CN119449416A 基于区块链技术的网络安全监控方法、系统及介质 （国网四川省电力公司电力科学研究院）

院本发明公开了基于区块链技术的网络安全智能技术对安全事件数据和安全态势数据进行能力，从而为网络系统的稳定运行提供有力保2从区块链网络中提取安全态势数据的时间队列和安全事件数据的时间队列；结合所述安全事件数据的时间队列，对所述安全将所述网络安全特征输入到预设的随机森林模型中训练出对应目标对所述安全态势数据的时间队列和所述安全事件数据的时间队列进行嵌入编安全态势数据嵌入编码向量的时间队列和安全事件数据嵌入编码向量的时对所述安全态势数据嵌入编码向量的时间队列和所述安全事件数据嵌入编码向量的对所述安全态势主成分时序聚合表示向量和所述安全事件主成分时序聚合表示向量成分时序聚合表示向量和所述安全事件主成分时序聚合表示向量之间的隐性关联特征作从所述安全态势/事件数据嵌入编码向量的时间队列中提取当前安全态势/事件数据嵌入编码向量，并对所述当前安全态势/事件数据嵌入编码向量进行基于特征值的主成分将所述安全态势/事件数据嵌入编码向量的序列中的其他安全态势/事件数据嵌入编码向量的序列，并对所述历史安全态势/事件数据嵌入编码向量的序列中的各个历史安态基于所述历史安全态势/事件数据主成分表示向量的序列中各个历史安全态势/事件数据主成分表示向量相对于所述当前安全态势/事件数据主成分表示向量的时间跨度，计算所述各个历史安全态势/事件数据主成分表示向量的时序梯度衰减权重，以得到历史安全态势/事件数据时序梯度衰减权重的序列；基于所述历史安全态势/事件数据时序梯度衰减权重的序列，计算事件数据主成分表示向量的序列的加权和，得到历史安全态势/事件数据主成分显著传递3计算所述历史安全态势/事件数据主成分显著传递聚合表示向量和所述当前安全态势/事件数据主成分表示向量的按位置加和，得到安全态势/事件主成分时序聚合表示向计算所述当前安全态势/事件数据嵌入编码向量的协方差矩阵对所述当前安全态势/事件数据协方差矩阵进行特征值分解，得到当前数据主成分特征值集合和对应的当前安全态势/事件数据主成确定出当前安全态势/事件数据主成分特征值集合中的最大征值集AA所对应的当前安全态势/事件数据主成分特征向量作为当前安全态势/事件数据主成分表计算所述历史安全态势/事件数据主成分表示向量的序列中的各个历史安全态势/事件数据主成分表示向量相对于所述当前安全态势/事件数据主成分表示向量的时序传播绝基于所述历史安全态势/事件数据主成分表示向量的序列中的各个历史安全态势/事件数据主成分表示向量与所述当前安全态势/事件数据主成分表示向量之间的时间跨度，对所述时序传播绝对衰减因子的序列中的各个时序传播绝对衰减因子进行时间维度调制表示向量与所述当前安全态势/事件数据主成分表示向量之间的时间戳差值，对所述时间戳差值向下取整以得到时间跨度因子；将所述历史安全态势/事件数据主成分表示向量的时序传播绝对衰减因子除以所述时间跨度因子的自然指数函数值以得到所述时间跨度调将所述时间跨度调制传播衰减因子的序列输入基于门控函数的信息传递筛选模块以得到所述历史安全态势/事件数据时序梯度衰减权重的序列。将所述安全态势主成分时序聚合表示向量和所述安全事件主成分时序聚合表示向量对所述安全事件一安全态势隐性关联特征向量进行基于Sigmoid函数的特征激活以得将所述安全态势主成分时序聚合表示向量和所述安全事件主成分时序聚合表示向量4计算所述安全态势主成分时序聚合表示向量相对于所述条件特征向量的第一内容贡计算所述安全事件主成分时序聚合表示向量对于所述条件特征向量的第二内容贡献对所述第一内容贡献因子和所述第二内容贡献因子进行归一化处理，的第一内容贡献因子和第二内容贡献因子对所述安全态势主成分时序聚合表示向量和所对所述调制后安全态势主成分时序聚合表示向量、所述调制后安合表示向量和所述条件特征向量进行基于转换器结构的跨域交互编码，得到所述安全事件主成分时序聚合表示向量和所述条件特征向量输入基于转换器结构的特征间显著引导数据提取模块，用于从区块链网络中提取安全态势数据的时聚合分析模块，用于结合所述安全事件数据的时间队5上述基于态势感知的网络安全监控方法未能充分考虑安全态势和安全事件之间的时序动基于深度学习的人工智能技术对安全事件数据和安全态势数据进行嵌入编码和时序分析，6[0013]对所述安全态势数据的时间队列和所述安全事件数据的得到安全态势数据嵌入编码向量的时间队列和安全事件数据嵌入编码向量的时间队列；[0014]对所述安全态势数据嵌入编码向量的时间队列和所述安全事件数据嵌入编码向[0015]对所述安全态势主成分时序聚合表示向量和所述安全事件主成分时序聚合表示势主成分时序聚合表示向量和所述安全事件主成分时序聚合表示向量之间的隐性关联特[0017]从所述安全态势/事件数据嵌入编码向量的时间队列中提取当前安全态势/事件数据嵌入编码向量，并对所述当前安全态势/事件数据嵌入编码向量进行基于特征值的主[0018]将所述安全态势/事件数据嵌入编码向量的序列中的其他安全态势/事件数据嵌入编码向量的序列，并对所述历史安全态势/事件数据嵌入编码向量的序列中的各个历史数据主成分表示向量的序列；[0019]基于所述历史安全态势/事件数据主成分表示向量的序列中各个历史安全态势/事件数据主成分表示向量相对于所述当前安全态势/事件数据主成分表示向量的时间跨史安全态势/事件数据时序梯度衰减权重的序列；[0020]基于所述历史安全态势/事件数据时序梯度衰减权重的序列，计算所述历史安全[0021]计算所述历史安全态势/事件数据主成分显著传递聚合表示向量和所述当前安全[0022]进一步优化方案为，所述当前安全态势/事件数据主成分表示向量的获取方法包[0023]计算所述当前安全态势/事件数据嵌入编码向量的协方差矩阵，得到当前安全态事件数据主成分特征值集合和对应的当前安全态势/事件数据主成分特7值集A所对应的当前安全态势/事件数据主成分特征向量作为当前安全态势/事件数据主成[0026]进一步优化方案为，所述历史安全态势/事件数据时序梯度衰减权重的序列的获[0027]计算所述历史安全态势/事件数据主成分表示向量的序列中的各个历史安全态势/事件数据主成分表示向量相对于所述当前安全态势/事件数据主成分表示向量的时序[0028]基于所述历史安全态势/事件数据主成分表示向量的序列中的各个历史安全态势/事件数据主成分表示向量与所述当前安全态势/事件数据主成分表示向量之间的时间成分表示向量与所述当前安全态势/事件数据主成分表示向量之间的时间戳差值，对所述时间戳差值向下取整以得到时间跨度因子；将所述历史安全态势/事件数据主成分表示向量的时序传播绝对衰减因子除以所述时间跨度因子的自然指数函数值以得到所述时间跨[0029]将所述时间跨度调制传播衰减因子的序列输入基于门控函数的信息传递筛选模块以得到所述历史安全态势/事件数据时序梯度衰减权重的序列。[0031]将所述安全态势主成分时序聚合表示向量和所述安全事件主成分时序聚合表示[0032]对所述安全事件一安全态势隐性关联特征向量进行基于Sigmoid函数的特征激活[0034]将所述安全态势主成分时序聚合表示向量和所述安全事件主成分时序聚合表示[0036]计算所述安全态势主成分时序聚合表示向量相对于所述条件特征向量的第一内[0037]计算所述安全事件主成分时序聚合表示向量对于所述条件特征向量的第二内容化后的第一内容贡献因子和第二内容贡献因子对所述安全态势主成分时序聚合表示向量8事件主成分时序聚合表示向量和所述条件特征向量输入基于转换器结构的特征间显著引处理器执行可实现如上述的基于区块链技术的网络安9基于态势感知的网络安全监控方法未能充分考虑安全态势和安全事件之间的时序动态关[0059]S21，对所述安全态势数据的时间队列和所述安全事件数据的时间队列进行嵌入采用了嵌入编码技术对所述安全态势数据的时间队列和所述安全事件数据的时间队列进例中，采用Word2Vec模型经过训练生成安全态势嵌入编码矩阵和安全事件嵌入编码矩阵，[0060]S22，对所述安全态势数据嵌入编码向量的时间队列和所述安全事件数据嵌入编矩阵和安全事件嵌入编码矩阵，以此来对安全态势数据和安全事件数据进行嵌入编码处事件数据嵌入编码向量，并对所述当前安全态势/事件数据嵌入编码向量进行基于特征值据嵌入编码向量的序列，并对所述历史安全态势/事件数据嵌入编码向量的序列中的各个节点的数据主成分表示向量和历史时间节点的数据主全态势/事件数据主成分特征值集合和对应的当前安全态势/事件数据主成分特征向量集最大征值集A所对应的当前安全态势/事件数据主成分特征向量作为当前安全态势/事件数述各个历史安全态势数据主成分表示向量的时序梯度衰减权重以得到历史安全态势数据中的各个历史安全态势数据主成分表示向量相对于所述当前安全态势数据主成分表示向数据主成分表示向量的序列中的各个历史安全态势数据主成分表示向量与所述当前安全态势数据主成分表示向量之间的时间跨度对所述时序传播绝对衰减因子的序列中的各个述时间跨度调制传播衰减因子的序列输入基于门控函数的信息传递筛选模块以得到所述示向量的序列中的各个历史安全态势数据主成分表示向量相对于所述当前安全态势数据时序传播衰减绝对标准表示向量与所述历史安全态势数据主成分表示向量之间的点乘向历史安全态势数据主成分表示向量与所述当前安全态势数据主成分表示向量之间的时间跨度对所述时序传播绝对衰减因子的序列中的各个时序传播绝对衰减因子进行时间维度衰减因子除以所述时间跨度因子的自然指数函数值以得到所述时间跨度调制传播衰减因序列输入Sigmoid函数进行归一化处理以得到所述历史安全态势数据时序梯度衰减权重的序列。嵌入编码向量的时间队列进行时序动态传播聚合以得到安全态势主成分时序聚合表示向xi分别表示所述历史安全态势数据嵌入编码向量的序列中的第一个、第二个和第i个历史pp示所述历史安全态势数据嵌入编码向量的长度，Ci表示所述第i个历史安全态势数据嵌入全态势数据协方差矩阵进行特征值分解得到的历史安全态势数据主成分特征向量的集合组成的矩阵，Λi表示通过对所述第i个历史安ik和λim分别表示第i个所述历史安全态势数据主成分特征值的集合中p和ti分别表示所述当前安全态势数据嵌入编码向量和所述第i个历史安全态势数据嵌入编码向量的时间戳，表示向下取整，ei表示第i个时间跨度调制传播衰减因子，mask[0075]S223，基于所述历史安全态势/事件数据主成分表示向量的序列中各个历史安全态势/事件数据主成分表示向量相对于所述当前安全态势/事件数据主成分表示向量的时到历史安全态势/事件数据时序梯度衰减权重的序列；全态势/事件数据主成分表示向量相对于所述当前安全态势/事件数据主成分表示向量的全态势/事件数据主成分表示向量与所述当前安全态势/事件数据主成分表示向量之间的据主成分表示向量与所述当前安全态势/事件数据主成分表示向量之间的时间戳差值，对所述时间戳差值向下取整以得到时间跨度因子；将所述历史安全态势/事件数据主成分表示向量的时序传播绝对衰减因子除以所述时间跨度因子的自然指数函数值以得到所述时[0079]S2233，将所述时间跨度调制传播衰减因子的序列输入基于门控函数的信息传递筛选模块以得到所述历史安全态势/事件数据时序梯度衰减权[0082]S225，计算所述历史安全态势/事件数据主成分显著传递聚合表示向量和所述当[0084]S23，对所述安全态势主成分时序聚合表示向量和所述安全事件主成分时序聚合所述安全态势主成分时序聚合表示向量和所述安全事件主成分时序聚合表示向量进行基用归一化后的第一内容贡献因子和第二内容贡献因子对所述安全态势主成分时序聚合表后安全事件主成分时序聚合表示向量和所述条件特征向量输入基于转换器结构的特征间事件安全态势隐性关联特征向量进行基于Sigmoid函数的特征激活以得到所述条件特征和所述安全事件主成分时序聚合表示向量之间共享的隐性关联特征，并使用Sigmoid函数向量和所述安全事件主成分时序聚合表示向量进行基于注意力机制的跨域交互融合以得述安全态势主成分时序聚合表示向量和所述安全事件主成分时序聚合表示向量进行基于述安全态势主成分时序聚合表示向量和所述安全事件主成分时序聚合表示向量进行加权调制以得到调制后安全态势主成分时序聚合表示向量和调制后安全事件主成分时序聚合时序聚合表示向量和所述条件特征向量进行基于转换器结构的跨域交互编码以得到所述安全事件安全态势显著聚合表示向量。也就是，将所述安全态势主成分时序聚合表示向制后的安全事件主成分时序聚合表示向量作为键向量，且以所述条件特征向量作为值向量，利用Transformer架构来进行特征间的引导交互，从而实现跨模态特征的深层交互融件主成分时序聚合表示向量和所述条件特征向量进行基于转换器结构的跨域交互编码以述调制后安全事件主成分时序聚合表示向量和所述条件特征向量输入基于转换器结构的序聚合表示向量和所述条件特征向量输入基于转换器结构的特征间显著引导交互模块的分时序聚合表示向量的转置向量后除以所述安全事件主成分时序聚合表示向量的长度的势特征查询关注注意力分数矩阵通过softmax函数后乘以所述条件特征向量以得到所述安征交互融合公式对所述安全态势主成分时序聚合表示向量和所述安全事件主成分时序聚X1w1和bVT分别表示神经网络层的权重矩阵和偏置参数，tanh表示双曲成了安全事件和安全态势的时序动态关联信息，有效挖掘了两者之间的深层次隐性关联，所述安全事件安全态势显著聚合表示向量作为网络安全特征，进一步通过对其进行分类事件安全态势显著聚合空间结构值和所述第二安全事件安全态势显著聚合空间结构值[0114]将所述安全事件一安全态势显著聚合表示向量的每个特征值分别与所述安全事件安全态势显著聚合表示向量的长度和所述长度的平