一种网络攻击检测方法及装置与流程
本技术涉及网络安全,尤其涉及一种网络攻击检测方法及装置。
背景技术:
1、随着网络攻击技术的日益复杂化和隐蔽化,高级持续性威胁(advancedpersistent threat,apt)、低数据包速率拒绝服务攻击(low-rate denial of service,ldos)等新型攻击手段层出不穷,对现有网络攻击检测技术提出了严峻挑战。此类攻击通常具有低频、慢速、多指标协同的特点,其异常痕迹微弱且持续,极易淹没在海量正常流量中。
2、因此,如何提高网络攻击检测的准确率成为亟待解决的问题。
技术实现思路
1、本技术实施例提供一种网络攻击检测方法及装置,用以解决现有技术中网络攻击检测准确率较低的问题。
2、第一方面,本技术提供了一种网络攻击检测方法,所述方法包括:
3、分别对获取到的每个流量数据集中包括的网络流量数据进行统计,确定每个预设指标的统计数据,任一统计数据中包括对应预设指标在每个流量数据集对应的指标值,其中,所述预设指标包括数据包速率、字节流量、新建连接的连接速率、报文错误率中的至少一项;
4、分别对所述每个预设指标的统计数据进行变分模态分解,得到每个预设指标对应的本征模态函数imf;
5、分别对每个所述imf进行特征提取,得到每个预设特征对应的特征值,其中,所述预设特征包括时域特征、频域特征、时频联合特征中的至少一项;
6、根据每个预设特征对应的特征值以及预设阈值,确定检测结果。
7、进一步地,所述确定每个预设指标的统计数据之后,所述分别对所述每个预设指标的统计数据进行变分模态分解之前,所述方法还包括:
8、分别对每个预设指标的统计数据进行归一化处理,并使用归一化处理后的统计数据对对应的统计数据进行更新。
9、进一步地,所述时域特征包括:能量特征、标准差、偏度和峰度中的至少一项。
10、进一步地,所述频域特征包括:中心频率、带宽、频谱熵中的至少一项。
11、进一步地,所述时频联合特征包括:瞬时幅值、瞬时频率、时频聚集指数tfi、尺度间能量比、尺度间相关性中的至少一项。
12、进一步地,所述根据每个预设特征对应的特征值以及预设阈值,确定检测结果,包括:
13、根据每个所述imf提取到的每个预设特征对应的特征值构建多维度特征序列矩阵;
14、基于多元变分模态分解mvmd对所述多维度特征序列矩阵进行处理,得到每个模态分量对应的矩阵,任一矩阵用于表征不同网络流量数据被采集时间点对应的每个特征维度的分量值,其中,所述特征维度为每个预设指标对应的每个imf对应的预设特征;
15、分别确定每个矩阵中的每个分量值对应的瞬时能量,并根据每个分量值对应的瞬时能量,确定每个被采集时间点下每个模态分量对应的指标能量分布向量;
16、根据每个所述指标能量分布向量以及预设阈值,确定检测结果。
17、进一步地,所述根据每个所述指标能量分布向量以及预设阈值,确定检测结果,包括:
18、分别计算每个指标能量分布向量对应的能量分布熵;
19、针对每个采集时间点,根据该采集时间点对应的每个模态分量对应的能量分布熵以及预设权重,确定该采集时间点的能量分布熵均值;根据所述能量分布熵均值、预先保存的该采集时间点对应的基准能量分布熵和该采集时间点对应的基准能量分布熵的标准差,确定该采集时间点采集的网络流量数据对应的异常分数;根据所述异常分数以及预设阈值,确定该采集时间点采集的网络流量数据的检测结果。
20、进一步地,任一采集时间点对应的基准能量分布熵的确定过程,包括:
21、根据该采集时间点以及预设滑动窗口时长,确定待统计时间区间;
22、根据所述预设滑动窗口时长、所述待统计时间区间中的每个时间点采集到的历史流量数据在对应时间点的能量分布熵均值,确定该采集时间点对应的基准能量分布熵。
23、进一步地,任一采集时间点对应的基准能量分布熵的标准差的确定过程,包括:
24、根据该采集时间点以及预设滑动窗口时长,确定待统计时间区间;
25、根据所述预设滑动窗口时长、所述待统计时间区间中的每个时间点采集到的历史流量数据在对应时间点的能量分布熵均值,与该采集时间点对应的基准能量分布熵的差值,确定该采集时间点对应的基准能量分布熵的标准差。
26、第二方面,本技术提供了一种网络攻击检测装置,所述装置包括:
27、确定模块,用于分别对获取到的每个流量数据集中包括的网络流量数据进行统计,确定每个预设指标的统计数据,任一统计数据中包括对应预设指标在每个流量数据集对应的指标值,其中,所述预设指标包括数据包速率、字节流量、新建连接的连接速率、报文错误率中的至少一项;
28、分解模块,用于分别对所述每个预设指标的统计数据进行变分模态分解,得到每个预设指标对应的本征模态函数imf;
29、特征提取模块,用于分别对每个所述imf进行特征提取,得到每个预设特征对应的特征值,其中,所述预设特征包括时域特征、频域特征、时频联合特征中的至少一项;
30、检测模块,用于根据每个预设特征对应的特征值以及预设阈值,确定检测结果。
31、进一步地,所述分解模块,还用于分别对每个预设指标的统计数据进行归一化处理,并使用归一化处理后的统计数据对对应的统计数据进行更新。
32、进一步地,所述时域特征包括:能量特征、标准差、偏度和峰度中的至少一项。
33、进一步地,所述频域特征包括:中心频率、带宽、频谱熵中的至少一项。
34、进一步地,所述时频联合特征包括:瞬时幅值、瞬时频率、时频聚集指数tfi、尺度间能量比、尺度间相关性中的至少一项。
35、进一步地,所述检测模块,具体用于根据每个所述imf提取到的每个预设特征对应的特征值构建多维度特征序列矩阵;基于多元变分模态分解mvmd对所述多维度特征序列矩阵进行处理,得到每个模态分量对应的矩阵,任一矩阵用于表征不同网络流量数据被采集时间点对应的每个特征维度的分量值,其中,所述特征维度为每个预设指标对应的每个imf对应的预设特征;分别确定每个矩阵中的每个分量值对应的瞬时能量,并根据每个分量值对应的瞬时能量,确定每个被采集时间点下每个模态分量对应的指标能量分布向量;根据每个所述指标能量分布向量以及预设阈值,确定检测结果。
36、进一步地,所述检测模块,具体用于分别计算每个指标能量分布向量对应的能量分布熵;针对每个采集时间点,根据该采集时间点对应的每个模态分量对应的能量分布熵以及预设权重,确定该采集时间点的能量分布熵均值;根据所述能量分布熵均值、预先保存的该采集时间点对应的基准能量分布熵和该采集时间点对应的基准能量分布熵的标准差,确定该采集时间点采集的网络流量数据对应的异常分数;根据所述异常分数以及预设阈值,确定该采集时间点采集的网络流量数据的检测结果。
37、进一步地,所述确定模块,还用于根据该采集时间点以及预设滑动窗口时长,确定待统计时间区间;根据所述预设滑动窗口时长、所述待统计时间区间中的每个时间点采集到的历史流量数据在对应时间点的能量分布熵均值,确定该采集时间点对应的基准能量分布熵。
38、进一步地,所述确定模块,还用于根据该采集时间点以及预设滑动窗口时长,确定待统计时间区间;根据所述预设滑动窗口时长、所述待统计时间区间中的每个时间点采集到的历史流量数据在对应时间点的能量分布熵均值,与该采集时间点对应的基准能量分布熵的差值,确定该采集时间点对应的基准能量分布熵的标准差。
39、本技术还提供了一种电子设备,所述电子设备包括处理器,所述处理器用于执行存储器中存储的计算机程序时实现如上述任一所述网络攻击检测方法的步骤。
40、本技术还提供了一种计算机可读存储介质,其存储有计算机程序,所述计算机程序被处理器执行时实现如上述中任一所述网络攻击检测方法的步骤。
41、本技术还提供了一种计算机程序产品,所述计算机程序产品包括:计算机程序代码,当所述计算机程序代码在计算机上运行时,使得计算机执行上述如上述中任一所述网络攻击检测方法的步骤。
42、由于在本技术实施例中,分别对获取到的每个流量数据中包括的网络流量数据进行统计,确定每个预设指标的统计数据,任一统计数据中包括对应预设指标在每个流量数据集对应的指标值,其中,预设指标包括数据包速率、字节流量、新建连接的连接速率、报文错误率中的至少一项,分别对每个预设指标的统计数据进行变分模态分解,得到每个预设指标对应的本征模态函数imf,分别对每个imf进行特征提取,得到每个预设特征对应的特征值,其中,预设特征包括时域特征、频域特征、时频联合特征中的至少一项,根据每个预设特征对应的特征值以及预设阈值,确定检测结果。对获取到的每个流量数据集的网络流量数据进行多层级、多角度的预设指标分析,并基于变分模态分解对每个预设指标的统计数据进行分解,得到每个预设指标对应的imf,从而根据提取到的每个imf的每个预设特征对应特征值,以及预设阈值确定检测结果,该预设特征包括有时域特征、频域特征、时频联合特征中的至少一项,实现了多指标协同关联分析,进而提高了网络攻击检测的准确率。
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