一种日志与流量融合的工业互联网攻击行为智能分析方法、设备、介质及产品与流程
本申请涉及网络安全,特别是涉及一种日志与流量融合的工业互联网攻击行为智能分析方法、设备、介质及产品。
背景技术:
1、随着网络环境的复杂化,传统基于单一维度数据的攻击检测方法难以有效识别多样化攻击行为,特别是在云边端协同体系中。工控系统、标识解析系统、工业云平台相关网络攻击,如非授权命令、勒索病毒、数据篡改、中间人攻击等,在网络日志和流量数据中表现各异,难以通过孤立特征进行准确识别与还原。因此,融合多源数据、多维特征,开展联合分析成为提升检测精度和攻击溯源能力的关键手段。
技术实现思路
1、本申请的目的是提供一种日志与流量融合的工业互联网攻击行为智能分析方法、设备、介质及产品,以提升网络攻击检测精度和攻击溯源能力。
2、为实现上述目的,本申请提供了如下方案。
3、第一方面,本申请提供了一种日志与流量融合的工业互联网攻击行为智能分析方法,包括:
4、获取目标网络的通信流量数据和设备日志数据;
5、分别对所述通信流量数据和所述设备日志数据进行特征提取,获得目标网络中不同节点的流量特征向量和不同日志记录的日志特征向量;
6、对不同节点的流量特征向量和不同日志记录的日志特征向量进行融合,获得各个节点的融合特征向量;
7、将各个节点的融合特征向量输入异常检测模型,获得各个节点的异常检测结果;所述异常检测模型通过对图注意力网络进行训练获得;
8、根据各个节点的异常检测结果进行攻击行为重建,获得攻击行为重建结果。
9、可选地,分别对所述通信流量数据和所述设备日志数据进行特征提取,获得不同节点的流量特征向量和不同日志记录的日志特征向量,具体包括:
10、从所述通信流量数据中提取不同节点的流量特征向量;所述流量特征向量包括:源ip、目的ip、源端口、目的端口、协议号、数据包大小、tcp标志位、连接持续时间、平均负载、数据包长度、空闲时间、设备地址、功能码和数据字段中的一项或多项;
11、从所述设备日志数据中提取不同日志记录的日志特征向量;所述日志特征向量包括:源ip、目的ip、源端口、目的端口、时间戳、模块序号、pid、功能码、事件等级、操作类型、应用类型和告警原因中的一项或多项。
12、可选地,对不同节点的流量特征向量和不同日志记录的日志特征向量进行融合,获得各个节点的融合特征向量,具体包括:
13、采用动态时间规整算法对流量特征向量和所述日志特征向量进行时间戳对齐,获得流量特征向量和日志特征向量的时间对齐关系;
14、根据流量特征向量和日志特征向量中共同存在的特征,构建流量特征向量和日志特征向量之间的映射关系;
15、采用互信息算法估计不同日志特征向量之间的综合相似度;
16、对综合相似度大于相似度阈值的日志特征向量进行聚合,得到聚合后的日志特征向量;
17、基于所述时间对齐关系和所述映射关系,将各个节点的流量特征向量与聚合后的日志特征向量或未聚合的日志特征向量进行拼接,形成各个节点的融合特征向量。
18、可选地,所述综合相似度的计算公式为:
19、;
20、;
21、其中,为第k个日志特征的权重值,为日志特征向量x中的第k个日志特征与日志特征向量y中的第k个日志特征的归一化互信息,为日志特征向量x中的第k个日志特征与日志特征向量y中的第k个日志特征的互信息,为的信息熵,为的信息熵。
22、可选地,各个日志特征的权重值采用如下公式计算:
23、;
24、;
25、其中,为时间窗口t内第k个日志特征出现的次数;为时间窗口t内所有日志特征出现的次数,为第k个日志特征的平均出现间隔时间,为上下文综合系数,为第k个日志特征的归一化频率,,为阈值滤波函数,、分别为高置信度阈值、低置信度阈值。
26、可选地,对综合相似度大于相似度阈值的日志特征向量进行聚合的公式为:
27、;
28、其中,为聚合后的日志特征向量,为相关联的第r个日志特征向量的权重,为相关联的第r个日志特征向量,r为相关联的日志记录的数量;相关联的日志特征向量为综合相似度大于相似度阈值的日志特征向量。
29、可选地,根据各个节点的异常检测结果进行攻击行为重建,获得攻击行为重建结果,具体包括:
30、确定异常检测结果为异常流量或异常事件的节点为攻击目标节点;
31、将所述攻击目标节点设置为终点;
32、基于攻击发生事件窗口内流入所述终点的流量记录和日志记录,构建所述终点的时空关联图;
33、分别将时空关联图中每条有向边的源节点设置为终点,返回“基于攻击发生事件窗口内流入所述终点的流量记录和日志记录,构建所述终点的时空关联图”的步骤,直到满足终止条件,输出总的时空关联图;所述终止条件为源节点属于外部公网且无法获取流入所述源节点的日志记录,或源节点属于已确认的正常可通信设备基线,或追溯深度超过预设最大跳数;
34、基于总的时空关联图,生成多条攻击路径;
35、对多条攻击路径进行合并和去重,得到合并和去重后的攻击路径作为攻击行为重建结果。
36、第二方面,本申请提供了一种计算机设备,包括:存储器、处理器以及存储在存储器上并可在处理器上运行的计算机程序,所述处理器执行所述计算机程序以实现上述的日志与流量融合的工业互联网攻击行为智能分析方法。
37、第三方面,本申请提供了一种计算机可读存储介质,其上存储有计算机程序,该计算机程序被处理器执行时实现上述的日志与流量融合的工业互联网攻击行为智能分析方法。
38、第四方面,本申请提供了一种计算机程序产品,包括计算机程序,该计算机程序被处理器执行时实现上述的日志与流量融合的工业互联网攻击行为智能分析方法。
39、根据本申请提供的具体实施例,本申请具有了以下技术效果。
40、本申请提供了一种日志与流量融合的工业互联网攻击行为智能分析方法、设备、介质及产品,本申请首先分别对通信流量数据和设备日志数据进行特征提取,获得目标网络中不同节点的流量特征向量和不同日志记录的日志特征向量;对不同节点的流量特征向量和不同日志记录的日志特征向量进行融合,获得各个节点的融合特征向量;然后将各个节点的融合特征向量输入异常检测模型,获得各个节点的异常检测结果;然后根据各个节点的异常检测结果进行攻击行为重建,获得攻击行为重建结果,本申请通过同时分析日志与流量特征,克服传统方法单一数据源造成的漏检问题,提升了网络攻击检测精度和攻击溯源能力。
1.一种日志与流量融合的工业互联网攻击行为智能分析方法,其特征在于,包括:
2.根据权利要求1所述的日志与流量融合的工业互联网攻击行为智能分析方法,其特征在于,分别对所述通信流量数据和所述设备日志数据进行特征提取,获得不同节点的流量特征向量和不同日志记录的日志特征向量,具体包括:
3.根据权利要求1所述的日志与流量融合的工业互联网攻击行为智能分析方法,其特征在于,对不同节点的流量特征向量和不同日志记录的日志特征向量进行融合,获得各个节点的融合特征向量,具体包括:
4.根据权利要求3所述的日志与流量融合的工业互联网攻击行为智能分析方法,其特征在于,所述综合相似度的计算公式为:
5.根据权利要求4所述的日志与流量融合的工业互联网攻击行为智能分析方法,其特征在于,各个日志特征的权重值采用如下公式计算:
6.根据权利要求4所述的日志与流量融合的工业互联网攻击行为智能分析方法,其特征在于,对综合相似度大于相似度阈值的日志特征向量进行聚合的公式为:
7.根据权利要求1所述的日志与流量融合的工业互联网攻击行为智能分析方法,其特征在于,根据各个节点的异常检测结果进行攻击行为重建,获得攻击行为重建结果,具体包括:
8.一种计算机设备,包括:存储器、处理器以及存储在存储器上并可在处理器上运行的计算机程序,其特征在于,所述处理器执行所述计算机程序以实现权利要求1-7中任一项所述的日志与流量融合的工业互联网攻击行为智能分析方法。
9.一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,该计算机程序被处理器执行时实现权利要求1-7中任一项所述的日志与流量融合的工业互联网攻击行为智能分析方法。
10.一种计算机程序产品,包括计算机程序,其特征在于,该计算机程序被处理器执行时实现权利要求1-7中任一项所述的日志与流量融合的工业互联网攻击行为智能分析方法。
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