System.ArgumentOutOfRangeException: 索引和长度必须引用该字符串内的位置。 参数名: length 在 System.String.Substring(Int32 startIndex, Int32 length) 在 zhuanliShow.Bind()
【技术实现步骤摘要】
本申请涉及恶意流量检测领域,且更为具体地,涉及一种恶意流量智能隔离方法。
技术介绍
1、随着互联网的快速发展,网络安全问题日益突出。恶意流量是指通过网络攻击手段对目标系统或网络造成破坏或影响的流量,如分布式拒绝服务攻击(ddos)、僵尸网络攻击、网络扫描攻击等。恶意流量对网络安全和服务质量构成了严重的威胁,因此需要及时有效地检测和隔离恶意流量,保护网络资源和用户利益。
2、然而,传统的恶意流量检测方法通常使用静态规则来匹配已知的恶意流量特征,这种方法无法应对未知的恶意流量。也就是说,新型的恶意流量攻击往往具有变异性和隐蔽性,无法通过静态规则进行准确匹配。此外,传统方法需要依赖专家手动提取恶意流量的特征,这涉及到对网络协议、数据包结构等领域的深入了解,并且需要不断更新特征以适应新的恶意流量攻击,这种特征工程过程繁琐且耗时,而且可能无法捕捉到新型恶意流量的特征。并且,传统的恶意流量检测方法常常把正常流量被错误地标记为恶意流量,同时还会漏检恶意流量,造成高误报率和漏报率的问题,这会导致对恶意流量的忽视,给网络管理员带来了不必要的麻烦。
3、因此,期望一种优化的恶意流量智能隔离方案。
技术实现思路
1、为了解决上述技术问题,提出了本申请。本申请提供了一种恶意流量智能隔离方法,其可以保护网络资源和用户利益。
2、根据本申请的一个方面,提供了一种恶意流量智能隔离方法,其包括:
3、获取恶意流量数据集;
4、将所述恶意流量数据集中的各个
5、通过基于深度神经网络模型的流量模式语义特征提取器分别对所述恶意流量图像的序列进行特征提取以得到恶意流量模式语义特征向量的序列;
6、对所述恶意流量模式语义特征向量的序列进行关联编码以得到上下文恶意流量模式语义特征向量的序列;
7、获取待检测流量数据;
8、将所述待检测流量数据转化为图像后通过所述基于深度神经网络模型的流量模式语义特征提取器中进行特征提取以得到待检测流量模式语义特征向量;
9、对所述待检测流量模式语义特征向量与所述上下文恶意流量模式语义特征向量的序列中的各个上下文恶意流量模式语义特征向量进行模式语义关联分析以得到全局对比模式表征特征;以及
10、基于所述全局对比模式表征特征,确定待检测流量数据为恶意流量数据的概率值。
11、与现有技术相比,本申请提供的恶意流量智能隔离方法,其首先将恶意流量数据集转化为图像后通过流量模式语义特征提取器进行特征提取以得到恶意流量模式语义特征向量的序列,接着,对所述恶意流量模式语义特征向量的序列进行关联编码以得到上下文恶意流量模式语义特征向量的序列,然后,将待检测流量数据转化为图像后通过所述流量模式语义特征提取器中进行特征提取以得到待检测流量模式语义特征向量,接着,对所述待检测流量模式语义特征向量与各个上下文恶意流量模式语义特征向量进行模式语义关联分析以得到全局对比模式表征特征,最后,基于所述全局对比模式表征特征,确定待检测流量数据为恶意流量数据的概率值。这样,可以有效应对不同类型的恶意流量攻击,从而保护网络资源和用户利益。
本文档来自技高网...【技术保护点】
1.一种恶意流量智能隔离方法,其特征在于,包括:
2.根据权利要求1所述的恶意流量智能隔离方法,其特征在于,所述深度神经网络模型为卷积神经网络模型。
3.根据权利要求2所述的恶意流量智能隔离方法,其特征在于,对所述恶意流量模式语义特征向量的序列进行关联编码以得到上下文恶意流量模式语义特征向量的序列,包括:
4.根据权利要求3所述的恶意流量智能隔离方法,其特征在于,对所述待检测流量模式语义特征向量与所述上下文恶意流量模式语义特征向量的序列中的各个上下文恶意流量模式语义特征向量进行模式语义关联分析以得到全局对比模式表征特征,包括:
5.根据权利要求4所述的恶意流量智能隔离方法,其特征在于,计算所述待检测流量模式语义特征向量与所述上下文恶意流量模式语义特征向量的序列中的各个上下文恶意流量模式语义特征向量之间的模式语义关联系数以得到由多个模式语义关联系数组成的全局对比模式表征特征向量作为所述全局对比模式表征特征,包括:
6.根据权利要求5所述的恶意流量智能隔离方法,其特征在于,基于所述全局对比模式表征特征,确定待检测流量数据为恶
7.根据权利要求6所述的恶意流量智能隔离方法,其特征在于,还包括训练步骤:用于对基于卷积神经网络模型的流量模式语义特征提取器、所述基于转化器模块的关联编码器和所述分类器进行训练。
8.根据权利要求7所述的恶意流量智能隔离方法,其特征在于,所述训练步骤,包括:
...【技术特征摘要】
1.一种恶意流量智能隔离方法,其特征在于,包括:
2.根据权利要求1所述的恶意流量智能隔离方法,其特征在于,所述深度神经网络模型为卷积神经网络模型。
3.根据权利要求2所述的恶意流量智能隔离方法,其特征在于,对所述恶意流量模式语义特征向量的序列进行关联编码以得到上下文恶意流量模式语义特征向量的序列,包括:
4.根据权利要求3所述的恶意流量智能隔离方法,其特征在于,对所述待检测流量模式语义特征向量与所述上下文恶意流量模式语义特征向量的序列中的各个上下文恶意流量模式语义特征向量进行模式语义关联分析以得到全局对比模式表征特征,包括:
5.根据权利要求4所述的恶意流量智能隔离方法,其特征在于,计算所述待检...
【专利技术属性】
技术研发人员:党芳芳,杨莹,李帅,李丁丁,张晓良,闫丽景,焦琪迪,宋一凡,王磊,
申请(专利权)人:国网河南省电力公司信息通信分公司,
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。