本發(fā)明屬于計(jì)算機(jī)網(wǎng)絡(luò)安全、機(jī)器學(xué)習(xí)技術(shù)領(lǐng)域，具體涉及一種網(wǎng)絡(luò)安全態(tài)勢模型訓(xùn)練方法、識別方法及識別裝置。

背景技術(shù)：

近年來，隨著移動互聯(lián)網(wǎng)和智能終端時(shí)代的到來與普及，人們的線上行為越來越頻繁，營銷規(guī)模越來越大，各種社交網(wǎng)絡(luò)組成了復(fù)雜、異構(gòu)的大規(guī)模網(wǎng)絡(luò)。然而，由于通信網(wǎng)絡(luò)存在可移動性、可擴(kuò)展性、大規(guī)模性、泛在性等特性，在網(wǎng)絡(luò)滲入人們社會生活的同時(shí)，也成為黑客攻擊的首要目標(biāo)，導(dǎo)致網(wǎng)絡(luò)安全漏洞數(shù)量持續(xù)快速增長。因此，安全問題必將成為未來大規(guī)模網(wǎng)絡(luò)首要解決的問題。

互聯(lián)網(wǎng)與生俱有的開放性、交互性和分散性特征使人類所憧憬的共享、開放、靈活和快速等需求得到滿足。網(wǎng)絡(luò)環(huán)境為共享、交流、服務(wù)創(chuàng)造了理想空間的迅速發(fā)展和廣泛應(yīng)用，為人類社會的進(jìn)步提供了巨大推動力。然而，正是由于互聯(lián)網(wǎng)的上述特性，產(chǎn)生了許多安全問題：泄漏、污染、不易受控。

參考專利文獻(xiàn)cn106453293a公開了一種基于混沌理論與神經(jīng)網(wǎng)絡(luò)相結(jié)合的網(wǎng)絡(luò)安全態(tài)勢預(yù)測方法，包括采用互信息法和cao氏法對歸一化后的網(wǎng)絡(luò)安全態(tài)勢值序列集合進(jìn)行處理得到網(wǎng)絡(luò)安全態(tài)勢樣本值的最佳嵌入維數(shù)并進(jìn)行相空間重構(gòu)，分析重構(gòu)后樣本的最大李雅普諾夫指數(shù)來得到評估出來的樣本是否具有混沌預(yù)測性；根據(jù)非線性時(shí)間序列的特點(diǎn)與經(jīng)驗(yàn)確定反向傳播神經(jīng)網(wǎng)絡(luò)的輸出層與隱含層的節(jié)點(diǎn)數(shù)；利用改進(jìn)的螢火蟲算法進(jìn)行參數(shù)尋優(yōu)，從而確定網(wǎng)絡(luò)權(quán)值和偏置值，建立網(wǎng)絡(luò)安全態(tài)勢的預(yù)測模型；測試樣本輸入到bp神經(jīng)網(wǎng)絡(luò)中進(jìn)行預(yù)測，并將得到的預(yù)測值反歸一化。參考專利文獻(xiàn)cn106302522a公開了一種基于神經(jīng)網(wǎng)絡(luò)和大數(shù)據(jù)的網(wǎng)絡(luò)安全態(tài)勢分析方法和系統(tǒng)，該系統(tǒng)包括數(shù)據(jù)采集模塊、數(shù)據(jù)分析模塊和態(tài)勢預(yù)測模塊，數(shù)據(jù)采集模塊在flume組件上實(shí)現(xiàn)分布式的大數(shù)據(jù)采集；數(shù)據(jù)分析模塊基于mapreduce并行化計(jì)算框架實(shí)現(xiàn)大數(shù)據(jù)的分布式處理；前兩個(gè)模塊包含在神經(jīng)網(wǎng)絡(luò)的輸入層中，通過隱含層對輸入層數(shù)據(jù)的融合處理傳送給輸出層，輸出層通過局部態(tài)勢判決結(jié)果，得出總體的安全態(tài)勢分析預(yù)測情況，將這些有價(jià)值的數(shù)據(jù)存儲在hbase數(shù)據(jù)庫中方便后續(xù)查詢和展示。

上述參考專利文獻(xiàn)對于網(wǎng)絡(luò)安全態(tài)勢的分析預(yù)測，均采用的是神經(jīng)網(wǎng)絡(luò)算法，神經(jīng)網(wǎng)絡(luò)算法具有以下缺點(diǎn)：1.局部極小化問題，導(dǎo)致每次訓(xùn)練得到不同的結(jié)果；2.神經(jīng)網(wǎng)絡(luò)算法的收斂速度慢；3.神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)選擇不一；4.神經(jīng)網(wǎng)絡(luò)預(yù)測能力和訓(xùn)練能力存在一定的矛盾。

技術(shù)實(shí)現(xiàn)要素：

針對現(xiàn)有技術(shù)存在的不足之處，本發(fā)明提出了一種網(wǎng)絡(luò)安全態(tài)勢模型訓(xùn)練方法、識別方法及識別裝置，該訓(xùn)練方法為特征空間上的間隔最大的線性分類器，其學(xué)習(xí)模型便是間隔最大化，最終可轉(zhuǎn)化為一個(gè)凸二次規(guī)劃問題的求解，在網(wǎng)絡(luò)入侵感知過程，充分地參考?xì)v史網(wǎng)絡(luò)攻擊數(shù)據(jù)，預(yù)測未來網(wǎng)絡(luò)數(shù)據(jù)流中潛在的威脅，提升網(wǎng)絡(luò)安全感知的準(zhǔn)確度，降低預(yù)測誤差。

本發(fā)明采用如下技術(shù)方案：

一種網(wǎng)絡(luò)安全態(tài)勢模型訓(xùn)練方法，它包括以下步驟：

s101、獲取網(wǎng)絡(luò)數(shù)據(jù)；

s102、從所述網(wǎng)絡(luò)數(shù)據(jù)中提取網(wǎng)絡(luò)數(shù)據(jù)樣本；

s103、處理提取的網(wǎng)絡(luò)數(shù)據(jù)樣本，對網(wǎng)絡(luò)數(shù)據(jù)進(jìn)行分析，得到網(wǎng)絡(luò)數(shù)據(jù)的屬性值，將網(wǎng)絡(luò)數(shù)據(jù)的屬性值與網(wǎng)絡(luò)數(shù)據(jù)是否安全對應(yīng)；

s104、對網(wǎng)絡(luò)數(shù)據(jù)屬性值進(jìn)行分析處理，得到網(wǎng)絡(luò)數(shù)據(jù)屬性值的特征向量；

s105、通過網(wǎng)絡(luò)數(shù)據(jù)屬性值的特征向量，確定線性分類器的參數(shù)。

進(jìn)一步的，步驟s102中網(wǎng)絡(luò)數(shù)據(jù)樣本包括安全的網(wǎng)絡(luò)數(shù)據(jù)樣本和不安全的網(wǎng)絡(luò)數(shù)據(jù)樣本。

進(jìn)一步的，步驟s103中網(wǎng)絡(luò)數(shù)據(jù)的屬性值包括源物理端口、虛擬局域網(wǎng)標(biāo)識、源網(wǎng)絡(luò)硬件地址、源ip地址、源傳輸控制協(xié)議端口中的至少一種。

進(jìn)一步的，步驟s105線性分類器采用支持向量機(jī)模型。

一種網(wǎng)絡(luò)安全態(tài)勢識別方法，包括以下步驟：

s201、獲取網(wǎng)絡(luò)數(shù)據(jù)；

s202、處理網(wǎng)絡(luò)數(shù)據(jù)，得到網(wǎng)絡(luò)數(shù)據(jù)的屬性值，對網(wǎng)絡(luò)數(shù)據(jù)屬性值進(jìn)行分析處理，得到網(wǎng)絡(luò)數(shù)據(jù)屬性值的特征向量；

s203、將網(wǎng)絡(luò)數(shù)據(jù)屬性值的特征向量輸入線性分類器；

s204、根據(jù)線性分類器的輸出結(jié)果對所獲取的網(wǎng)絡(luò)數(shù)據(jù)進(jìn)行分類識別。

進(jìn)一步的，步驟s204的分類識別包括：

若線性分類器輸出結(jié)果大于零，則表示獲取得的網(wǎng)絡(luò)數(shù)據(jù)安全；

若線性分類器輸出結(jié)果小于零，則表示獲取得的網(wǎng)絡(luò)數(shù)據(jù)不安全。

進(jìn)一步的，步驟s202中網(wǎng)絡(luò)數(shù)據(jù)的屬性值包括源物理端口、虛擬局域網(wǎng)標(biāo)識、源網(wǎng)絡(luò)硬件地址、源ip地址、源傳輸控制協(xié)議端口中的至少一種。

一種網(wǎng)絡(luò)安全態(tài)勢識別裝置，包括

網(wǎng)絡(luò)數(shù)據(jù)獲取模塊，用于獲取網(wǎng)絡(luò)數(shù)據(jù)；

網(wǎng)絡(luò)數(shù)據(jù)處理模塊，用于處理網(wǎng)絡(luò)數(shù)據(jù)，得到網(wǎng)絡(luò)數(shù)據(jù)的屬性值，對網(wǎng)絡(luò)數(shù)據(jù)屬性值進(jìn)行分析處理，得到網(wǎng)絡(luò)數(shù)據(jù)屬性值的特征向量；

線性分類器，計(jì)算獲取網(wǎng)絡(luò)數(shù)據(jù)的識別值；

分類模塊，判斷所獲取的網(wǎng)絡(luò)數(shù)據(jù)的類別。

進(jìn)一步的，線性分類器采用支持向量機(jī)模型。

本發(fā)明相對于與其他傳統(tǒng)的神經(jīng)網(wǎng)絡(luò)學(xué)習(xí)模型算法不同之處在于：1.基于結(jié)構(gòu)風(fēng)險(xiǎn)最小化原則，避免了過學(xué)習(xí)問題，泛化能力強(qiáng)；2.針對凸優(yōu)化問題，在局部最優(yōu)解學(xué)習(xí)模型上是全局最優(yōu)解的優(yōu)點(diǎn)；3.非線性分類進(jìn)行低緯非線性轉(zhuǎn)化為高線性處理。特征空間線性分類學(xué)習(xí)模型在網(wǎng)絡(luò)空間數(shù)據(jù)流中的樣本學(xué)習(xí)上具備優(yōu)秀的泛化能力，得到對數(shù)據(jù)分布的結(jié)構(gòu)化描述，降低了對數(shù)據(jù)規(guī)模和數(shù)據(jù)分布的要求。

附圖說明

圖1是網(wǎng)絡(luò)安全態(tài)勢模型訓(xùn)練方法的流程圖；

圖2是網(wǎng)絡(luò)安全態(tài)勢識別方法的流程圖；

圖3是網(wǎng)絡(luò)安全態(tài)勢識別裝置的結(jié)構(gòu)圖。

具體實(shí)施方式

為進(jìn)一步說明各實(shí)施例，本發(fā)明提供有附圖。這些附圖為本發(fā)明揭露內(nèi)容的一部分，其主要用以說明實(shí)施例，并可配合說明書的相關(guān)描述來解釋實(shí)施例的運(yùn)作原理。配合參考這些內(nèi)容，本領(lǐng)域普通技術(shù)人員應(yīng)能理解其他可能的實(shí)施方式以及本發(fā)明的優(yōu)點(diǎn)。圖中的組件并未按比例繪制，而類似的組件符號通常用來表示類似的組件。

現(xiàn)結(jié)合附圖和具體實(shí)施方式對本發(fā)明進(jìn)一步說明。

參閱圖1所示，為一種網(wǎng)絡(luò)安全態(tài)勢模型訓(xùn)練方法的流程圖，它包括以下步驟：

s101、獲取網(wǎng)絡(luò)數(shù)據(jù)。

隨著大數(shù)據(jù)的流行，采集大量的網(wǎng)絡(luò)數(shù)據(jù)，根據(jù)需要采集的網(wǎng)絡(luò)數(shù)據(jù)樣本數(shù)量，確定采集網(wǎng)絡(luò)數(shù)據(jù)集合大小，假設(shè)網(wǎng)絡(luò)數(shù)據(jù)樣本數(shù)量為n，則采集的網(wǎng)絡(luò)數(shù)據(jù)需要大于或等于3n。

s102、從所述網(wǎng)絡(luò)數(shù)據(jù)中提取網(wǎng)絡(luò)數(shù)據(jù)樣本。

從網(wǎng)絡(luò)數(shù)據(jù)集合中隨機(jī)選擇網(wǎng)絡(luò)數(shù)據(jù)樣本，為了使得網(wǎng)絡(luò)數(shù)據(jù)樣本具有一定代表性，則網(wǎng)絡(luò)數(shù)據(jù)樣本的數(shù)量n大于1000，且該網(wǎng)絡(luò)數(shù)據(jù)樣本包括安全的網(wǎng)絡(luò)數(shù)據(jù)樣本和不安全的網(wǎng)絡(luò)數(shù)據(jù)樣本。

s103、處理提取的網(wǎng)絡(luò)數(shù)據(jù)樣本，對網(wǎng)絡(luò)數(shù)據(jù)進(jìn)行分析，得到網(wǎng)絡(luò)數(shù)據(jù)的屬性值，將網(wǎng)絡(luò)數(shù)據(jù)的屬性值與網(wǎng)絡(luò)數(shù)據(jù)是否安全對應(yīng)。

對所有的網(wǎng)絡(luò)數(shù)據(jù)樣本進(jìn)行預(yù)處理，分析獲得網(wǎng)絡(luò)數(shù)據(jù)的屬性值，該實(shí)施例網(wǎng)絡(luò)數(shù)據(jù)的屬性值包括源物理端口和源ip地址，將網(wǎng)絡(luò)數(shù)據(jù)的屬性值與網(wǎng)絡(luò)數(shù)據(jù)是否安全對應(yīng)，網(wǎng)絡(luò)數(shù)據(jù)樣本分為兩類：安全和不安全。

s104、對網(wǎng)絡(luò)數(shù)據(jù)屬性值進(jìn)行分析處理，得到網(wǎng)絡(luò)數(shù)據(jù)屬性值的特征向量。

將所有網(wǎng)絡(luò)數(shù)據(jù)的源物理端口和源ip地址進(jìn)行分析處理，得到網(wǎng)絡(luò)數(shù)據(jù)的特征向量，即網(wǎng)絡(luò)數(shù)據(jù)x(x1,x2),x1代表源物理端口，x2代表源ip地址，y表示該網(wǎng)絡(luò)數(shù)據(jù)是否安全，y表示兩類：安全、不安全。

網(wǎng)絡(luò)數(shù)據(jù)樣本處理后采用二元對表示(xi,yi),i＝1,…,n，

xi∈r²，2維模式樣本向量

yi∈{+1,-1}，樣本的相應(yīng)類別標(biāo)號

當(dāng)xi安全時(shí)，yi＝1；當(dāng)xi不安全時(shí)，yi＝－1。

s105、通過網(wǎng)絡(luò)數(shù)據(jù)屬性值的特征向量，確定線性分類器的參數(shù)。

將網(wǎng)絡(luò)數(shù)據(jù)樣本(xi,yi)代入公式并求q(λ)的極值，其中，xi為2維向量，yi∈{1,-1}，i,j＝1,2,…,n，n為網(wǎng)絡(luò)數(shù)據(jù)樣本總數(shù)，結(jié)合得到的是λi的優(yōu)解；

計(jì)算

s為支持向量集；λi^*為最優(yōu)解

式中xs(1)表示屬于y＝1的支持向量，

xs(-1)表示屬于y＝-1的支持向量；

w＝w^*,b＝b^*，得到，超平面方式g(x)＝w^tx+b＝0。

從而得到線性分類器其中z＝w^tx+b。

需要說明的是，該實(shí)施例選取網(wǎng)絡(luò)數(shù)據(jù)的屬性值僅僅包括源物理端口和源ip地址，本領(lǐng)域技術(shù)人員可知，網(wǎng)絡(luò)數(shù)據(jù)的屬性值包括源物理端口、虛擬局域網(wǎng)標(biāo)識、源網(wǎng)絡(luò)硬件地址、源ip地址、源傳輸控制協(xié)議端口。可從中選擇至少一種進(jìn)行處理。

此外，步驟s105線性分類器采用支持向量機(jī)模型。

參閱圖2所示，為一種網(wǎng)絡(luò)安全態(tài)勢識別方法的流程圖，包括以下步驟：

s201、獲取網(wǎng)絡(luò)數(shù)據(jù)。

獲取需要判斷網(wǎng)絡(luò)安全態(tài)勢的網(wǎng)絡(luò)數(shù)據(jù)。

s202、處理網(wǎng)絡(luò)數(shù)據(jù)，得到網(wǎng)絡(luò)數(shù)據(jù)的屬性值，對網(wǎng)絡(luò)數(shù)據(jù)屬性值進(jìn)行分析處理，得到網(wǎng)絡(luò)數(shù)據(jù)屬性值的特征向量。

對網(wǎng)絡(luò)數(shù)據(jù)進(jìn)行預(yù)處理，分析獲得網(wǎng)絡(luò)數(shù)據(jù)的屬性值，該實(shí)施例網(wǎng)絡(luò)數(shù)據(jù)的屬性值包括源物理端口和源ip地址，將網(wǎng)絡(luò)數(shù)據(jù)的源物理端口和源ip地址進(jìn)行分析處理，得到網(wǎng)絡(luò)數(shù)據(jù)的特征向量，即網(wǎng)絡(luò)數(shù)據(jù)x(x1,x2),x1代表源物理端口，x2代表源ip地址，

s203、將網(wǎng)絡(luò)數(shù)據(jù)屬性值的特征向量輸入線性分類器。

線性分類器其中z＝w^tx+b。

s204、根據(jù)線性分類器的輸出結(jié)果對所獲取的網(wǎng)絡(luò)數(shù)據(jù)進(jìn)行分類識別。

若線性分類器輸出結(jié)果z大于零，則表示獲取得的網(wǎng)絡(luò)數(shù)據(jù)安全；

若線性分類器輸出結(jié)果z小于零，則表示獲取得的網(wǎng)絡(luò)數(shù)據(jù)不安全。

該實(shí)施例步驟s202中網(wǎng)絡(luò)數(shù)據(jù)的屬性值還可包括源物理端口、虛擬局域網(wǎng)標(biāo)識、源網(wǎng)絡(luò)硬件地址、源ip地址、源傳輸控制協(xié)議端口中一種或多種。

參閱圖3所示，為一種網(wǎng)絡(luò)安全態(tài)勢識別裝置的結(jié)構(gòu)圖，包括

網(wǎng)絡(luò)數(shù)據(jù)獲取模塊，用于獲取網(wǎng)絡(luò)數(shù)據(jù)；

網(wǎng)絡(luò)數(shù)據(jù)處理模塊，用于處理網(wǎng)絡(luò)數(shù)據(jù)，得到網(wǎng)絡(luò)數(shù)據(jù)的屬性值，對網(wǎng)絡(luò)數(shù)據(jù)屬性值進(jìn)行分析處理，得到網(wǎng)絡(luò)數(shù)據(jù)屬性值的特征向量；

線性分類器，計(jì)算獲取網(wǎng)絡(luò)數(shù)據(jù)的識別值；

分類模塊，判斷所獲取的網(wǎng)絡(luò)數(shù)據(jù)的類別。

該裝置的線性分類器采用支持向量機(jī)模型。

盡管結(jié)合優(yōu)選實(shí)施方案具體展示和介紹了本發(fā)明，但所屬領(lǐng)域的技術(shù)人員應(yīng)該明白，在不脫離所附權(quán)利要求書所限定的本發(fā)明的精神和范圍內(nèi)，在形式上和細(xì)節(jié)上可以對本發(fā)明做出各種變化，均為本發(fā)明的保護(hù)范圍。