CN117914629A - 一种网络安全检测方法及系统 - Google Patents
一种网络安全检测方法及系统 Download PDFInfo
- Publication number
- CN117914629A CN117914629A CN202410306380.5A CN202410306380A CN117914629A CN 117914629 A CN117914629 A CN 117914629A CN 202410306380 A CN202410306380 A CN 202410306380A CN 117914629 A CN117914629 A CN 117914629A
- Authority
- CN
- China
- Prior art keywords
- data
- feature
- original
- time sequence
- network
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Granted
Links
- 238000001514 detection method Methods 0.000 title claims abstract description 62
- 230000006399 behavior Effects 0.000 claims abstract description 75
- 238000000034 method Methods 0.000 claims abstract description 64
- 230000002159 abnormal effect Effects 0.000 claims abstract description 33
- 238000004422 calculation algorithm Methods 0.000 claims abstract description 31
- 238000000513 principal component analysis Methods 0.000 claims abstract description 20
- 238000000605 extraction Methods 0.000 claims abstract description 13
- 206010000117 Abnormal behaviour Diseases 0.000 claims abstract description 12
- 238000011426 transformation method Methods 0.000 claims abstract description 10
- 239000011159 matrix material Substances 0.000 claims description 53
- 239000013598 vector Substances 0.000 claims description 27
- 238000000354 decomposition reaction Methods 0.000 claims description 24
- 238000004458 analytical method Methods 0.000 claims description 23
- 238000007781 pre-processing Methods 0.000 claims description 19
- 238000012545 processing Methods 0.000 claims description 15
- 230000008569 process Effects 0.000 claims description 14
- 230000009466 transformation Effects 0.000 claims description 14
- 238000009826 distribution Methods 0.000 claims description 13
- 238000004364 calculation method Methods 0.000 claims description 11
- 238000005070 sampling Methods 0.000 claims description 6
- 102000002274 Matrix Metalloproteinases Human genes 0.000 claims description 4
- 108010000684 Matrix Metalloproteinases Proteins 0.000 claims description 4
- 238000012163 sequencing technique Methods 0.000 claims description 4
- 238000007689 inspection Methods 0.000 claims 1
- 230000000694 effects Effects 0.000 description 9
- 230000006870 function Effects 0.000 description 7
- 238000012549 training Methods 0.000 description 5
- 230000008859 change Effects 0.000 description 4
- 230000009286 beneficial effect Effects 0.000 description 3
- 230000008878 coupling Effects 0.000 description 3
- 238000010168 coupling process Methods 0.000 description 3
- 238000005859 coupling reaction Methods 0.000 description 3
- 230000009467 reduction Effects 0.000 description 3
- 230000006978 adaptation Effects 0.000 description 2
- 238000004891 communication Methods 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 238000009499 grossing Methods 0.000 description 2
- 230000007774 longterm Effects 0.000 description 2
- 238000010801 machine learning Methods 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 238000003062 neural network model Methods 0.000 description 2
- 238000003672 processing method Methods 0.000 description 2
- 230000006798 recombination Effects 0.000 description 2
- 238000005215 recombination Methods 0.000 description 2
- 230000000007 visual effect Effects 0.000 description 2
- 206010033799 Paralysis Diseases 0.000 description 1
- 238000012300 Sequence Analysis Methods 0.000 description 1
- 230000002411 adverse Effects 0.000 description 1
- 230000002547 anomalous effect Effects 0.000 description 1
- 230000005540 biological transmission Effects 0.000 description 1
- 238000004590 computer program Methods 0.000 description 1
- 230000001186 cumulative effect Effects 0.000 description 1
- 238000013136 deep learning model Methods 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 230000002708 enhancing effect Effects 0.000 description 1
- 238000011985 exploratory data analysis Methods 0.000 description 1
- 230000004807 localization Effects 0.000 description 1
- 230000035772 mutation Effects 0.000 description 1
- 238000010606 normalization Methods 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 230000000737 periodic effect Effects 0.000 description 1
- 238000011897 real-time detection Methods 0.000 description 1
- 230000035945 sensitivity Effects 0.000 description 1
- 230000001960 triggered effect Effects 0.000 description 1
Classifications
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04L—TRANSMISSION OF DIGITAL INFORMATION, e.g. TELEGRAPHIC COMMUNICATION
- H04L63/00—Network architectures or network communication protocols for network security
- H04L63/14—Network architectures or network communication protocols for network security for detecting or protecting against malicious traffic
- H04L63/1408—Network architectures or network communication protocols for network security for detecting or protecting against malicious traffic by monitoring network traffic
- H04L63/1416—Event detection, e.g. attack signature detection
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
- G06F18/213—Feature extraction, e.g. by transforming the feature space; Summarisation; Mappings, e.g. subspace methods
- G06F18/2131—Feature extraction, e.g. by transforming the feature space; Summarisation; Mappings, e.g. subspace methods based on a transform domain processing, e.g. wavelet transform
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
- G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/045—Combinations of networks
- G06N3/0455—Auto-encoder networks; Encoder-decoder networks
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
- G06N3/088—Non-supervised learning, e.g. competitive learning
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04L—TRANSMISSION OF DIGITAL INFORMATION, e.g. TELEGRAPHIC COMMUNICATION
- H04L63/00—Network architectures or network communication protocols for network security
- H04L63/14—Network architectures or network communication protocols for network security for detecting or protecting against malicious traffic
- H04L63/1441—Countermeasures against malicious traffic
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04L—TRANSMISSION OF DIGITAL INFORMATION, e.g. TELEGRAPHIC COMMUNICATION
- H04L9/00—Cryptographic mechanisms or cryptographic arrangements for secret or secure communications; Network security protocols
- H04L9/40—Network security protocols
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Computer Security & Cryptography (AREA)
- Data Mining & Analysis (AREA)
- Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Artificial Intelligence (AREA)
- Computing Systems (AREA)
- Evolutionary Computation (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Computer Networks & Wireless Communication (AREA)
- Signal Processing (AREA)
- Molecular Biology (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- General Health & Medical Sciences (AREA)
- Evolutionary Biology (AREA)
- Bioinformatics & Computational Biology (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Biomedical Technology (AREA)
- Health & Medical Sciences (AREA)
- Computer Hardware Design (AREA)
- Complex Calculations (AREA)
Abstract
本发明提供一种网络安全检测方法及系统，涉及网络安全检测技术领域，所述方法包括：采用基于主成分分析的特征提取算法，对预处理数据进行特征重要度排序，以获取代表性的特征子集；利用自编码器对特征子集进行扩展和生成，以得到网络行为特征时序数据；采用小波变换方法，将网络行为特征时序数据分解到不同的时间尺度上；通过异常检测算法，对不同时间尺度的时序数据进行异常点识别，以得到与正常模式偏离的异常行为。本发明提高了检测的准确性。
Description
技术领域
本发明涉及网络安全检测技术领域，特别是指一种网络安全检测方法及系统。
背景技术
随着网络技术的飞速发展，网络行为日益复杂，这给网络安全检测带来了巨大的挑战。网络行为特征时序数据作为反映网络状态和行为模式的重要信息源，在网络安全检测中发挥着关键作用。然而，原始网络行为特征时序数据往往维度高、噪声多、特征冗余，直接用于安全检测效果不佳，且易受到数据稀疏性和不平衡性的影响。
传统的网络安全检测方法通常直接对原始数据进行处理，忽略了数据内部的结构和关联性，导致检测性能有限。此外，这些方法往往缺乏对特征重要度的有效评估，无法从海量特征中提炼出真正对检测有贡献的关键信息。
发明内容
本发明要解决的技术问题是提供一种网络安全检测方法及系统，提高了检测的准确性。
为解决上述技术问题，本发明的技术方案如下：
第一方面，一种网络安全检测方法，所述方法包括：
对原始网络行为特征时序数据进行预处理，以得到预处理数据；
采用基于主成分分析的特征提取算法，对预处理数据进行特征重要度排序，以获取代表性的特征子集；
利用自编码器对特征子集进行扩展和生成，以得到网络行为特征时序数据；
采用小波变换方法，将网络行为特征时序数据分解到不同的时间尺度上；
通过异常检测算法，对不同时间尺度的时序数据进行异常点识别，以得到与正常模式偏离的异常行为。
进一步的，对原始网络行为特征时序数据进行预处理，以得到预处理数据，包括：
根据数据的特性和分析目标，确定一个初始的窗口大小；
从数据的起始点开始，将窗口放置在数据上；
计算当前窗口内所有数据的平均值；
将计算出的平均值作为新的数据点记录在滤波后的数据集中；
将窗口向右移动一个数据点的位置，重复步骤，直到窗口滑动到数据的末尾；
在计算每个位置的平均值后，以得到一个新的数据点，新的数据点构成了预处理数据。
进一步的，计算当前窗口内所有数据的平均值，包括：通过计算当前窗口内所有数据的平均值，其中，是滤波后的数据
序列中的一个点，表示在原始数据序列中位置处的移动平均值，是移动平均滤波器的窗
口大小，表示在计算一个点的移动平均值时要考虑的数据点的数量，窗口大小是一个正整
数，是一个求和符号，表示对从到的所有项进行求和，是原始数据
序列中的一个点，表示在位置处的数据值，在求和过程中，从0变化到，是权
重向量中的一个元素，它对应于窗口中位置的数据点的权重。
进一步的，采用基于主成分分析的特征提取算法，对预处理数据进行特征重要度排序，以获取代表性的特征子集，包括：
获取预处理的数据集，预处理的数据集是一个包含n个样本总数和p个特征的数据矩阵X，其中，数据矩阵X为：；
其中，每一行代表一个样本，每一列代表一个特征；
根据数据矩阵X，计算数据矩阵X中每个特征的均值，其中，均值向量为：；
其中，表示第p个特征的均值，第j个特征的均值的计算公式为：，
其中，j=1，2，…，p；i是一个索引，用于遍历数据集中的所有样本，i从1变化到n，表示数
据矩阵X中第i行第j列的元素；
根据均值向量，计算协方差矩阵，协方差矩阵表示为：；
其中，表示在协方差矩阵中，位于协方差矩阵中的第p行第p列的协方差；协
方差矩阵中第行第列的协方差的计算公式为：；
其中，k=1，2，…，p，表示数据矩阵X中第i行第k列的元素，是第j个特征的均
值，是第k个特征的均值；
对协方差矩阵进行特征分解，得到协方差矩阵的特征向量和特征值；
根据特征值的大小排序主成分，并计算累计解释方差的比例；
根据确定的主成分，获取主成分对应的特征向量，将原始特征投影到主成分构成的子空间上；
分析每个原始特征在主成分中的相关性；
根据每个原始特征在主成分中的相关性，对原始特征进行排序，以得到排序结果；
根据排序结果，获取代表性的特征子集。
进一步的，利用自编码器对特征子集进行扩展和生成，以得到网络行为特征时序数据，包括：
确定输入的原始的网络行为特征时序数据；
使用自编码器将原始的网络行为特征时序数据编码为一个隐变量的分布；
从编码器输出的隐变量分布中采样隐变量，使用自编码器将采样的隐变量解码为特征时序数据的候选集；
从原始特征集中确定原始特征子集，根据原始特征子集，利用采样的隐变量和解码器生成与特定的特征子集相似的多个特征时序数据；
根据原始特征子集和与特定的特征子集相似的多个特征时序数据，形成一个扩展的特征时序数据集。
进一步的，采用小波变换方法，将网络行为特征时序数据分解到不同的时间尺度上，包括：
根据数据的复杂性和分析需求，确定小波变换的分解层数；
根据网络行为特征时序数据、小波基函数以及分解层数，执行小波变换，以将原始数据分解成小波系数；
分析小波系数，以得到在不同时间尺度上的行为模式。
进一步的，通过异常检测算法，对不同时间尺度的时序数据进行异常点识别，以得到与正常模式偏离的异常行为，包括：
使用基于密度的方法，对每个时间尺度的时序数据分别进行异常点识别，以得到识别数据；
根据识别数据以及预设的阈值，以识别出每个时间尺度上的异常点。
第二方面，一种网络安全检测系统，包括：
获取模块，用于对原始网络行为特征时序数据进行预处理，以得到预处理数据；采用基于主成分分析的特征提取算法，对预处理数据进行特征重要度排序，以获取代表性的特征子集；
处理模块，用于利用自编码器对特征子集进行扩展和生成，以得到网络行为特征时序数据；采用小波变换方法，将网络行为特征时序数据分解到不同的时间尺度上；通过异常检测算法，对不同时间尺度的时序数据进行异常点识别，以得到与正常模式偏离的异常行为。
第三方面，一种计算设备，包括：
一个或多个处理器；
存储装置，用于存储一个或多个程序，当所述一个或多个程序被所述一个或多个处理器执行，使得所述一个或多个处理器实现上述方法。
第四方面，一种计算机可读存储介质，所述计算机可读存储介质中存储有程序，该程序被处理器执行时实现上述方法。
本发明的上述方案至少包括以下有益效果：
本发明的上述方案，通过预处理和特征提取步骤，本发明能够有效地消除原始数据中的噪声和冗余信息，并提取出对检测有贡献的关键特征，从而提高了检测的准确性。利用基于变分自编码器的数据增强方法，本发明能够对特征子集进行扩展和生成，丰富了数据集并提高了模型的泛化能力，使得检测方法在面对未知攻击时具有更好的适应性。采用小波变换方法将增强后的数据分解到不同的时间尺度上，能够揭示数据的内在结构和多尺度特征。通过异常检测算法对不同时间尺度的时序数据进行异常点识别，本发明能够准确发现与正常模式偏离的异常行为，提升了异常检测的性能和效率。本发明的方法具有灵活性和可扩展性，可以根据不同的网络环境和安全需求进行调整和优化。
附图说明
图1是本发明的实施例提供的网络安全检测方法的流程示意图。
图2是本发明的实施例提供的网络安全检测系统示意图。
具体实施方式
下面将参照附图更细地描述本公开的示例性实施例。虽然附图中显示了本公开的示例性实施例，然而应当理解，可以以各种形式实现本公开而不应被这里阐述的实施例所限制。相反，提供这些实施例是为了能够更透彻地理解本公开，并且能够将本公开的范围完整的传达给本领域的技术人员。
如图1所示，本发明的实施例提出一种网络安全检测方法，所述方法包括：
步骤11，对原始网络行为特征时序数据进行预处理，以得到预处理数据；
步骤12，采用基于主成分分析的特征提取算法，对预处理数据进行特征重要度排序，以获取代表性的特征子集；
步骤13，利用自编码器对特征子集进行扩展和生成，以得到网络行为特征时序数据；
步骤14，采用小波变换方法，将网络行为特征时序数据分解到不同的时间尺度上；
步骤15，通过异常检测算法，对不同时间尺度的时序数据进行异常点识别，以得到与正常模式偏离的异常行为。
在本发明实施例中，步骤12，主成分分析能够有效地降低数据的维度，减少计算量和存储需求，通过对特征进行重要度排序，可以选择出对检测任务最有贡献的特征子集，提高检测精度，主成分分析能够消除原始特征之间的多重共线性问题。步骤13，自编码器能够学习数据的内在表示，并通过编码和解码过程生成新的数据样本，丰富数据集，通过数据增强，可以增加模型的泛化能力，使其在面对未知攻击时具有更好的鲁棒性，自编码器的隐藏层能够学习到数据的更深层次特征，有助于提升后续检测任务的性能。步骤14，小波变换能够提供数据在不同时间尺度上的信息，有助于捕捉网络行为的短期和长期变化模式，通过小波变换提取的特征更加细致和全面，能够反映数据的局部和全局特性，小波变换具有一定的去噪能力，能够进一步提纯数据信号，提高检测准确性。步骤15，异常检测算法能够有效地识别出与正常模式偏离的异常行为，及时发现潜在的安全威胁，通过对不同时间尺度的数据进行异常检测，能够更全面地捕捉异常模式，提高检测精度和召回率，异常检测算法通常具有较高的处理速度，能够满足实时检测的需求，及时响应安全事件。
在本发明一优选的实施例中，上述步骤11，包括：
步骤111，根据数据的特性和分析目标，确定一个初始的窗口大小；
步骤112，从数据的起始点开始，将窗口放置在数据上；
步骤113，计算当前窗口内所有数据的平均值；
步骤114，将计算出的平均值作为新的数据点记录在滤波后的数据集中；
步骤115，将窗口向右移动一个数据点的位置，重复步骤，直到窗口滑动到数据的末尾；
步骤116，在计算每个位置的平均值后，以得到一个新的数据点，新的数据点构成了预处理数据。
在本发明实施例中，步骤111，根据数据的特性和分析目标来确定窗口大小，可以确保预处理过程更加适应数据本身的特性，提高处理效果，初始窗口大小的选择为后续的数据处理提供了灵活性，可以根据实际需求进行调整。步骤112，从数据的起始点开始滑动窗口，确保每个数据点都有机会被包含在窗口内进行处理，实现数据的全面覆盖，通过窗口的滑动，可以将数据分成多个小段进行分析，有助于捕捉数据的局部特征。步骤113，计算窗口内数据的平均值可以起到平滑数据的作用，减少数据中的随机波动和噪声，平均值作为窗口内数据的代表，能够反映窗口内数据的整体水平和趋势。步骤114，使用平均值作为新的数据点，可以在保留数据主要特征的同时减少数据量，简化后续处理过程，平均值代替原始数据点可以减少噪声的影响，提高数据的信噪比。步骤115，通过逐个数据点移动窗口并进行处理，可以保持数据在时间上的连续性，便于后续的时序分析，滑动窗口的方式确保了每个数据点都被处理到，保证了数据处理的完整性。步骤116，通过在整个数据集上应用滑动平均方法，得到的新数据点集更加平滑，减少了原始数据中的波动和毛刺。
在本发明一优选的实施例中，计算当前窗口内所有数据的平均值，包括：
通过计算当前窗口内所有数据的平均值，其中，是
滤波后的数据序列中的一个点，表示在原始数据序列中位置处的移动平均值，是移动平
均滤波器的窗口大小，表示在计算一个点的移动平均值时要考虑的数据点的数量，窗口大
小是一个正整数，是一个求和符号，表示对从到的所有项进行求和，是原始数据序列中的一个点，表示在位置处的数据值，在求和过程中，从0变化
到，是权重向量中的一个元素，它对应于窗口中位置的数据点的权重。
在本发明实施例中，通过引入权重向量，不仅能够计算窗口内数据的简单平均值，还能够根据数据点的重要性或可信度进行加权平均，这样的处理方式使得平均值更加灵活，且能够更好地反映数据的实际特性。使用加权平均方法计算窗口内数据的平均值，可以有效抑制数据中的随机噪声，权重向量的设置可以根据数据的噪声特性进行调整，以进一步减少噪声对平均值的影响。通过对不同的数据点赋予不同的权重，可以强化数据中的某些重要特征，使其在平均值计算中占据更大的比重，有助于在后续的异常检测中更准确地识别出与正常模式偏离的异常行为。权重向量的引入为数据预处理提供了额外的灵活性。根据不同的应用场景和数据特性，可以调整权重向量的设置，以达到最佳的数据处理效果。由于加权平均方法能够更好地适应数据的实际特性，因此可以提升整个网络安全检测算法的适应性和准确性。在面对复杂多变的网络环境和安全威胁时，这样的处理方法能够更有效地保障网络的安全。
在本发明一优选的实施例中，上述步骤12，包括：步骤121，获取预处理的数据集，预处理的数据集是一个包含n个样本总数和p个特征的数据矩阵X，其中，数据矩阵X为：；
其中，每一行代表一个样本，每一列代表一个特征；
步骤122，根据数据矩阵X，计算数据矩阵X中每个特征的均值，其中，均值向量为：；
其中，表示第p个特征的均值，第个特征的均值的计算公式为：，
其中，j=1，2，…，p；i是一个索引，用于遍历数据集中的所有样本，i从1变化到n，表示数
据矩阵X中第i行第j列的元素；
步骤123，根据均值向量，计算协方差矩阵，协方差矩阵表示为：；
其中，表示在协方差矩阵中，位于协方差矩阵中的第p行第p列的协方差；协
方差矩阵中第行第列的协方差的计算公式为：；
其中，k=1，2，…，p，表示数据矩阵X中第i行第k列的元素，是第j个特征的均
值，是第k个特征的均值；
步骤124，对协方差矩阵进行特征分解，得到协方差矩阵的特征向量和特征值；
步骤125，根据特征值的大小排序主成分，并计算累计解释方差的比例；
步骤126，根据确定的主成分，获取主成分对应的特征向量，将原始特征投影到主成分构成的子空间上；
步骤127，分析每个原始特征在主成分中的相关性；
步骤128，根据每个原始特征在主成分中的相关性，对原始特征进行排序，以得到排序结果；
步骤129，根据排序结果，获取代表性的特征子集。
在本发明实施例中，步骤124至步骤126实现了主成分分析（PCA）的核心过程，通过对数据集的协方差矩阵进行特征分解，并选择重要的主成分，成功地将原始高维数据降至低维空间，这种降维不仅简化了数据结构，还降低了后续处理的计算复杂度。PCA能够将原始特征转换为互不相关的新特征（主成分），步骤127和步骤128进一步分析了原始特征在主成分中的相关性，并根据这些相关性对特征进行了排序，这一过程有助于去除数据中的冗余信息，使得后续分析更加聚焦于真正重要的特征。通过选择累计解释方差比例较高的主成分，步骤125确保了降维后的数据仍然保留了原始数据集中的大部分重要信息，这样，在减少数据维度的同时，也最大限度地保留了数据的内在结构和模式。使用PCA进行预处理后，可以得到更加精简且相关性较低的特征子集（步骤129）。这样的特征子集不仅提高了后续机器学习模型的训练效率和性能，还有助于增强模型的可解释性，因为每个主成分都代表了原始特征的一种组合方式。当数据降至二维或三维时（步骤126中可能的情况），可以更容易地进行可视化分析。这有助于直观地理解数据的分布、聚类和异常值等关键信息，从而为进一步的探索性数据分析提供了便利。PCA对于数据中的噪声和离群点具有一定的稳健性。通过选择适当数量的主成分，可以在一定程度上减少这些不良因素对后续分析的影响。
在本发明实施例中，步骤124对之前计算得到的协方差矩阵进行特征分解。特征分解是一种将矩阵分解为其特征向量和特征值的方法，协方差矩阵的特征向量表示数据的主要变化方向，而特征值则表示这些方向上的变化量。特征分解有助于理解数据的内在结构和模式，特征值和特征向量为接下来的数据降维提供了基础。步骤125，主成分（PCs）是通过将特征值从大到小排序来确定的，每个主成分解释的方差比例可以通过其对应的特征值与所有特征值之和的比率来计算，累计解释方差的比例则是选择前几个主成分所能解释的总方差的比例；通过选择解释大部分方差的前几个主成分，可以在保留重要信息的同时降低数据的维度，累计解释方差的比例帮助确定需要保留多少个主成分以保留足够的信息。
步骤126，选择与前几个主成分相对应的特征向量，并将原始数据投影到由这些特征向量构成的低维子空间上，这个过程实际上是将原始数据转换为新的坐标系，其中坐标轴是主成分。投影后的数据在新的坐标系下具有更简单的结构，便于分析和处理，主成分之间是正交的，即它们是不相关的。这有助于消除原始特征之间的多重共线性问题。步骤127，通过分析每个原始特征在主成分上的载荷（即原始特征在主成分上的系数），可以了解每个原始特征对主成分的贡献程度以及它们之间的相关性，有助于理解每个原始特征在数据集中的重要性和作用。步骤128，根据每个原始特征在主成分中的相关性大小对其进行排序，排序的结果可以帮助确定哪些特征对主成分（即数据的主要变化方向）的贡献最大；排序结果提供了原始特征重要性的直观表示，有助于识别关键特征。步骤129，根据特征的排序结果选择一个代表性的特征子集。这个子集可能包含对主成分贡献最大的几个特征，或者根据某种阈值标准来选择，通过选择一个较小的特征子集，可以降低模型的复杂性，减少过拟合的风险，使用更少的特征可以加快模型的训练速度和提高计算效率。
在本发明一优选的实施例中，上述步骤13，包括：
步骤131，确定输入的原始的网络行为特征时序数据；
步骤132，使用自编码器将原始的网络行为特征时序数据编码为一个隐变量的分布；
步骤133，从编码器输出的隐变量分布中采样隐变量，使用自编码器将采样的隐变量解码为特征时序数据的候选集；
步骤134，从原始特征集中确定原始特征子集，根据原始特征子集，利用采样的隐变量和解码器生成与特定的特征子集相似的多个特征时序数据；
步骤135，根据原始特征子集和与特定的特征子集相似的多个特征时序数据，形成一个扩展的特征时序数据集。
在本发明实施例中，步骤131，涉及确定和收集用于分析的原始网络行为特征时序数据，时序数据是指按照时间顺序排列的数据，例如网络流量、用户行为记录等。通过分析时序数据，可以更好地理解网络行为模式和异常。步骤132，自编码器是一种无监督的神经网络模型，由编码器和解码器两部分组成。编码器将输入数据压缩为一个低维的隐变量表示，而解码器则尝试从这个隐变量表示重构原始输入，在这一步中，原始的网络行为特征时序数据被编码为一个隐变量的分布。隐变量表示通常具有更低的维度，有助于减少数据的复杂性，编码器学习数据的内在结构和重要特征。
步骤133，从编码器输出的隐变量分布中随机采样隐变量，然后使用解码器将这些采样的隐变量解码为可能的特征时序数据候选集。能够生成与原始数据相似的新数据，有助于数据增强，通过采样不同的隐变量，可以探索数据的不同表示和潜在结构。步骤134，选择原始特征集的一个子集，并利用之前采样的隐变量和解码器生成与该特征子集相似的新特征时序数据，通过选择特定的特征子集，可以专注于分析最重要的特征，生成与选定特征子集相似的新数据，用于扩展数据集和增强模型训练。步骤135，将原始特征子集和生成的新特征时序数据合并，形成一个更大的、扩展的特征时序数据集通过合并原始数据和生成的数据，得到一个更大的数据集，有助于改善模型的训练效果，扩展的数据集包含更多的数据变异性和模式，有助于提高模型的泛化能力。
在本发明一优选的实施例中，上述步骤14，包括：
步骤141，根据数据的复杂性和分析需求，确定小波变换的分解层数；
步骤142，根据网络行为特征时序数据、小波基函数以及分解层数，执行小波变换，以将原始数据分解成小波系数；
步骤143，分析小波系数，以得到在不同时间尺度上的行为模式。
在本发明实施例中，步骤141，小波变换是一种在时间和频率上都具有良好局部化特性的信号处理方法，分解层数决定了小波变换将信号分解到的细节级别。更高的分解层数意味着可以捕捉到更精细的数据特征，但也可能增加计算复杂性和噪声。根据数据的特性选择分解层数，使得分析更加适应数据本身的复杂性，避免不必要的过度分解，从而提高计算效率。步骤142，使用选定的小波基函数（如Haar）和确定的分解层数，对网络行为特征时序数据执行小波变换。小波变换将原始数据分解成一系列小波系数，这些系数表示了数据在不同时间尺度和频率上的特征。小波变换提供了多尺度分析的能力，使得能够同时观察数据的全局和局部特征，通过小波系数，可以有效地提取网络行为特征时序数据中的关键信息。步骤143，对从小波变换得到的小波系数进行分析。通过观察不同尺度上的小波系数变化，可以发现网络行为在不同时间尺度上的模式、趋势和异常。通过分析小波系数，可以有效地识别出网络行为在不同时间尺度上的模式，小波系数的突变或异常值可能指示网络行为中的异常事件，有助于及时发现和处理网络问题，通过分析小波系数的变化趋势，可以对网络行为的未来趋势进行一定程度的预测。
在本发明一优选的实施例中，上述步骤15，包括：
步骤151，使用基于密度的方法，对每个时间尺度的时序数据分别进行异常点识别，以得到识别数据；
步骤152，根据识别数据以及预设的阈值，以识别出每个时间尺度上的异常点。
在本发明实施例中，步骤151，对每个时间尺度的网络行为特征时序数据应用基于密度的方法（如DBSCAN、LOF算法等）进行异常点识别，基于密度的方法通过考察数据点之间的密度差异来识别异常点，即那些在低密度区域中的数据点被认为是异常的。基于密度的方法对于不同分布和形状的数据集都有较好的适应性，不需要事先假设数据的分布形式，通过考虑数据点之间的密度关系，能够更准确地识别出那些与周围数据点明显不同的异常点。对每个时间尺度的数据分别进行处理，能够捕捉到不同时间尺度上的异常行为模式。步骤152，根据步骤151中得到的识别数据（即每个数据点的异常得分或标签），结合预设的阈值来判断哪些数据点是异常点，例如，可以设置一个异常得分阈值，得分高于该阈值的数据点被认为是异常的。通过设定阈值，可以根据实际需求调整异常点的识别灵敏度，使得分析更加灵活，阈值的引入提供了一个明确的判断标准，使得异常点的识别结果更加清晰和易于解释，结合阈值判断，能够有效地检测出每个时间尺度上的异常点，有助于及时发现网络行为中的异常情况并进行处理。
在具体的应用时，可以应用于检测云数据中心的网络入侵，云数据中心是企业存储和处理关键业务数据的重要场所，因此其网络安全至关重要。网络入侵是云数据中心面临的主要威胁之一，它可能导致数据泄露、服务中断和系统瘫痪等严重后果。在这个场景中，将使用上述的网络安全检测方法来检测云数据中心的网络入侵行为。
具体使用过程为：
首先，收集云数据中心的网络流量数据，这些数据包括网络包的大小、传输时间、源IP地址、目标IP地址、端口号等信息，这些数据构成了原始的网络行为特征时序数据。
由于原始数据可能包含噪声、冗余信息和不一致性，因此需要进行预处理。预处理可以包括数据清洗（去除重复和无效数据）、数据归一化（将数据缩放到统一范围）和数据平滑（使用移动平均滤波器等方法去除短期波动）。预处理后的数据将作为后续分析的输入。
接下来，使用基于主成分分析（PCA）的特征提取算法对预处理后的数据进行处理，PCA是一种降维技术，可以将高维数据转换为低维空间中的表示，同时保留数据中的主要变化模式。
通过计算数据的协方差矩阵并进行特征分解，PCA可以提取出数据的主成分，并按照其对应的特征值进行排序，选择累计解释方差比例较高的主成分作为代表性的特征子集，这些特征子集能够有效地表示原始数据的结构，并去除冗余和相关性较低的特征。
为了增强模型的泛化能力和检测性能，可以使用自编码器对代表性的特征子集进行扩展和生成，自编码器是一种无监督的神经网络模型，它可以学习数据的内在表示并生成新的数据样本。
通过训练自编码器，将代表性的特征子集作为输入，并使其通过编码器和解码器的过程进行重构，在编码阶段，自编码器将输入数据压缩为隐变量的表示；在解码阶段，自编码器从隐变量中恢复原始数据，通过这种方式，可以生成与原始特征子集相似的多个网络行为特征时序数据样本。
随后，采用小波变换方法对生成的网络行为特征时序数据进行多尺度分析，小波变换是一种时频分析方法，它可以将信号分解成不同频率和时间尺度的成分。
选择合适的小波基函数和分解层数，对生成的特征时序数据执行小波变换。这将使得数据被分解到不同的时间尺度上，从而能够捕捉到网络流量的长期趋势、周期性变化和突发行为等特征，通过对小波系数的分析，可以揭示出网络行为在不同时间尺度上的模式。
最后，使用异常检测算法对不同时间尺度的网络行为特征时序数据进行异常点识别，异常检测算法可以采用基于统计的方法、机器学习算法或深度学习模型等。
通过对正常网络流量的行为模式进行建模和学习，异常检测算法能够识别出与正常模式偏离的异常行为，这些异常行为可能表示网络入侵、恶意流量或其他安全威胁，当检测到异常点时，可以及时触发警报并采取相应的安全措施来应对潜在的入侵行为。
通过将上述网络安全检测方法应用于云数据中心的网络入侵检测场景中，可以有效地识别和处理网络流量中的异常行为。通过数据预处理、特征提取与排序、特征扩展与生成、多尺度分析和异常检测等步骤的结合使用，可以提高云数据中心的网络安全性和可靠性，保护关键业务数据免受潜在的网络威胁。
如图2所示，本发明的实施例还提供一种网络安全检测系统20，包括：
获取模块21，用于对原始网络行为特征时序数据进行预处理，以得到预处理数据；采用基于主成分分析的特征提取算法，对预处理数据进行特征重要度排序，以获取代表性的特征子集；
处理模块22，用于利用自编码器对特征子集进行扩展和生成，以得到网络行为特征时序数据；采用小波变换方法，将网络行为特征时序数据分解到不同的时间尺度上；通过异常检测算法，对不同时间尺度的时序数据进行异常点识别，以得到与正常模式偏离的异常行为。
可选的，对原始网络行为特征时序数据进行预处理，以得到预处理数据，包括：
根据数据的特性和分析目标，确定一个初始的窗口大小；
从数据的起始点开始，将窗口放置在数据上；
计算当前窗口内所有数据的平均值；
将计算出的平均值作为新的数据点记录在滤波后的数据集中；
将窗口向右移动一个数据点的位置，重复步骤，直到窗口滑动到数据的末尾；
在计算每个位置的平均值后，以得到一个新的数据点，新的数据点构成了预处理数据。
可选的，计算当前窗口内所有数据的平均值，包括：
通过，计算当前窗口内所有数据的平均值，其中，是
滤波后的数据序列中的一个点，表示在原始数据序列中位置处的移动平均值，是移动平
均滤波器的窗口大小，表示在计算一个点的移动平均值时要考虑的数据点的数量，窗口大
小是一个正整数，是一个求和符号，表示对从到的所有项进行求和，是原始数据序列中的一个点，表示在位置处的数据值，在求和过程中，从0变化
到，是权重向量中的一个元素，它对应于窗口中位置的数据点的权重。
可选的，采用基于主成分分析的特征提取算法，对预处理数据进行特征重要度排序，以获取代表性的特征子集，包括：
获取预处理的数据集，预处理的数据集是一个包含n个样本总数和p个特征的数据 矩阵X，其中，数据矩阵X为：；
其中，每一行代表一个样本，每一列代表一个特征；
根据数据矩阵X，计算数据矩阵X中每个特征的均值，其中，均值向量为：；
其中，表示第p个特征的均值，第个特征的均值的计算公式为：，
其中，j=1，2，…，p；i是一个索引，用于遍历数据集中的所有样本，i从1变化到n，表示数
据矩阵X中第i行第j列的元素；
根据均值向量，计算协方差矩阵，协方差矩阵表示为：；
其中，表示在协方差矩阵中，位于协方差矩阵中的第p行第p列的协方差；协
方差矩阵中第行第列的协方差的计算公式为：；
其中，k=1，2，…，p，表示数据矩阵X中第i行第k列的元素，是第j个特征的均
值，是第k个特征的均值；
对协方差矩阵进行特征分解，得到协方差矩阵的特征向量和特征值；
根据特征值的大小排序主成分，并计算累计解释方差的比例；
根据确定的主成分，获取主成分对应的特征向量，将原始特征投影到主成分构成的子空间上；
分析每个原始特征在主成分中的相关性；
根据每个原始特征在主成分中的相关性，对原始特征进行排序，以得到排序结果；
根据排序结果，获取代表性的特征子集。
可选的，利用自编码器对特征子集进行扩展和生成，以得到网络行为特征时序数据，包括：
确定输入的原始的网络行为特征时序数据；
使用自编码器将原始的网络行为特征时序数据编码为一个隐变量的分布；
从编码器输出的隐变量分布中采样隐变量，使用自编码器将采样的隐变量解码为特征时序数据的候选集；
从原始特征集中确定原始特征子集，根据原始特征子集，利用采样的隐变量和解码器生成与特定的特征子集相似的多个特征时序数据；
根据原始特征子集和与特定的特征子集相似的多个特征时序数据，形成一个扩展的特征时序数据集。
可选的，采用小波变换方法，将网络行为特征时序数据分解到不同的时间尺度上，包括：
根据数据的复杂性和分析需求，确定小波变换的分解层数；
根据网络行为特征时序数据、小波基函数以及分解层数，执行小波变换，以将原始数据分解成小波系数；
分析小波系数，以得到在不同时间尺度上的行为模式。
可选的，通过异常检测算法，对不同时间尺度的时序数据进行异常点识别，以得到与正常模式偏离的异常行为，包括：
使用基于密度的方法，对每个时间尺度的时序数据分别进行异常点识别，以得到识别数据；
根据识别数据以及预设的阈值，以识别出每个时间尺度上的异常点。
需要说明的是，该装置是与上述方法相对应的装置，上述方法实施例中的所有实现方式均适用于该实施例中，也能达到相同的技术效果。
本发明的实施例还提供一种计算设备，包括：处理器、存储有计算机程序的存储器，所述计算机程序被处理器运行时，执行如上所述的方法。上述方法实施例中的所有实现方式均适用于该实施例中，也能达到相同的技术效果。
本发明的实施例还提供一种计算机可读存储介质，存储指令，当所述指令在计算机上运行时，使得计算机执行如上所述的方法。上述方法实施例中的所有实现方式均适用于该实施例中，也能达到相同的技术效果。
本领域普通技术人员可以意识到，结合本文中所公开的实施例描述的各示例的单元及算法步骤，能够以电子硬件、或者计算机软件和电子硬件的结合来实现。这些功能究竟以硬件还是软件方式来执行，取决于技术方案的特定应用和设计约束条件。专业技术人员可以对每个特定的应用来使用不同方法来实现所描述的功能，但是这种实现不应认为超出本发明的范围。
所属领域的技术人员可以清楚地了解到，为描述的方便和简洁，上述描述的系统、装置和单元的具体工作过程，可以参考前述方法实施例中的对应过程，在此不再赘述。
在本发明所提供的实施例中，应该理解到，所揭露的装置和方法，可以通过其它的方式实现。例如，以上所描述的装置实施例仅仅是示意性的，例如，所述单元的划分，仅仅为一种逻辑功能划分，实际实现时可以有另外的划分方式，例如多个单元或组件可以结合或者可以集成到另一个系统，或一些特征可以忽略，或不执行。另一点，所显示或讨论的相互之间的耦合或直接耦合或通信连接可以是通过一些接口，装置或单元的间接耦合或通信连接，可以是电性，机械或其它的形式。
所述作为分离部件说明的单元可以是或者也可以不是物理上分开的，作为单元显示的部件可以是或者也可以不是物理单元，即可以位于一个地方，或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部单元来实现本实施例方案的目的。
另外，在本发明各个实施例中的各功能单元可以集成在一个处理单元中，也可以是各个单元单独物理存在，也可以两个或两个以上单元集成在一个单元中。
所述功能如果以软件功能单元的形式实现并作为独立的产品销售或使用时，可以存储在一个计算机可读取存储介质中。基于这样的理解，本发明的技术方案本质上或者说对现有技术做出贡献的部分或者该技术方案的部分可以以软件产品的形式体现出来，该计算机软件产品存储在一个存储介质中，包括若干指令用以使得一台计算机设备(可以是个人计算机，服务器，或者网络设备等)执行本发明各个实施例所述方法的全部或部分步骤。而前述的存储介质包括：U盘、移动硬盘、ROM、RAM、磁碟或者光盘等各种可以存储程序代码的介质。
此外，需要指出的是，在本发明的装置和方法中，显然，各部件或各步骤是可以分解和/或重新组合的。这些分解和/或重新组合应视为本发明的等效方案。并且，执行上述系列处理的步骤可以自然地按照说明的顺序按时间顺序执行，但是并不需要一定按照时间顺序执行，某些步骤可以并行或彼此独立地执行。对本领域的普通技术人员而言，能够理解本发明的方法和装置的全部或者任何步骤或者部件，可以在任何计算装置（包括处理器、存储介质等）或者计算装置的网络中，以硬件、固件、软件或者它们的组合加以实现，这是本领域普通技术人员在阅读了本发明的说明的情况下运用他们的基本编程技能就能实现的。
因此，本发明的目的还可以通过在任何计算装置上运行一个程序或者一组程序来实现。所述计算装置可以是公知的通用装置。因此，本发明的目的也可以仅仅通过提供包含实现所述方法或者装置的程序代码的程序产品来实现。也就是说，这样的程序产品也构成本发明，并且存储有这样的程序产品的存储介质也构成本发明。显然，所述存储介质可以是任何公知的存储介质或者将来所开发出来的任何存储介质。还需要指出的是，在本发明的装置和方法中，显然，各部件或各步骤是可以分解和/或重新组合的。这些分解和/或重新组合应视为本发明的等效方案。并且，执行上述系列处理的步骤可以自然地按照说明的顺序按时间顺序执行，但是并不需要一定按照时间顺序执行。某些步骤可以并行或彼此独立地执行。
以上所述是本发明的优选实施方式，应当指出，对于本技术领域的普通技术人员来说，在不脱离本发明所述原理的前提下，还可以作出若干改进和润饰，这些改进和润饰也应视为本发明的保护范围。
Claims (10)
1.一种网络安全检测方法，其特征在于，所述方法包括：
对原始网络行为特征时序数据进行预处理，以得到预处理数据；
采用基于主成分分析的特征提取算法，对预处理数据进行特征重要度排序，以获取代表性的特征子集；
利用自编码器对特征子集进行扩展和生成，以得到网络行为特征时序数据；
采用小波变换方法，将网络行为特征时序数据分解到不同的时间尺度上；
通过异常检测算法，对不同时间尺度的时序数据进行异常点识别，以得到与正常模式偏离的异常行为。
2.根据权利要求1所述的网络安全检测方法，其特征在于，对原始网络行为特征时序数据进行预处理，以得到预处理数据，包括：
根据数据的特性和分析目标，确定一个初始的窗口大小；
从数据的起始点开始，将窗口放置在数据上；
计算当前窗口内所有数据的平均值；
将计算出的平均值作为新的数据点记录在滤波后的数据集中；
将窗口向右移动一个数据点的位置，重复步骤，直到窗口滑动到数据的末尾；
在计算每个位置的平均值后，以得到一个新的数据点，新的数据点构成了预处理数据。
3.根据权利要求2所述的网络安全检测方法，其特征在于，计算当前窗口内所有数据的平均值，包括：
通过计算当前窗口内所有数据的平均值，其中，是滤波
后的数据序列中的一个点，表示在原始数据序列中位置处的移动平均值，是移动平均滤
波器的窗口大小，表示在计算一个点的移动平均值时要考虑的数据点的数量，窗口大小是
一个正整数，是一个求和符号，表示对从到的所有项进行求和，是原始
数据序列中的一个点，表示在位置处的数据值，在求和过程中，从变化到，
是权重向量中的一个元素，它对应于窗口中位置的数据点的权重。
4.根据权利要求3所述的网络安全检测方法，其特征在于，采用基于主成分分析的特征提取算法，对预处理数据进行特征重要度排序，以获取代表性的特征子集，包括：
获取预处理的数据集，预处理的数据集是一个包含n个样本总数和p个特征的数据矩阵X，其中，数据矩阵X为：；
其中，每一行代表一个样本，每一列代表一个特征；
根据数据矩阵，计算数据矩阵中每个特征的均值，其中，均值向量为：；
其中，表示第个特征的均值的计算公式为：，其中，j=1，2，…，p；i是
一个索引，用于遍历数据集中的所有样本，i从1变化到n，表示数据矩阵中第i行第j列
的元素；
根据均值向量，计算协方差矩阵，协方差矩阵表示为：；
其中，表示在协方差矩阵中，位于协方差矩阵中的第p行第p列的协方差；协方差
矩阵中第行第列的协方差的计算公式为：；
其中，k=1，2，…，p，表示数据矩阵X中第i行第k列的元素，是第j个特征的均值，
是第k个特征的均值；
对协方差矩阵进行特征分解，得到协方差矩阵的特征向量和特征值；
根据特征值的大小排序主成分，并计算累计解释方差的比例；
根据确定的主成分，获取主成分对应的特征向量，将原始特征投影到主成分构成的子空间上；
分析每个原始特征在主成分中的相关性；
根据每个原始特征在主成分中的相关性，对原始特征进行排序，以得到排序结果；
根据排序结果，获取代表性的特征子集。
5.根据权利要求4所述的网络安全检测方法，其特征在于，利用自编码器对特征子集进行扩展和生成，以得到网络行为特征时序数据，包括：
确定输入的原始的网络行为特征时序数据；
使用自编码器将原始的网络行为特征时序数据编码为一个隐变量的分布；
从编码器输出的隐变量分布中采样隐变量，使用自编码器将采样的隐变量解码为特征时序数据的候选集；
从原始特征集中确定原始特征子集，根据原始特征子集，利用采样的隐变量和解码器生成与特定的特征子集相似的多个特征时序数据；
根据原始特征子集和与特定的特征子集相似的多个特征时序数据，形成一个扩展的特征时序数据集。
6.根据权利要求5所述的网络安全检测方法，其特征在于，采用小波变换方法，将网络行为特征时序数据分解到不同的时间尺度上，包括：
根据数据的复杂性和分析需求，确定小波变换的分解层数；
根据网络行为特征时序数据、小波基函数以及分解层数，执行小波变换，以将原始数据分解成小波系数；
分析小波系数，以得到在不同时间尺度上的行为模式。
7.根据权利要求6所述的网络安全检测方法，其特征在于，通过异常检测算法，对不同时间尺度的时序数据进行异常点识别，以得到与正常模式偏离的异常行为，包括：
使用基于密度的方法，对每个时间尺度的时序数据分别进行异常点识别，以得到识别数据；
根据识别数据以及预设的阈值，以识别出每个时间尺度上的异常点。
8.一种网络安全检测系统，其特征在于，包括：
获取模块，用于对原始网络行为特征时序数据进行预处理，以得到预处理数据；采用基于主成分分析的特征提取算法，对预处理数据进行特征重要度排序，以获取代表性的特征子集；
处理模块，用于利用自编码器对特征子集进行扩展和生成，以得到网络行为特征时序数据；采用小波变换方法，将网络行为特征时序数据分解到不同的时间尺度上；通过异常检测算法，对不同时间尺度的时序数据进行异常点识别，以得到与正常模式偏离的异常行为。
9.一种计算设备，其特征在于，包括：
一个或多个处理器；
存储装置，用于存储一个或多个程序，当所述一个或多个程序被所述一个或多个处理器执行，使得所述一个或多个处理器实现如权利要求1-7中任一项所述的方法。
10.一种计算机可读存储介质，其特征在于，所述计算机可读存储介质中存储有程序，该程序被处理器执行时实现如权利要求1-7中任一项所述的方法。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202410306380.5A CN117914629B (zh) | 2024-03-18 | 2024-03-18 | 一种网络安全检测方法及系统 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202410306380.5A CN117914629B (zh) | 2024-03-18 | 2024-03-18 | 一种网络安全检测方法及系统 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN117914629A true CN117914629A (zh) | 2024-04-19 |
| CN117914629B CN117914629B (zh) | 2024-05-28 |
Family
ID=90690850
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202410306380.5A Active CN117914629B (zh) | 2024-03-18 | 2024-03-18 | 一种网络安全检测方法及系统 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN117914629B (zh) |
Citations (16)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN102111312A (zh) * | 2011-03-28 | 2011-06-29 | 钱叶魁 | 基于多尺度主成分分析的网络异常检测方法 |
| US20180284745A1 (en) * | 2016-05-09 | 2018-10-04 | StrongForce IoT Portfolio 2016, LLC | Methods and systems for self-organization of collected data using 3rd party data from a data marketplace in an industrial internet of things environment |
| CN109948117A (zh) * | 2019-03-13 | 2019-06-28 | 南京航空航天大学 | 一种对抗网络自编码器的卫星异常检测方法 |
| US20200076841A1 (en) * | 2018-09-05 | 2020-03-05 | Oracle International Corporation | Context-aware feature embedding and anomaly detection of sequential log data using deep recurrent neural networks |
| CN111885059A (zh) * | 2020-07-23 | 2020-11-03 | 清华大学 | 一种工业网络流量异常检测定位的方法 |
| US20200387797A1 (en) * | 2018-06-12 | 2020-12-10 | Ciena Corporation | Unsupervised outlier detection in time-series data |
| WO2021072887A1 (zh) * | 2019-10-18 | 2021-04-22 | 平安科技（深圳）有限公司 | 异常流量监测方法、装置、设备及存储介质 |
| CN112784881A (zh) * | 2021-01-06 | 2021-05-11 | 北京西南交大盛阳科技股份有限公司 | 网络异常流量检测方法、模型及系统 |
| CN113852603A (zh) * | 2021-08-13 | 2021-12-28 | 京东科技信息技术有限公司 | 网络流量的异常检测方法、装置、电子设备和可读介质 |
| EP4016325A1 (en) * | 2020-12-17 | 2022-06-22 | Telefonica Digital España, S.L.U. | A computer-implemented method for detecting anomalous behaviors of electronic devices and computer programs thereof |
| CN116522993A (zh) * | 2023-03-10 | 2023-08-01 | 华南理工大学 | 一种基于对抗自编码网络的化工过程故障检测方法 |
| CN116668083A (zh) * | 2023-05-06 | 2023-08-29 | 华中科技大学 | 一种网络流量异常检测方法及系统 |
| CN116756594A (zh) * | 2023-06-20 | 2023-09-15 | 中国电力科学研究院有限公司 | 一种电网数据异常点检测方法、系统、设备及介质 |
| CN117251813A (zh) * | 2023-09-25 | 2023-12-19 | 安徽省产品质量监督检验研究院 | 一种网络流量异常检测方法和系统 |
| CN117527441A (zh) * | 2023-12-25 | 2024-02-06 | 中科紫东信息技术(北京)有限公司 | 一种互联网行为异常检测方法、装置、设备及存储介质 |
| CN117648215A (zh) * | 2024-01-26 | 2024-03-05 | 国网山东省电力公司营销服务中心(计量中心) | 一种用电信息采集系统异常溯源方法及系统 |
-
2024
- 2024-03-18 CN CN202410306380.5A patent/CN117914629B/zh active Active
Patent Citations (16)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN102111312A (zh) * | 2011-03-28 | 2011-06-29 | 钱叶魁 | 基于多尺度主成分分析的网络异常检测方法 |
| US20180284745A1 (en) * | 2016-05-09 | 2018-10-04 | StrongForce IoT Portfolio 2016, LLC | Methods and systems for self-organization of collected data using 3rd party data from a data marketplace in an industrial internet of things environment |
| US20200387797A1 (en) * | 2018-06-12 | 2020-12-10 | Ciena Corporation | Unsupervised outlier detection in time-series data |
| US20200076841A1 (en) * | 2018-09-05 | 2020-03-05 | Oracle International Corporation | Context-aware feature embedding and anomaly detection of sequential log data using deep recurrent neural networks |
| CN109948117A (zh) * | 2019-03-13 | 2019-06-28 | 南京航空航天大学 | 一种对抗网络自编码器的卫星异常检测方法 |
| WO2021072887A1 (zh) * | 2019-10-18 | 2021-04-22 | 平安科技（深圳）有限公司 | 异常流量监测方法、装置、设备及存储介质 |
| CN111885059A (zh) * | 2020-07-23 | 2020-11-03 | 清华大学 | 一种工业网络流量异常检测定位的方法 |
| EP4016325A1 (en) * | 2020-12-17 | 2022-06-22 | Telefonica Digital España, S.L.U. | A computer-implemented method for detecting anomalous behaviors of electronic devices and computer programs thereof |
| CN112784881A (zh) * | 2021-01-06 | 2021-05-11 | 北京西南交大盛阳科技股份有限公司 | 网络异常流量检测方法、模型及系统 |
| CN113852603A (zh) * | 2021-08-13 | 2021-12-28 | 京东科技信息技术有限公司 | 网络流量的异常检测方法、装置、电子设备和可读介质 |
| CN116522993A (zh) * | 2023-03-10 | 2023-08-01 | 华南理工大学 | 一种基于对抗自编码网络的化工过程故障检测方法 |
| CN116668083A (zh) * | 2023-05-06 | 2023-08-29 | 华中科技大学 | 一种网络流量异常检测方法及系统 |
| CN116756594A (zh) * | 2023-06-20 | 2023-09-15 | 中国电力科学研究院有限公司 | 一种电网数据异常点检测方法、系统、设备及介质 |
| CN117251813A (zh) * | 2023-09-25 | 2023-12-19 | 安徽省产品质量监督检验研究院 | 一种网络流量异常检测方法和系统 |
| CN117527441A (zh) * | 2023-12-25 | 2024-02-06 | 中科紫东信息技术(北京)有限公司 | 一种互联网行为异常检测方法、装置、设备及存储介质 |
| CN117648215A (zh) * | 2024-01-26 | 2024-03-05 | 国网山东省电力公司营销服务中心(计量中心) | 一种用电信息采集系统异常溯源方法及系统 |
Non-Patent Citations (2)
| Title |
|---|
| D. HAYES, ED.;UNIVERSITY OF OSLO; S. FERLIN; SIMULA RESEARCH LABORATORY;M. WELZL;UNIVERSITY OF OSLO;: "Shared Bottleneck Detection for Coupled Congestion Control for RTP Media. draft-hayes-rmcat-sbd-02", IETF, 3 March 2015 (2015-03-03) * |
| 王风宇;云晓春;曹震中;: "多时间尺度同步的网络异常检测方法", 通信学报, no. 12, 25 December 2007 (2007-12-25) * |
Also Published As
| Publication number | Publication date |
|---|---|
| CN117914629B (zh) | 2024-05-28 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| De Ryck et al. | Change point detection in time series data using autoencoders with a time-invariant representation | |
| Chaovalit et al. | Discrete wavelet transform-based time series analysis and mining | |
| US7079986B2 (en) | Greedy adaptive signature discrimination system and method | |
| CN105224872B (zh) | 一种基于神经网络聚类的用户异常行为检测方法 | |
| Rong et al. | Locality-sensitive hashing for earthquake detection: A case study of scaling data-driven science | |
| Zhao et al. | A novel multivariate time-series anomaly detection approach using an unsupervised deep neural network | |
| CN110705722A (zh) | 一种工业设备故障诊断的诊断模型及其构建方法和应用 | |
| Wan et al. | A generative model for sparse hyperparameter determination | |
| CN114282571B (zh) | 一种轴承多维健康指标构建方法、系统、设备以及介质 | |
| Cárdenas-Peña et al. | Selection of time-variant features for earthquake classification at the Nevado-del-Ruiz volcano | |
| Molaei et al. | An analytical review for event prediction system on time series | |
| CN114067915A (zh) | 一种基于深度对抗变分自编码器的scRNA-seq数据降维方法 | |
| Kohlsdorf et al. | An auto encoder for audio dolphin communication | |
| CN111726350B (zh) | 基于vae和bpnn的内部威胁检测方法 | |
| CN118332034B (zh) | 一种基于机器学习的数据挖掘模型构建方法及系统 | |
| CN117914629B (zh) | 一种网络安全检测方法及系统 | |
| Joshi et al. | Deep Fake Image Detection using Xception Architecture | |
| Oyedotun et al. | A closer look at autoencoders for unsupervised anomaly detection | |
| CN115733673B (zh) | 一种基于多尺度残差分类器的数据异常检测方法 | |
| CN117807470A (zh) | 用于无监督时间序列异常检测的多重校准单分类方法 | |
| Sundaram et al. | Denoising Algorithm for Subtle Anomaly Detection | |
| Lu et al. | Weak monotonicity with trend analysis for unsupervised feature evaluation | |
| Li et al. | Earthquake monitoring using deep learning with a case study of the Kahramanmaras Turkey earthquake aftershock sequence | |
| Sandhan et al. | Audio bank: A high-level acoustic signal representation for audio event recognition | |
| Kasubi et al. | A Comparative Study of Feature Selection Methods for Activity Recognition in the Smart Home Environment |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| PB01 | Publication | ||
| PB01 | Publication | ||
| SE01 | Entry into force of request for substantive examination | ||
| SE01 | Entry into force of request for substantive examination | ||
| GR01 | Patent grant | ||
| GR01 | Patent grant |