一种基于加密流量行为分析的大模型服务识别方法及系统与流程
本发明涉及网络流量识别,具体涉及一种基于加密流量行为分析的大模型服务识别方法及系统。
背景技术:
1、随着大模型服务在网页端、客户端及应用程序接口中的广泛应用,对网络中大模型服务流量进行识别,已成为网络资源管理、服务质量分析及网络安全监测的重要基础。由于大模型服务通常采用https等加密通信方式,应用层请求内容和响应内容难以直接获取,传统基于关键字、报文载荷或固定协议字段的深度报文检测方法难以直接适用。
2、现有的加密流量识别方法通常基于服务器地址、域名、证书信息、端口信息以及报文长度、传输方向、时间间隔、连接持续时间等统计特征,对网络连接进行分类。然而,大模型服务可能与其他网络业务共用云基础设施、内容分发网络或通信端点,且服务端点和调用方式可能动态变化,导致基于固定端点或已知指纹的识别方式适应性不足。
3、同时,文件下载、视频缓冲和大模型内容生成等业务在加密状态下均可能表现为服务端主导的数据传输、连续响应或突发响应,仅依据单一报文、单项统计特征或连接级总体流量特征,难以准确区分不同业务行为。特别是在大模型服务同时采用流式响应和非流式响应的情况下,其传输形态差异较大,容易与其他网络业务发生混淆。因此,现有技术对加密流量中的大模型服务进行识别时,仍存在识别准确性和对不同服务交互形态的适应性不足的问题。
技术实现思路
1、本发明的目的在于解决如何在不读取https应用层明文的情况下,区分大模型生成行为与文件下载、视频缓冲行为,提高大模型服务识别的准确性,提供一种基于加密流量行为分析的大模型服务识别方法及系统。
2、本发明第一方面提供一种基于加密流量行为分析的大模型服务识别方法,包括:在不读取https应用层明文的条件下,获取网络连接对应的加密流量传输记录;对所述加密流量传输记录进行归一化处理,得到按照传输时间排列的归一化数据单元,并基于所述归一化数据单元划分分析窗口;根据所述分析窗口的请求边界可信度、响应边界可信度、窗口完整度以及并发或多路复用歧义度,确定所述分析窗口的切分质量;基于所述分析窗口内的归一化数据单元,确定文件下载行为特征、视频缓冲行为特征和大模型生成行为特征;分别确定文件下载得分、视频缓冲得分和大模型生成得分,并根据适用且可观测特征数量确定各得分是否可用;基于可用的各得分及对应预设判定条件,分别确定文件下载判定状态、视频缓冲判定状态和大模型生成行为确认结果;仅在文件下载判定状态和视频缓冲判定状态均为已排除时执行大模型生成行为确认;根据确认结果及分析窗口的切分质量,对同一网络连接的一个或多个分析窗口进行汇总,生成大模型服务识别结果。
3、在本发明的一实施方式中,所述归一化处理及划分分析窗口,包括:对于基于tcp传输的所述加密流量传输记录,根据tcp传输顺序对两个传输方向的数据进行重组,并去除重复传输数据和无有效载荷数据;根据tls应用数据记录边界或同方向连续传输关系确定基本单元,将方向相同且时间间隔不超过合并阈值的相邻基本单元进行合并,并将完成合并的基本单元组和未参与合并的基本单元分别确定为所述归一化数据单元;基于所述归一化数据单元的传输方向、相邻时间间隔以及请求突发与服务端响应之间的对应关系,确定请求突发的开始边界、结束边界和请求边界可信度;在所述请求边界可信度达到请求边界阈值,且所述请求突发与其后续服务端响应具有唯一对应关系时,根据所述请求突发及其后续服务端响应划分单调用窗口;否则,基于所述网络连接划分连接级滑动窗口,并将所述单调用窗口或所述连接级滑动窗口确定为所述分析窗口。
4、在本发明的一实施方式中,针对每一行为类别,根据适用性标识和可观测性标识确定实际参与计算的特征集合,仅在特征权重分母大于零、可观测特征数量达到最低可观测维度数量、可观测特征数量不小于根据最低命中特征数量和预设命中比例确定的所需命中特征数量且切分质量满足可用条件时将对应行为得分确定为可用。文件下载得分和大模型生成得分均可用且未满足文件下载阈值与分差条件时,将文件下载行为确定为已排除;视频缓冲得分可用、观测范围达到重复周期检测的最低要求且未满足视频阈值与重复周期条件时,将视频缓冲行为确定为已排除;任一前置类别的得分不可用或观测范围不足时,将对应状态确定为证据不足,不继续将该分析窗口确认为确定的大模型生成行为。
5、在本发明的一实施方式中,还包括:根据大模型生成行为确认结果、响应传输形态和已知服务关联信息,将分析窗口确定为流式行为候选或非流式行为候选;分别聚合同一源主体和同一端点簇在统计周期内的行为候选,生成服务行为指纹;将服务行为指纹与普通对话型、深度推理型、嵌入或检索增强型以及代理编排型的指纹原型进行比较,根据比较结果确定模型交互类型,并在比较结果未满足类型区分条件时输出不确定标识。
6、在本发明的一实施方式中,还包括:从经大模型生成行为确认或服务行为指纹识别而确定为大模型服务候选的分析窗口中筛选未知服务候选,根据流量传输特征、连接特征和调用上下文特征生成候选特征向量并形成候选服务簇;基于候选服务簇的聚类稳定程度、相对于非大模型网络业务流量分布的异常程度以及大模型生成行为特征匹配程度确定服务发现得分,并在满足服务发现条件时生成未知大模型服务发现事件。
7、本发明第二方面提供一种基于加密流量行为分析的大模型服务识别系统,包括流量处理模块、归一化处理模块、行为特征确定模块、行为判别模块和识别结果生成模块。所述行为判别模块用于确定各行为得分的可用性和三状态判定结果,并仅在前置类别均已排除时执行大模型生成行为确认;所述识别结果生成模块用于根据大模型生成行为确认结果和切分质量汇总同一网络连接的多个分析窗口。
8、在本发明的一实施方式中,所述归一化处理模块用于对加密流量传输记录进行重组和基本单元合并,得到归一化数据单元;根据归一化数据单元的传输方向、相邻时间间隔以及请求突发与服务端响应之间的对应关系,确定请求边界可信度和响应边界可信度,划分单调用窗口或连接级滑动窗口,并根据请求边界可信度、响应边界可信度、窗口完整度以及并发或多路复用歧义度确定切分质量。
9、在本发明的一实施方式中,所述行为判别模块用于根据适用性标识和可观测性标识确定各行为得分实际参与计算的特征集合,在可观测特征数量和切分质量满足可用条件时得到可用的文件下载得分、视频缓冲得分和大模型生成得分;依次确定文件下载判定状态和视频缓冲判定状态,并仅在两个前置判定状态均为已排除时确认分析窗口是否具有大模型生成行为,在任一前置判定状态为证据不足时输出行为证据不足标识。
10、本发明第三方面提供一种电子设备,包括处理器和存储器,所述存储器中存储有计算机程序,所述计算机程序被所述处理器执行时,实现第一方面所述的方法。
11、本发明第四方面提供一种计算机可读存储介质,其上存储有计算机程序,其特征在于,所述计算机程序被处理器执行时,实现第一方面所述的方法。
12、与现有技术相比,本发明达到的技术效果如下:
13、本发明通过对加密流量传输记录进行归一化处理并划分分析窗口,基于分析窗口内数据单元的时间、方向和长度,分别提取文件下载行为特征、视频缓冲行为特征和大模型生成行为特征,使不同网络业务的传输行为能够在统一的数据粒度下进行分析。通过将前置类别区分为满足、已排除和证据不足,并仅在文件下载行为和视频缓冲行为均已被有效证据排除时确认大模型生成行为,能够避免把观测不足误作排除结论;通过对多窗口结果进行切分质量加权汇总,能够降低单个不完整窗口对连接级结论的影响,从而在不读取https应用层明文的情况下,提高大模型服务识别的准确性和结果可解释性。
版权声明:本站专利文献数据主要来源于国家知识产权局等公开渠道,由 技术新讯 进行整理汇编。页面设计及数据汇编的著作权归本站所有。全部内容仅供个人学习、科研评估与技术交流参考,严禁用于任何商业用途(包括但不限于直接生产制造、技术转让、倒卖数据等)。
免责条款:专利技术具有时效性,本站不对资料的绝对准确性、完整性和可实施性提供任何明示或暗示的担保。因参考本站内容造成的直接或间接损失,本站不承担相关法律责任。若您认为本站内容有侵权问题,请及时提供权属证明与我们联系,本站将在核实后依法处理。反馈意见:yyfuon@163.com