示第k个高风险等级访问源中第i个服务器访问数据的异常分场实验环境设置，模拟数据精度为95算法运行误差不超过2.5分别采用潜在恶意行[0088]根据上表数据可以看出，A组潜在恶意行为挖掘算法在检测准确率和耗时方面均不同类型的恶意行为检测上的表现，并在更大规模的数据集上验证这些实验结果的有效性度量来计算与已有访问异常模式之间的相似性或距离，从而识别出潜在威胁的访问数[0094]如果输入数据的特征向量与异常模式库中的某个特征向量之间的相似度超过预事件的访问频率异常程度和响应状态异常程度数据集分别为V为历史安全事件的访问频率异常程度数据集，U为历史安全事件的响应状态异常程度数据率异常程度，为t+1时刻服务器访问频率异常程度的加权函数，为t+1时刻服务器访问频率异常程度的加权系数，ξ为服务器访问频率异常程性能的网络接口卡可以确保数据的高速传输场实验环境设置，模拟数据精度为95算法运行误差不超过2.5分别采用潜在恶意行[0118]采用数据流量纠察工具对潜在威胁的访问数据流量在各节点间的流转时间分布[0120]云平台通过双层安全防火墙保护云端数据安全、内核平双层安全防火墙通过网络安全防护层和应用安全防护层协同工作对所述云平台中的敏感SSL安全套接字层协议加速卡加快数据调用和处理速度，提高了云平台的安全性和运行速[0122]