基于请求混淆的渗透测试方法、系统、装置及存储介质

    公开(公告)号:CN118138300A

    公开(公告)日:2024-06-04

    申请号:CN202410242657.2

    申请日:2024-03-04

    申请人: 广州大学

    IPC分类号: H04L9/40

    摘要: 本发明公开了一种基于请求混淆的渗透测试方法、系统、装置及存储介质,包括:获取客户端的第一渗透测试请求,对第一渗透测试请求进行请求混淆,得到第二渗透测试请求,进而将第二渗透测试请求发送至代理服务器;通过代理服务器接收第二渗透测试请求,并根据第二渗透测试请求确定请求协议和目标服务器;通过代理服务器对第二渗透测试请求进行流量打盹,并向目标服务器发送预设的无效数据包;通过代理服务器根据请求协议确定目标代理模式,进而根据目标代理模式将第二渗透测试请求转发至目标服务器。本发明有效地增强了渗透测试的隐蔽性,降低了安全产品对渗透测试的拦截影响,保证了渗透测试的稳定进行,可广泛应用于渗透测试技术领域。

    一种基于大语言模型的蜜罐日志分析方法、系统及介质

    公开(公告)号:CN118113678A

    公开(公告)日:2024-05-31

    申请号:CN202410133633.3

    申请日:2024-01-30

    申请人: 广州大学

    摘要: 本申请公开了一种基于大语言模型的蜜罐日志分析方法、系统及介质,方法包括:基于蜜罐技术获取目标系统的日志数据;对日志数据进行清洗处理,基于清洗处理后的日志数据构建向量索引库;响应于目标对象的输入文本,从向量索引库匹配获得目标日志条目;基于目标日志条目,通过预设模板整理得到提示文本;将提示文本输入预训练的语言模型进行回答响应,得到回答内容。本申请利用蜜罐技术精准收集相关日志数据,并利用大语言模型技术准确的文本分析和评估能力,解决现有日志分析工具在准确性、实时处理效率、数据处理能力以及灵活性等方面的缺陷。本申请实施例能够准确进行日志分析,可广泛应用于数据处理技术领域。

    一种基于蜜庭代理的账号蜜点引流方法、系统及存储介质

    公开(公告)号:CN118018266A

    公开(公告)日:2024-05-10

    申请号:CN202410133488.9

    申请日:2024-01-30

    申请人: 广州大学

    IPC分类号: H04L9/40 H04L67/30

    摘要: 本发明公开了一种基于蜜庭代理的账号蜜点引流方法、系统及存储介质,账号蜜点引流方法包括:通过修改所述配置文件中的全局块导入预获取的黑名单文件,通过修改配置文件中的location块引入账号检测模块;接收用户访问流量,基于蜜庭确定用户访问流量对应的用户IP地址是否为黑名单IP地址,根据判断结果将用户访问流量转发至账号蜜点或对用户访问流量进行登陆操作检测,得到用户登陆请求;通过账号检测模块确定加密和非加密的用户登陆请求是否包含蜜点账号,进而根据账号检测结果将对应的用户访问流量转发至真实业务服务器或账号蜜点。本发明能够实现与真实业务服务器隔离,安全性高且误报率低,可广泛应用于网络安全技术领域。

    一种区块链网络DoS缓解策略和效果分析方法

    公开(公告)号:CN117997634A

    公开(公告)日:2024-05-07

    申请号:CN202410239594.5

    申请日:2024-03-02

    申请人: 广州大学

    摘要: 本发明公开了一种区块链网络DoS(简称BDoS)缓解策略和效果分析方法,涉及网络分析技术领域。对于受到BDoS攻击并瘫痪的系统,本发明为其中节点提供了除“遇到攻击就一直停止工作”外的另一种策略“暂停后继续”,暂停时间为节点挖到区块的正常时间。就缓解策略实现而言,建议将该缓解策略作为新的协议内容(即当发布的新区块仅有区块头,且正常出块时间后没有该区块头的完整区块发布时,节点继续工作),只要过半节点(算力)愿意升级,则说明通过了该新协议,本发明采用演化博弈的方式来建模区块链中节点之间的交互,降低对节点高理性的要求,能够反映节点选择某个策略占比随着时间的变化。

    一种协作学习过程中异构数据源的鉴定方法

    公开(公告)号:CN117851838A

    公开(公告)日:2024-04-09

    申请号:CN202410257971.8

    申请日:2024-03-07

    申请人: 广州大学

    摘要: 本发明公开了一种协作学习过程中异构数据源的鉴定方法,涉及数据源鉴定技术领域,每个参与者或设备在本地数据上独立训练模型,包括微调全局模型或完全在本地数据上训练模型,节点收到节点的模型后,将节点与节点的本地模型进行对比,并计算节点与节点相似度,分析模型相似度矩阵,表示该数据源异构,通过对比模型的相似度,构建相似度矩阵,并将该对称高维矩阵转化成对KDE算法友好的低维矩阵。然后利用交叉验证的方法,搜索相应的最优带宽设置,从而正确地预估模型的个数,最终快速判断数据源的异构性。该方法具有计算复杂度低,预测精度高等优点。