CN119520106A 基于深度学习的网络攻击检测系统及方法 （烟台黄金职业学院）

本发明公开了一种基于深度学习的网络攻的行为数据；利用用户行为模式库得到异常用为网络攻击的异常操作设备标记为网络攻击节网络拓扑模型分析若干网络攻击节点的影响范2行为分析模块：用于利用用户行为模式库根据若干用户的行为数攻击检测模块：用于获取所述若干异常操作设备的网络流量数据应急处理模块：用于根据网络拓扑数据建立网络拓扑模型，利用A2，利用层次分析法根据若干评估指标数据计算若干应用程序的综合得分A25，根据公式Rp＝w1×W1p+w2×W2p+…+wn×Wnp计算得到第p个应用程序的综合得3C2，利用余弦相似度计算当前用户的行为特征向量与若干标D1，获取并预处理若干设备的历史网络流量数据和历史设D3，基于深度学习算法构建时间序列模型，将时间序列数据和标注D4，将预训练时间序列模型作为最终模型，得到输入为设备的D14，将若干时间窗口内的网络流量数据特征和设备日志数据特征按照时间顺序组成4E2，利用路径搜索算法，得到从若干网络攻击节点出发且大于Suv表示节点危险系数，且Suv＝1/(1+∑w_sdxCudxCvd)，求和范围为所有安全配置Huv表示历史攻击频率，且Huv＝Nuv/N，N表示历史预设时间范S5，根据网络拓扑数据建立网络拓扑模型，利用5基于深度学习的网络攻击检测系统及方法，用于解决了现有网络攻击检测方法效率不高、6利用聚类算法构建用户行为模式库，并通过对比数据采集模块采集的当前行为与模式库，[0020]A22，对若干应用程序在若干评估指标下两两之间的相对重要性进行评估，得到7[0024]由于层次分析法能够根据不同的评估指标和应用程序特8证集调整模型的超参数以优化性能，最后使用测试集评估模型是否达到预设的精度要求，[0048]D14，将若干时间窗口内的网络流量数据特征和设备日志数据特征按照时间顺序9[0069]通过聚类算法构建的用户行为模式库，从历史数据中挖[0074]图3为本发明提供的基于深度学习的网络攻击检测系统中行为分析模块的操作示[0076]请参阅图1图3，本发明第一方面实施例提供了一种基于深度学习的网络攻击检录机制可能不同，有的设备可能将日志存储在本地的特定文存储在本地的设备日志，通过编写专门的日志采集脚本或使用现有的日志管理工具(如[0096]最后，根据公式Rp＝w1×W1p+w2×W2p+…+wn×Wnp计算得到第p个应用程序的综始化10个聚类中心，然后采用欧氏距离等度量者达到预设的迭代次数为止，最终将历史行为数据库中的所有数据划分到相应的聚类簇检测模型判断异常操作设备的网络是否受到网量(即该时间段内通过监测节点的所有网络流量设备的登录事件、权限变更事件等各自的发生次数)、不同HTTP响应码的占比(如200响应[0118]D14，将每个时间窗口内的网络流量数据特征和设备日志数据特征按照时间顺序验证集和测试集)分别输入到构建好的时间序列模型中进行训练、验证与测试。在训练阶预测结果与真实标注之间的差异(如采用交叉熵损失函数等来衡量差异程度)；在验证阶[0124]如果将异常操作设备的网络流量数据和设备日志数据输安全检测工具扫描得到每个节点在每项安全配置上的得分Cud和Cvd，然后按照公式Suv=1/(1+_sd×Cud×Cvd)(求和范围为所有安全配置项)来计算节点u和节点v之间的节点[0129]计算历史攻击频率Huv：收集历史预设时间范围内整个网络受到网络攻击的总次数N，同时统计节点u与节点v之间的链路在该历史预设时间范围内受到网络攻击的次数