一种基于AI的物联网协议未知威胁实时感知方法与流程
本发明属于物联网安全与人工智能,尤其涉及一种基于ai的物联网协议未知威胁实时感知方法。
背景技术:
1、随着物联网设备的规模化部署,其通信协议高度异构,既包括mqtt、coap等公开标准协议,也包括大量厂商自定义的私有协议,且物联网设备普遍存在计算、存储资源受限的问题,并往往直接暴露于不可信网络环境中,威胁检测成为保障物联网安全的关键环节。现有检测方案主要分为三类:基于已知攻击特征或签名的匹配方案只能识别已收录于特征库的已知威胁,对未知威胁完全失效;基于统计异常的检测方案本质上只度量消息相对正常统计模型的偏离程度,一方面无法区分协议正常演进与攻击行为,在正常演进导致流量统计特征漂移时产生大量误报,另一方面未利用物联网大规模同质设备重复执行同一协议这一独有特性,检测精度受限;基于协议状态机或人工规则的校验方案依赖预先配置的协议规范,对私有协议和未知协议无法适用,且协议规范的配置与维护需人工投入、成本高。因此,现有技术无法在不需要任何已知攻击样本、不需要预先配置协议规范的条件下实时感知物联网协议中的未知威胁,并稳定区分协议正常演进与攻击行为,导致未知威胁漏报与正常演进误报并存。
技术实现思路
1、本发明针对物联网协议未知威胁实时感知所存在的技术问题,提出一种设计合理、方法简单、理论性强的一种基于ai的物联网协议未知威胁实时感知方法。
2、为了达到上述目的,本发明采用的技术方案为:
3、s1、采集物联网设备间的正常协议通信流量,对所述正常协议通信流量进行协议无关的消息切分,得到正常协议消息序列;
4、s2、对所述正常协议消息序列采用经训练的语义表征模型进行语义特征提取,得到语义特征向量和语义角色向量;所述语义表征模型以正常协议消息为样本,通过语义重建、跨实例角色一致性约束与会话状态转移预测联合自监督训练得到,用于在无协议语法先验条件下编码消息的字段属性、字段间关联及状态转移语义,所述语义角色向量用于表征正常协议消息序列中正常协议消息在协议会话中所承担的语义角色;
5、s3、依据设备画像将所述物联网设备划分为设备类别,依据所述语义角色向量并以所述设备类别为约束条件,通过无监督聚类方式将同类设备、不同会话中承担相同语义角色的正常协议消息归入语义角色等价类,并建立语义角色等价类划分模型,同一语义角色等价类中的正常协议消息承担相同的语义角色,不同设备类别的正常协议消息不归入同一语义角色等价类;
6、s4、通过流形学习算法建立正常协议消息的类内约束流形、类内约束流形的投影算子以及集体变异子空间,计算所述正常协议消息的类内偏离向量,并将所述类内偏离向量分解为集体偏离分量与个体偏离分量,所述集体偏离分量为所述类内偏离在所述集体变异子空间上的投影分量,所述个体偏离分量为所述类内偏离扣除所述集体偏离分量后的正交余,并计算所述集体偏离分量的集体演化一致性指标,所述集体演化一致性指标表征所述集体偏离分量与所述集体变异子空间内历史演化主方向的契合程度、以及所述集体偏离分量在预设时间窗口内的时序稳定性;
7、s5、计算所述正常协议消息的威胁度,所述威胁度随所述个体偏离分量的模长增大而单调递增,当所述集体偏离分量满足集体演化一致性条件时,所述威胁度随所述集体偏离分量的模长增大而单调递减;当所述集体偏离分量不满足所述集体演化一致性条件时,所述威胁度随所述集体偏离分量的模长增大而单调递增,所述集体演化一致性条件依据所述集体演化一致性指标确定,且当所述正常协议消息违反所述跨字段逻辑一致性约束时,所述威胁度增大;
8、s6、当所述威胁度超过自适应阈值时,判定所述正常协议消息携带未知威胁,并输出所述个体偏离分量的偏离方向作为威胁语义指纹,生成实时感知预警信息,所述未知威胁为未匹配已知攻击特征库中攻击模式的攻击行为。
9、作为优选,所述s2中经ai训练得到的用于编码协议消息多维语义信息的模型的训练公式为:
10、,,
11、,,
12、其中,为总训练损失,为语义重建项,为,为跨实例角色一致性项,为会话状态转移预测项的权重系数,为会话状态转移预测项,为关于正常协议消息集合所服从分布的数学期望,为一个训练样本,为消息经编码器得到的语义特征向量,为由该语义表征还原得到的消息,为关于跨实例同角色消息对集合的数学期望,为跨实例同角色消息对集合,为会话中当前时刻的消息,为会话中紧接其后的下一条消息,为消息的语义角色向量,为消息的语义角色向量,为关于同一会话内相邻消息对集合的数学期望,为同一会话内相邻消息对集合,为当前消息的语义角色向量,为下一条消息的语义角色向量,为已知当前消息的角色向量时,模型对下一条消息角色向量的条件概率预测。
13、作为优选,所述s4中实时到达的正常协议消息的类内偏离向量的计算公式为:
14、,,
15、其中,为类内偏离向量,为第条实时到达协议消息的语义特征向量,为第类消息的类内约束流形投影算子,为正常协议消息被归入的第个语义角色等价类,为第类消息在时刻的跨实例集体演化基线,为窗口内消息的数量,为滑动窗口内第条消息的语义特征向量,为求和游标,所述集体偏离分量的计算公式为:
16、,,
17、其中,为集体偏离分量,为第类的集体变异子空间基矩阵,为正常协议消息被归入的第个语义角色等价类,为以各集体性系数为对角元组成的对角矩阵,为基矩阵的转置,为类内偏离向量,为第个方向的集体性系数,为第个方向上的跨实例一致变异方差,为第个方向上的单实例噪声方差,为该类集体变异子空间里的第个集体方向,所述个体偏离分量的计算公式为:
18、,
19、其中,为个体偏离分量,为类内偏离向量,为第类的集体变异子空间基矩阵,为基矩阵的转置,所述集体偏离分量的集体演化一致性指标的计算公式为:
20、,
21、其中,为集体演化一致性指标,为权重系数,为当前正常协议消息集体偏离分量向量,为从历史正常数据中提取的集体变异子空间的主成分方向向量,为预设时间窗口内集体偏离分量模长的标准差,为预设时间窗口内集体偏离分量模长的均值,为防除零常数。
22、作为优选,所述s5中实时到达的协议消息的威胁度的计算公式为:
23、,,
24、其中,为实时到达的协议消息的威胁度,为个体偏离分量,为集体偏离分量,为第类个体偏离基线,为同步度敏感系数,为当前窗口内除本消息外其他消息个体偏离模长的均值,为窗口内消息的数量,为求和游标,遍历窗口内除当前消息外的每一条消息,为窗口内第条消息的个体偏离分量。
25、与现有技术相比,本发明的优点和积极效果在于:
26、1、可在无已知攻击样本、无预先配置协议规范的条件下感知未知威胁;语义表征模型、语义角色等价类、类内约束流形、投影算子及集体变异子空间均仅由正常协议消息建立,全程不依赖攻击样本与协议规范。
27、2、通过将类内偏离分解为集体偏离分量与个体偏离分量,可区分协议正常演进与攻击行为、降低误报;威胁度随个体偏离分量模长增大而单调递增、随集体偏离分量模长增大而单调递减,使正常演进被抑制、攻击被凸显。
28、3、能够实时、可解释地输出未知威胁感知预警;威胁度超过自适应阈值即判定为未知威胁,并输出个体偏离方向的威胁语义指纹,生成实时感知预警信息,该指纹可复用、无需转化为基于攻击载荷的签名。
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