【技术实现步骤摘要】
本申请涉及数据处理，尤其涉及一种网络攻击预测方法、系统、电子设备及存储介质。
技术介绍
1、随着人工智能技术的发展，互联网上的海量信息得到了更好的连接和利用。其中，知识图谱作为一种知识表示方法和相关嵌入技术的代表，使得知识的计算、推理和应用成为可能。然而，在网络安全领域中，许多事实的真实性会随着时间和空间的变化而改变，如果不考虑这些特点，知识图谱中的无效知识会越来越多。为了解决这个问题，可以通过网络数据图谱模型在通用的知识图谱基础上，增加对时空特性的表示，以了解具体的变化表现。但是，由于攻击者不断变化，攻击对象和攻击方式也在不断变化，网络数据图谱并不能准确地对下一时刻的攻击进行预测。
技术实现思路
1、本申请实施例的主要目的在于提出一种网络攻击预测方法、系统、电子设备及存储介质，能够通过对网络数据图谱下一时刻的攻击进行预测，提高网络攻击预测的准确性。
2、为实现上述目的，本申请实施例的第一方面提出了一种网络攻击预测方法，所述方法包括：获取每一时间点的网络数据图谱和每一所述网络数据图谱的历史特征映射向量；其中，所述网络数据图谱由历史每一时刻产生的历史网络监控数据构建，所述历史网络监控数据包括历史攻击数据；对所述网络数据图谱进行向量化处理，得到图谱嵌入向量；将各个所述时间点对应的所述图谱嵌入向量进行rgb图转换，得到网络rgb图；获取当前时间点对应的所述网络rgb图，并对所述网络rgb图进行特征映射处理，得到第一特征映射向量；将每一所述时间点的所述网络rgb图和相邻的上一时
3、根据本申请的一些实施例，所述网络数据图谱包括:原始三元组数据；所述对所述网络数据图谱进行向量化处理，得到图谱嵌入向量，包括:将所述网络数据图谱输入至预设的卷积神经网络；其中，所述卷积神经网络包括：降维层、卷积层、激活函数层；通过所述降维层和预设的维度对所述原始三元组数据进行降维处理，得到候选三元组数据；通过所述卷积层对所述候选三元组数据进行特征提取，得到三元组特征信息；通过所述激活函数层对所述三元组特征信息进行非线性变换，得到所述图谱嵌入向量。
4、根据本申请的一些实施例，在所述将所述网络数据图谱输入至预设的卷积神经网络之后，还包括：训练所述卷积神经网络，具体包括：将所述图谱嵌入向量输入至线性转换评估模型进行线性转换评估，得到线性转换评估数据；根据所述线性转换评估数据训练所述卷积神经网络。
5、根据本申请的一些实施例，所述将所述图谱嵌入向量输入至线性转换评估模型进行线性转换评估，得到线性转换评估数据，包括：将所述图谱嵌入向量与所述线性转换评估模型的滤波参数相乘，得到的乘积与第一偏置进行相加，得到第一图谱嵌入向量；通过激活函数对所述第一图谱嵌入向量进行激活后，与第二偏置进行相加，得到第二图谱嵌入向量；将所述第二图谱嵌入向量与所述线性转换评估模型的线性操作系数相乘，得到线性转换评估数据。
6、根据本申请的一些实施例，所述将各个所述时间点对应的所述图谱嵌入向量进行rgb图转换，得到网络rgb图，包括：对各个时间点对应的所述图谱嵌入向量进行归一化处理，得到候选嵌入向量；根据预设的颜色强度值和所述候选嵌入向量进行乘积运算，得到目标嵌入向量；根据所述目标嵌入向量和预设的像素颜色值构建所述网络rgb图。
7、根据本申请的一些实施例，所述对各个时间点对应的所述图谱嵌入向量进行归一化处理，得到候选嵌入向量，包括：获取各个时间点对应的多个所述图谱嵌入向量；其中，所述图谱嵌入向量包括：头实体向量、关系向量和尾实体向量；对所述图谱嵌入向量进行排序，得到多个所述头实体向量、多个所述关系向量和多个所述尾实体向量的最值；其中，所述最值包括最大值和最小值；获取目标向量；其中，所述第一图谱向量为需要进行归一化处理的所述图谱嵌入向量；对所述目标向量的头实体向量减去所述头实体向量对应的最小值，得到头实体参考值；将关系向量减去所述关系向量对应的最小值，得到关系参考值；将尾实体向量减去所述尾实体向量对应的最小值，得到关系参考值；通过所述头实体参考值除以所述头实体向量对应的最大值与最小值的差，得到归一头实体向量；通过所述关系向量参考值除以所述关系向量对应的最大值与最小值的差，得到归一关系向量；通过所述尾实体向量参考值除以所述尾实体向量对应的最大值与最小值的差，得到归一尾实体向量；根据所述归一头实体向量、所述归一关系向量和所述归一尾实体向量，得到候选嵌入向量。
8、根据本申请的一些实施例，所述将每一所述时间点的所述网络rgb图和相邻的上一时间点对应的一张所述网络rgb图进行光流图转换，得到网络光流图，包括：获取每一所述时间点的网络rgb图以及每一所述时间点相邻的上一时间点对应的的相邻网络rgb图；将所述网络rgb图中的像素值进行加权平均，得到第一灰度图像；将所述相邻网络rgb图中的像素值进行加权平均，得到第二灰度图像；通过法尔内巴克算法对所述第一灰度图像和所述第二灰度图像进行光流计算，得到第一光流特征向量和第二光流特征向量；根据所述第一光流特征向量和所述第二光流特征向量进行结合，组成初始光流图；对所述初始光流图进行色彩编码，得到网络光流图。
9、根据本申请的一些实施例，所述根据所述第一特征映射向量和所述第二特征映射向量构建预测特征映射向量，包括：选取所述第一特征映射向量对应的第一分配比例和所述第二特征映射向量对应的第二分配比例；其中，所述第一分配比例和所述第二分配比例之和为1；将所述第一特征映射向量与所述第一分配比例的乘积加上所述第二特征映射向量与所述第二分配比例的乘积，得到预测特征映射向量。
10、根据本申请的一些实施例，所述得到预测特征映射向量之后，还包括：对所述预测特征映射向量进行分析，得到预测分析结果；根据所述预测分析结果，对所述第一分配比例和所述第二分配比例进行调整，重新对所述第一特征映射向量和所述第二特征映射向量对应的预测特征映射向量进行构建。
11、根据本申请的一些实施例，所述根据所述预测特征映射向量和所述历史特征映射向量从所述历史攻击数据中筛选出预测攻击数据，得到网络攻击预测结果，包括：根据所述预测特征映射向量和历史特征映射向量进行相似度计算，得到向量相似度；获取所述向量相似度的最大值，得到最大相似度；将所述最大相似度对应的所述历史攻击数据作为所述预测攻击数据。
12、根据本申请的一些实施例，根据所述预测特征映射向量和历史特征映射向量进行相似度计算，得到向量相似度，包括：将所述预测特征映射向量和所述历史特征映射向量进行相乘，得到第一乘积；取所述预测特征映射向量的模值作为第一向量模值；取所述历史特征映射向量的模值作为第二向量模值；将所述第一向量模值和所本文档来自技高网...
【技术保护点】
1.一种网络攻击预测方法，其特征在于，所述方法包括：
2.根据权利要求1所述的网络攻击预测方法，其特征在于，所述网络数据图谱包括:原始三元组数据；所述对所述网络数据图谱进行向量化处理，得到图谱嵌入向量，包括:
3.根据权利要求2所述的网络攻击预测方法，其特征在于，在所述将所述网络数据图谱输入至预设的卷积神经网络之后，还包括：
4.根据权利要求3所述的网络攻击预测方法，其特征在于，所述将所述图谱嵌入向量输入至线性转换评估模型进行线性转换评估，得到线性转换评估数据，包括：
5.根据权利要求1所述的网络攻击预测方法，其特征在于，所述将各个所述时间点对应的所述图谱嵌入向量进行RGB图转换，得到网络RGB图，包括：
6.根据权利要求5所述的网络攻击预测方法，其特征在于，所述对各个时间点对应的所述图谱嵌入向量进行归一化处理，得到候选嵌入向量，包括：
7.根据权利要求1所述的网络攻击预测方法，其特征在于，所述将每一所述时间点的所述网络RGB图和相邻的上一时间点对应的一张所述网络RGB图进行光流图转换，得到网络光流图，包括：
8.根据权利要求1所述的网络攻击预测方法，其特征在于，所述根据所述第一特征映射向量和所述第二特征映射向量构建预测特征映射向量，包括：
9.根据权利要求8所述的网络攻击预测方法，其特征在于，所述得到预测特征映射向量之后，还包括：
10.根据权利要求1所述的网络攻击预测方法，其特征在于，所述根据所述预测特征映射向量和所述历史特征映射向量从所述历史攻击数据中筛选出预测攻击数据，得到网络攻击预测结果，包括：
11.根据权利要求10所述的网络攻击预测方法，其特征在于，根据所述预测特征映射向量和历史特征映射向量进行相似度计算，得到向量相似度，包括：
12.根据权利要求2所述的网络攻击预测方法，其特征在于，所述方法还包括：
13.根据权利要求2或12所述的网络攻击预测方法，其特征在于，所述方法还包括：
14.一种网络攻击预测系统，其特征在于，所述系统包括：
15.一种电子设备，其特征在于，所述电子设备包括存储器和处理器，所述存储器存储有计算机程序，所述处理器执行所述计算机程序时实现权利要求1至13任一项所述的网络攻击预测方法。
16.一种计算机可读存储介质，所述存储介质存储有计算机程序，其特征在于，所述计算机程序被处理器执行时实现权利要求1至13任一项所述的网络攻击预测方法。
...【技术特征摘要】
1.一种网络攻击预测方法，其特征在于，所述方法包括：
2.根据权利要求1所述的网络攻击预测方法，其特征在于，所述网络数据图谱包括:原始三元组数据；所述对所述网络数据图谱进行向量化处理，得到图谱嵌入向量，包括:
3.根据权利要求2所述的网络攻击预测方法，其特征在于，在所述将所述网络数据图谱输入至预设的卷积神经网络之后，还包括：
4.根据权利要求3所述的网络攻击预测方法，其特征在于，所述将所述图谱嵌入向量输入至线性转换评估模型进行线性转换评估，得到线性转换评估数据，包括：
5.根据权利要求1所述的网络攻击预测方法，其特征在于，所述将各个所述时间点对应的所述图谱嵌入向量进行rgb图转换，得到网络rgb图，包括：
6.根据权利要求5所述的网络攻击预测方法，其特征在于，所述对各个时间点对应的所述图谱嵌入向量进行归一化处理，得到候选嵌入向量，包括：
7.根据权利要求1所述的网络攻击预测方法，其特征在于，所述将每一所述时间点的所述网络rgb图和相邻的上一时间点对应的一张所述网络rgb图进行光流图转换，得到网络光流图，包括：
8.根据权利要求1所述的网络攻击预测方法，其特征在于，所述根据所述第一特征映射向量和...
【专利技术属性】
技术研发人员：顾钊铨，赵昂霄，方滨兴，贾焰，景晓，李润恒，高翠芸，张欢，谢敏容，
申请(专利权)人：鹏城实验室，
类型：发明
国别省市：
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。