一种网络攻击预测方法和系统与流程

摘要: 本发明涉及网络安全,特别涉及一种网络攻击预测方法和系统。背景技术:1、随着企业信息化建设的深入推进,企业内网的终端、服务器、物联网设备数量持续增长,员工终端插拔...
一种网络攻击预测方法和系统与流程

本发明涉及网络安全,特别涉及一种网络攻击预测方法和系统。

背景技术:

1、随着企业信息化建设的深入推进,企业内网的终端、服务器、物联网设备数量持续增长,员工终端插拔入网、业务服务器临时启停、vpn远程终端接入退出等操作,使得网络拓扑处于持续动态变化之中。与此同时,高级持续性威胁(apt)等网络攻击日趋隐蔽,攻击者通常不会直接暴露攻击源头,而是先利用外网跳板打入边界设备,再逐步向内网横向移动,通过多台中间设备跳转后才触及核心数据库、业务系统等关键资产,单一设备的系统日志、防火墙告警只能记录单点异常,难以还原完整的攻击链条。

2、目前,业界主流的网络攻击溯源方案,均采用静态图神经网络对网络资产及其通信关系进行建模:将内网主机、服务器、网关设备等统一抽象为图中的节点,将设备之间产生的流量会话抽象为连接节点的静态边,并提取ip地址、端口、流量大小等表层特征进行异常设备标记,据此还原攻击路径。

3、然而,上述静态图神经网络溯源方案存在一个核心技术问题:其全程采用固定不变的静态拓扑、且仅利用表层网络特征,无法及时感知网络拓扑的动态变化和攻击者留下的入侵痕迹,导致攻击溯源过程中多层跳板节点识别失效、真实攻击源头定位偏移、溯源链路断裂,难以准确预测攻击传播链路。

技术实现思路

1、本技术提供一种网络攻击预测方法和系统,以解决现有技术使用静态图建模拓扑更新滞后、特征信息不足、溯源识别准确率偏低且无法事前预测攻击路径的问题。

2、第一方面,本技术提供了一种网络攻击预测方法,方法包括:

3、基于检测到目标网络内发生的设备变更事件,更新目标网络的动态时序图;其中,动态时序图包括以目标网络内各设备为节点构成的节点集合、以设备之间的交互行为为有向边构成的有向边集合;设备变更事件包括设备接入事件和设备离线事件;

4、确定各节点的初始节点特征,以及各有向边的边特征;其中,初始节点特征包括攻击痕迹特征,攻击痕迹特征为表征设备遭受入侵的痕迹类特征;

5、对各节点的攻击痕迹特征进行加权增强处理,得到各节点的增强特征向量;

6、计算有向边对应的交互行为的发生时刻与当前时刻之间的时间差,并基于时间差确定有向边的时序衰减权重;基于时序衰减权重对各有向边的边特征进行修正处理,得到修正边特征;

7、将各节点的增强特征向量和各有向边的修正边特征输入注意力动态图神经网络,并通过注意力动态图神经网络获取各节点的表征向量;

8、根据各节点的表征向量,计算各节点的综合风险得分,并根据综合风险得分从节点集合中确定受害目标节点;

9、以受害目标节点为起点,沿着有向边进行反向路径遍历,以预测受害目标节点对应的网络攻击路径;网络攻击路径包括由攻击源节点经至少一个跳板节点至受害目标节点的攻击传播链路。

10、在一些可行的实施例中,攻击痕迹特征包括恶意进程驻留标记、后门文件标记、系统权限提升记录、批量数据外发行为、注册表持久化篡改记录中的至少一种;

11、对各节点的攻击痕迹特征进行加权增强处理,包括:

12、基于各节点的初始节点特征,区分出普通特征与攻击痕迹特征;普通特征包括基础静态特征、运行动态特征、交互行为特征和日志告警特征;

13、将攻击痕迹特征的数值乘以预设的放大权重系数,并保持普通特征的数值不变,得到各节点的增强特征向量。

14、在一些可行的实施例中,有向边的边特征包括交互行为对应的交互类型编码、交互行为强度和初始异常风险得分;

15、基于时间差确定有向边的时序衰减权重,包括:

16、基于预设衰减系数以及时间差,通过预设的指数函数计算有向边的时序衰减权重,预设的指数函数为:;其中,

17、δt是时间差;λ为预设衰减系数;

18、基于时序衰减权重对各有向边的边特征进行修正处理,包括:

19、将有向边的边特征中所有特征数值分别乘以时序衰减权重,得到修正边特征。

20、在一些可行的实施例中,通过注意力动态图神经网络获取各节点的表征向量,包括:

21、对各节点的增强特征向量进行线性变换编码,生成注意力动态图神经网络的第一层隐藏层的隐藏表征向量;

22、基于目标网络获取各节点的邻居节点,并确定各节点与各邻居节点的修正边特征;

23、对于注意力动态图神经网络的每一层,根据第一层隐藏层的隐藏表征向量,以及各节点与各邻居节点的修正边特征,确定各邻居节点的注意力权重;

24、基于各邻居节点的注意力权重,对各邻居节点在网络上一层的隐藏表征向量进行加权聚合,得到各节点在网络当前层的隐藏表征向量;

25、将网络最后一层的隐藏表征向量确定为各节点的表征向量。

26、在一些可行的实施例中,确定各邻居节点的注意力权重,包括:

27、获取各节点在网络上一层的隐藏表征向量,以及各邻居节点在网络上一层的隐藏表征向量;

28、对各节点在网络上一层的隐藏表征向量、邻居节点在网络上一层的隐藏表征向量,以及各节点与邻居节点之间的修正边特征进行向量拼接,得到拼接向量,并基于拼接向量确定邻居节点的注意力权重,表示为:;其中,

29、代表节点的邻居节点在网络第l层的注意力权重数值;是注意力动态图神经网络的注意力参数向量;代表向量拼接运算;为非线性激活函数;表示权重归一化,同一节点的全部邻居节点的注意力权重数值之和为1。

30、在一些可行的实施例中,基于各邻居节点的注意力权重,对各邻居节点在网络上一层的隐藏表征向量进行加权聚合,得到各节点在网络当前层的隐藏表征向量,包括:

31、基于注意力权重,对各邻居节点在网络上一层的隐藏表征向量进行加权聚合,得到聚合中间向量;

32、将各节点在网络上一层的隐藏表征向量与聚合中间向量进行残差连接,并执行层归一化处理,得到各节点在网络当前层的隐藏表征向量。

33、在一些可行的实施例中,根据各节点的表征向量,计算各节点的综合风险得分,并根据综合风险得分从节点集合中确定受害目标节点,包括:

34、根据各节点的表征向量,分别计算节点的自身特征异常得分、邻居关联异常得分和交互边异常得分;

35、以预设的加权系数对自身特征异常得分、邻居关联异常得分和交互边异常得分进行加权求和,得到节点的综合风险得分;

36、将综合风险得分大于预设阈值的节点确定为候选异常节点;

37、根据候选异常节点的行为特征,将候选异常节点划分为攻击源节点、跳板节点或受害目标节点。

38、在一些可行的实施例中,根据各节点的表征向量,分别计算节点的自身特征异常得分、邻居关联异常得分和交互边异常得分,包括:

39、获取各节点在当前时刻的本地攻击痕迹指标;本地攻击痕迹指标包括恶意进程驻留标记、后门可疑文件标记、权限提升记录、批量外发行为、系统告警等级和异常登录记录;

40、将本地攻击痕迹指标和表征向量输入至预训练的异常打分网络,以通过异常打分网络输出节点的自身特征异常得分;

41、确定节点所有邻居节点的表征向量,并对所有邻居节点的表征向量做均值聚合,得到邻居平均表征;计算邻居平均表征与预设的恶意节点基准表征向量之间的向量距离;将向量距离映射归一化,得到邻居关联异常得分;

42、确定节点对应的所有交互边的交互行为类型;基于预设的交互风险映射表,确定每个交互边对应的风险权重值;其中,交互风险映射表记录有各交互行为类型与风险权重值的对应关系;对节点所有交互边的风险权重值进行累加求和,并进行归一化处理,得到节点对应的交互边异常得分。

43、在一些可行的实施例中,以受害目标节点为起点,沿着有向边进行反向路径遍历,以预测受害目标节点对应的网络攻击路径之后,还包括:

44、在获取到多条网络攻击路径时,确定各网络攻击路径的路径节点,并确定相邻路径节点形成的路径边;

45、根据各路径节点的自身特征异常得分计算网络攻击路径的节点风险得分;根据各路径边的风险权重值计算网络攻击路径的路径边风险得分;

46、基于节点风险得分和路径边风险得分,计算网络攻击路径的综合异常得分;

47、将综合异常得分高于预设得分阈值的网络攻击路径确定为风险路径。

48、第二方面,本技术还提供了一种网络攻击预测系统,包括:

49、时序图更新模块,被配置为基于检测到目标网络内发生的设备变更事件,更新目标网络的动态时序图;其中,动态时序图包括以目标网络内各设备为节点构成的节点集合、以设备之间的交互行为为有向边构成的有向边集合;设备变更事件包括设备接入事件和设备离线事件;

50、特征确定模块,被配置为确定各节点的初始节点特征,以及各有向边的边特征;其中,初始节点特征包括攻击痕迹特征,攻击痕迹特征为表征设备遭受入侵的痕迹类特征;

51、节点特征增强模块,被配置为对各节点的攻击痕迹特征进行加权增强处理,得到各节点的增强特征向量;

52、边特征修正模块,被配置为计算有向边对应的交互行为的发生时刻与当前时刻之间的时间差,并基于时间差确定有向边的时序衰减权重;基于时序衰减权重对各有向边的边特征进行修正处理,得到修正边特征;

53、表征向量确定模块,被配置为将各节点的增强特征向量和各有向边的修正边特征输入注意力动态图神经网络,并通过注意力动态图神经网络获取各节点的表征向量;

54、节点确定模块,被配置为根据各节点的表征向量,计算各节点的综合风险得分,并根据综合风险得分从节点集合中确定受害目标节点;

55、预测模块,被配置为以受害目标节点为起点,沿着有向边进行反向路径遍历,以预测受害目标节点对应的网络攻击路径;网络攻击路径包括由攻击源节点经至少一个跳板节点至受害目标节点的攻击传播链路。

56、第三方面,本技术还提供了一种计算机设备,包括存储器和处理器,存储器存储有计算机程序,处理器执行计算机程序时实现如本技术第一方面所提供方法。

57、第四方面,本技术还提供了一种计算机可读存储介质,其上存储有计算机程序,计算机程序被处理器执行时实现如本技术第一方面所提供方法。

58、由上述内容可知,本技术提供一种网络攻击预测方法和系统,首先基于检测到目标网络内发生的设备变更事件更新目标网络的动态时序图,再确定各节点的初始节点特征以及各有向边的边特征,并对各节点的攻击痕迹特征进行加权增强处理得到增强特征向量,同时对边特征进行时序衰减修正得到修正边特征,进而将增强特征向量和修正边特征输入注意力动态图神经网络获取各节点的表征向量,再根据表征向量计算各节点的综合风险得分并确定受害目标节点,最后以受害目标节点为起点沿有向边进行反向路径遍历预测网络攻击路径,使网络攻击预测系统能够实时同步网络拓扑变动、精准刻画设备入侵风险,还原出由攻击源节点经跳板节点至受害目标节点的完整攻击传播链路,解决了静态图建模拓扑更新滞后、特征信息不足、溯源识别准确率偏低且无法事前预测攻击路径的问题,提升了网络攻击溯源的准确性与防御响应的及时性。