流量检测方法、装置、电子设备及存储介质与流程

摘要: 本申请属于网络安全,具体涉及一种流量检测方法、装置、电子设备及存储介质。背景技术:1、随着网络加密技术的普及,传统基于深度包检测的方法难以应对加密流量中的恶意行...
流量检测方法、装置、电子设备及存储介质与流程

本申请属于网络安全,具体涉及一种流量检测方法、装置、电子设备及存储介质。

背景技术:

1、随着网络加密技术的普及,传统基于深度包检测的方法难以应对加密流量中的恶意行为识别。现有加密流量分析技术多聚焦于单流的侧信道特征(如数据包大小分布、到达时间间隔等),但对于apt(advanced persistent threats,高级持续性威胁)攻击等复杂威胁效果有限。apt攻击通过多流协同操作(如跨时间段、跨协议、跨端口拆分载荷)隐藏痕迹,其单流特征往往看似无害,仅通过单流分析无法捕捉其整体恶意模式。

2、近年来,基于图的深度学习方法被用于建模非欧几里得的多流交互关系,但在加密apt(advanced persistent threats,高级持续性威胁)流量中,由于加密掩盖了细节且流量间交互动态、隐蔽,节点(流或会话)和边(关系)的定义仍存在挑战,导致现有方法难以有效捕捉apt(advanced persistent threats,高级持续性威胁)的多流协同特征。

技术实现思路

1、本申请实施例的目的是提供一种流量检测方法、装置、电子设备及存储介质,能够解决难以有效捕捉apt的多流协同特征的问题。

2、为了解决上述技术问题,本申请是这样实现的:

3、第一方面,本申请实施例提供了一种流量检测方法,该方法包括:

4、获取目标网络中的网络流量数据;

5、对所述网络流量数据进行聚合,得到多个会话节点,所述会话节点中包含多个相似的网络流量数据;

6、根据所述网络流量数据确定任意两个会话节点的权重系数;

7、以所述权重系数作为所述会话节点的节点关系构建图结构;

8、基于所述图结构对所述目标网络进行流量检测。

9、可选地,所述基于所述图结构对所述目标网络进行流量检测,包括:

10、以所述图结构中目标节点为起点,根据所述权重系数对所述图结构进行采样,得到语义子图;

11、将所述语义子图输入用于进行流量类型检测的图神经网络模型,输出所述语义子图的目标流量类型。

12、可选地,所述以所述图结构中目标节点为起点,根据所述权重系数对所述图结构进行采样,得到语义子图,包括:

13、获取子图采样的限制参数;所述限制参数包括深度参数、广度参数以及最大节点数中任一项或多项;

14、以所述图结构中目标节点为起点,根据所述权重系数对所述图结构进行采样;

15、当采样节点达到所述限制参数时,停止采样,输出多个采样节点构成的语义子图。

16、可选地,所述将所述语义子图输入用于进行流量类型检测的图神经网络模型,输出所述语义子图的目标流量类型,包括:

17、将所述语义子图输入用于进行流量类型检测的图神经网络模型;

18、基于所述图神经网络模型中的注意力函数计算每个会话节点与所述会话节点的邻居节点之间的注意力权重系数;

19、在所述图神经网络模型的池化层中,基于所述注意力权重系统将多个会话节点嵌入聚合为图级别表示向量;

20、将所述图级别表示向量输入所述图神经网络模型的全连接层进行分类,得到多个候选分类类别;

21、采用所述图神经网络模型中的激活函数确定多个候选分类类别的概率值;

22、基于所述概率值与预设的决策阈值从所述多个候选分类类别中确定所述语义子图的目标流量类型。

23、可选地,所述对所述网络流量数据进行聚合,得到多个会话节点,包括:

24、提取每条网络流量数据的特征向量;

25、根据所述特征向量确定任意两条网络流量数据的余弦相似度;

26、采用预设的聚合算法,基于所述余弦相似度和预设的时间窗口阈值对所述多条网络流量数据进行聚合,得到多个会话节点。

27、可选地,所述根据所述网络流量数据确定任意两个会话节点的权重系数,包括:

28、确定所述会话节点在预设维度上的相似度分值;

29、确定所述预设维度对应的子权重系数;

30、针对任意两个会话节点,根据所述相似度分值和所述子权重系数确定所述任意两个节点的权重系数。

31、可选地,所述预设维度包括如下项:

32、时间维度、行为模式维度、网络上下文维度。

33、第二方面,本申请实施例提供了一种流量检测装置,该装置包括:

34、网络流量数据获取模块,用于获取目标网络中的网络流量数据;

35、数据聚合模块,用于对所述网络流量数据进行聚合,得到多个会话节点,所述会话节点中包含多个相似的网络流量数据;

36、权重系数确定模块,用于根据所述网络流量数据确定任意两个会话节点的权重系数;

37、图结构构建模块,用于以所述权重系数作为所述会话节点的节点关系构建图结构;

38、流量检测模块,用于基于所述图结构对所述目标网络进行流量检测。

39、第三方面,本申请实施例提供了一种电子设备,该电子设备包括处理器、存储器及存储在所述存储器上并可在所述处理器上运行的程序或指令,所述程序或指令被所述处理器执行时实现如第一方面所述的方法的步骤。

40、第四方面,本申请实施例提供了一种可读存储介质,所述可读存储介质上存储程序或指令,所述程序或指令被处理器执行时实现如第一方面所述的方法的步骤。

41、第五方面,本申请实施例提供了一种芯片,所述芯片包括处理器和通信接口,所述通信接口和所述处理器耦合,所述处理器用于运行程序或指令,实现如第一方面所述的方法。

42、在本申请实施例中,可以获取目标网络中的网络流量数据;对所述网络流量数据进行聚合,得到多个会话节点,所述会话节点中包含多个相似的网络流量数据;根据所述网络流量数据确定任意两个会话节点的权重系数;以所述权重系数作为所述会话节点的节点关系构建图结构;基于所述图结构对所述目标网络进行流量检测。通过本申请实施例中,可以将相似的网络流量数据进行聚合成会话节点,而会话节点之间计算权重系数作为节点关系,基于会话节点以及节点关系可以构建图结构,进而基于该图结构进行流量检测,从而可以有效捕捉apt的多流协同特征,解决高级持续性威胁(apt)等多流协同攻击的检测问题,适用于大规模网络环境下的恶意流量识别与防御。

43、本申请实施例可以构建一种会话级多流交互图模型,能够有效关联语义相关的网络流,保留多流间的时间、行为等关键信息关联。

1.一种流量检测方法,其特征在于,所述方法包括:

2.根据权利要求1所述的方法,其特征在于,所述基于所述图结构对所述目标网络进行流量检测,包括:

3.根据权利要求2所述的方法,其特征在于,所述以所述图结构中目标节点为起点,根据所述权重系数对所述图结构进行采样,得到语义子图,包括:

4.根据权利要求2所述的方法,其特征在于,所述将所述语义子图输入用于进行流量类型检测的图神经网络模型,输出所述语义子图的目标流量类型,包括:

5.根据权利要求1所述的方法其特征在于,所述对所述网络流量数据进行聚合,得到多个会话节点,包括:

6.根据权利要求1所述的方法,其特征在于,所述根据所述网络流量数据确定任意两个会话节点的权重系数,包括:

7.根据权利要求6所述的方法,其特征在于,所述预设维度包括如下任一项或多项:

8.一种流量检测装置,其特征在于,所述装置包括:

9.一种电子设备,其特征在于,包括处理器,存储器及存储在所述存储器上并可在所述处理器上运行的程序或指令,所述程序或指令被所述处理器执行时实现如权利要求1至7所述的流量检测方法的步骤。

10.一种可读存储介质,其特征在于,所述可读存储介质上存储程序或指令,所述程序或指令被处理器执行时实现如权利要求1至7所述的流量检测方法的步骤。