大规模人机协同的非侵入式性能体验测试方法及装置

    公开(公告)号:CN115981977A

    公开(公告)日:2023-04-18

    申请号:CN202211130544.0

    申请日:2022-09-16

    IPC分类号: G06F11/34 G06F11/30

    摘要: 本发明涉及大规模人机协同的非侵入式性能体验测试方法,在已有众测模式基础上,创造出一套面向全省大规模众测的性能压测指令体系,实现了众测任务的灵活实时调度。同时,基于大规模众测用户产生的压测流量,充分利用部署在省地边界的流量监控工具,进行网络流量同步实时监测,计算出压测时段每一个被调用API方法的平均耗时及方差,再通过关联分析用户端体验数据和网络边界流量分析数据,在短时间内发现了大量的典型应用性能问题,实现了压测结果自动采集分析、可视可控。全程无需开发人员配合,无需在被测系统上做侵入式部署。大大提高了测试工作效率,本发明所提出的方法简单易用,结合众测工作开展,在平台上线保障的特殊时期发挥了重要作用。

    一种基于用户端异常行为的网络威胁发现方法

    公开(公告)号:CN113329001A

    公开(公告)日:2021-08-31

    申请号:CN202110535481.6

    申请日:2021-05-17

    IPC分类号: H04L29/06

    摘要: 本发明公开了一种基于用户端异常行为的威胁发现方法,包括步骤操作捕捉,参数传输和分析告警。其中,通过操作捕捉,在用户端设置捕捉载体,获取用户端的用户操作信息;再将所述用户操作信息转换为参数信息,通过网络将参数信息回传给服务器端;在服务器端对所述参数信息进行分析判断,当认为是属于异常行为时则发出威胁告警本发明提供的威胁发现方法基于监控数据采集和分析,通过对用户正常操作行为模型的建立,来对异常操作行为进行分析和预警,该方法是一种基于数据分析的威胁预警方法,有利于早期发现网络威胁,提高了网络威胁的态势感知能力和预警防控能力。

    一种网络威胁发现方法
    3.
    发明授权

    公开(公告)号:CN109698823B

    公开(公告)日:2021-05-07

    申请号:CN201811445131.5

    申请日:2018-11-29

    IPC分类号: H04L29/06

    摘要: 本发明公开了一种网络威胁发现方法,包括的步骤有漏洞信息监控、情报信息分析和异常信息捕获。其中,通过漏洞信息监控实现对公开的网络漏洞发布信息进行常态化监控,通过情报信息分析对潜在的隐含在情报文本的新型威胁信息进行分类和预警,通过异常信息捕获则实现对Web异常行为进行网络威胁的捕获和预警。本发明提供的网络威胁发现方法有效实现了从多种渠道进行网络威胁预警,特别是通过情报信息分析能够建立安全威胁词条向量模型,具有对安全威胁信息的机器学习和更新能力,大大提高网络威胁的态势感知能力和预警防控能力。

    一种网络威胁发现方法
    4.
    发明公开

    公开(公告)号:CN109698823A

    公开(公告)日:2019-04-30

    申请号:CN201811445131.5

    申请日:2018-11-29

    IPC分类号: H04L29/06

    摘要: 本发明公开了一种网络威胁发现方法,包括的步骤有漏洞信息监控、情报信息分析和异常信息捕获。其中,通过漏洞信息监控实现对公开的网络漏洞发布信息进行常态化监控,通过情报信息分析对潜在的隐含在情报文本的新型威胁信息进行分类和预警,通过异常信息捕获则实现对Web异常行为进行网络威胁的捕获和预警。本发明提供的网络威胁发现方法有效实现了从多种渠道进行网络威胁预警,特别是通过情报信息分析能够建立安全威胁词条向量模型,具有对安全威胁信息的机器学习和更新能力,大大提高网络威胁的态势感知能力和预警防控能力。

    一种基于因果学习的APT攻击异常检测方法

    公开(公告)号:CN118101321A

    公开(公告)日:2024-05-28

    申请号:CN202410432789.1

    申请日:2024-04-11

    IPC分类号: H04L9/40

    摘要: 随着互联网技术的广泛应用,针对高级可持续性网络攻击异常检测技术中的基于图的异常检测技术困难点:序列构建难、攻击特征自动识别难。本发明提供了一种基于因果图的APT攻击异常检测方法,通过审计日志的事件数据,使用频率统计定义因果图中的路径列表和异常路径,并通过优化因果图以降低日志的复杂性,在优化的因果图基础上抽象出非攻击序列样本和攻击序列(异常)样本并选择性采样,再平衡后的样本输入到基于Highway Network的卷积神经网络模型中学习样本特征。训练后的模型实现APT攻击的异常检测任务。本发明提供的方法有助于APT攻击的检测,有助于网络攻击取证和推理,且通过构建因果图获得精确的序列和模型不会给正运行的系统带来额外开销。