一种细粒度异构性度量的自适应拟态调度方法

    公开(公告)号:CN117375946A

    公开(公告)日:2024-01-09

    申请号:CN202311396323.2

    申请日:2023-10-26

    IPC分类号: H04L9/40

    摘要: 本发明属于网络空间安全技术领域,具体是一种细粒度异构性度量的自适应拟态调度方法。包括:S1:在拟态防御架构中,构造漏洞M叉树;S2:计算每个漏洞的权重;S3:根据每个漏洞的权重,度量两执行体间和执行体集的异构性;S4:计算执行体历史置信度并更新规则;S5:调度器根据执行体历史置信度及异构性,完成执行体的上线、离线操作。本发明通过执行体中所有发现的漏洞构造漏洞M叉树,可以更细粒度地计算漏洞分布位置,且考虑到高阶共模漏洞对拟态防御框架的威胁,进一步保证系统安全性。

    终端用户的网络行为的监管方法和装置

    公开(公告)号:CN113055334B

    公开(公告)日:2023-07-28

    申请号:CN201911361019.8

    申请日:2019-12-26

    IPC分类号: H04L9/40

    摘要: 本申请公开了一种终端用户的网络行为的监管方法和装置。其中,该方法包括:针对企业终端用户以HTTPS协议访问的数据内容提取过程,通过采用终端准入插件的方式获得会话主密钥用来解密的被服务器加密得数据,大大降低了中间人代理方式还进行双倍的连接建立所带来CPU性能的急剧消耗和减少了吞吐量。针对企业终端应用数据,采用改造后的卷积神经网络模型进行特征提取并和特征数据库对比与相似度监测。相对于只利用字节特征的传统方案形成明显优势,能够更好的识别未曾见过的病毒样本,抵御抗病毒变种和新病毒家族等未知威胁。本申请解决了相关技术中无法准确监管用户终端出现的病毒的技术问题。

    一种基于互信息与灰狼提升算法的网络入侵检测方法

    公开(公告)号:CN115296851A

    公开(公告)日:2022-11-04

    申请号:CN202210799416.9

    申请日:2022-07-06

    IPC分类号: H04L9/40 G06K9/62 G06N3/00

    摘要: 本发明涉及一种基于互信息与灰狼提升算法的网络入侵检测方法,属于网络安全领域。本方法提供的训练阶段通过互信息理论提取训练集中关键特征,并通过互信息大小对提取的特征进行排序。然后将这些特征作为输入加载到LSSVM模型中来训练,并采用GWB算法优化整个模型的权重参数。GWB‑LSSVM模型通过对关键特征的学习,获取最优的核函数宽度和正则化参数C。测试阶段提取测试数据的特征输入到训练好的LSSVM分类模型中,根据模型输出的类别概率分布判断分类结果正确与否,进而进行模型评估。本方法能够在模型训练阶段大大缩短模型训练时间,降低模型训练消耗和时间成本,而且本方法能够更好的实现网络流量前相关特征的选择,提升网络入侵行为检测的精度和模型收敛的速度。

    终端用户的网络行为的监管方法和装置

    公开(公告)号:CN113055334A

    公开(公告)日:2021-06-29

    申请号:CN201911361019.8

    申请日:2019-12-26

    IPC分类号: H04L29/06

    摘要: 本申请公开了一种终端用户的网络行为的监管方法和装置。其中,该方法包括:针对企业终端用户以HTTPS协议访问的数据内容提取过程,通过采用终端准入插件的方式获得会话主密钥用来解密的被服务器加密得数据,大大降低了中间人代理方式还进行双倍的连接建立所带来CPU性能的急剧消耗和减少了吞吐量。针对企业终端应用数据,采用改造后的卷积神经网络模型进行特征提取并和特征数据库对比与相似度监测。相对于只利用字节特征的传统方案形成明显优势,能够更好的识别未曾见过的病毒样本,抵御抗病毒变种和新病毒家族等未知威胁。本申请解决了相关技术中无法准确监管用户终端出现的病毒的技术问题。

    一种基于互信息与灰狼提升算法的网络入侵检测方法

    公开(公告)号:CN115296851B

    公开(公告)日:2024-07-26

    申请号:CN202210799416.9

    申请日:2022-07-06

    摘要: 本发明涉及一种基于互信息与灰狼提升算法的网络入侵检测方法,属于网络安全领域。本方法提供的训练阶段通过互信息理论提取训练集中关键特征,并通过互信息大小对提取的特征进行排序。然后将这些特征作为输入加载到LSSVM模型中来训练,并采用GWB算法优化整个模型的权重参数。GWB‑LSSVM模型通过对关键特征的学习,获取最优的核函数宽度和正则化参数C。测试阶段提取测试数据的特征输入到训练好的LSSVM分类模型中,根据模型输出的类别概率分布判断分类结果正确与否,进而进行模型评估。本方法能够在模型训练阶段大大缩短模型训练时间,降低模型训练消耗和时间成本,而且本方法能够更好的实现网络流量前相关特征的选择,提升网络入侵行为检测的精度和模型收敛的速度。