一种基于复杂网络和图神经网络的僵尸网络检测方法

    公开(公告)号:CN113965393B

    公开(公告)日:2023-08-01

    申请号:CN202111254593.0

    申请日:2021-10-27

    摘要: 本发明公开了一种基于复杂网络和图神经网络的僵尸网络检测方法,解决了目前的方法通常需要具备较好的恶意脚本、恶意软件静态分析和动态分析能力,同时目前对于未知僵尸网络及相关僵尸网络变种检测能力不足的技术问题,本发明将流量解析数据转为图数据,通过复杂网络技术提取节点相关特征值,再以图神经网络构建模型学习数据中的属性信息和结构信息。该方法摆脱了以往基于机器学习的僵尸网络检测方法无法发现结构信息的弊端,以及单纯基于图神经网络而未对流量解析数据进行深入的特征工程而丢失结构信息的缺陷。本发明的方法可作为僵尸网络综合检测系统的重要组成部分,以提高未知僵尸网络及其变种的检测精确率。

    一种基于复杂网络和图神经网络的僵尸网络检测方法

    公开(公告)号:CN113965393A

    公开(公告)日:2022-01-21

    申请号:CN202111254593.0

    申请日:2021-10-27

    IPC分类号: H04L9/40 G06N3/04 G06K9/62

    摘要: 本发明公开了一种基于复杂网络和图神经网络的僵尸网络检测方法,解决了目前的方法通常需要具备较好的恶意脚本、恶意软件静态分析和动态分析能力,同时目前对于未知僵尸网络及相关僵尸网络变种检测能力不足的技术问题,本发明将流量解析数据转为图数据,通过复杂网络技术提取节点相关特征值,再以图神经网络构建模型学习数据中的属性信息和结构信息。该方法摆脱了以往基于机器学习的僵尸网络检测方法无法发现结构信息的弊端,以及单纯基于图神经网络而未对流量解析数据进行深入的特征工程而丢失结构信息的缺陷。本发明的方法可作为僵尸网络综合检测系统的重要组成部分,以提高未知僵尸网络及其变种的检测精确率。

    一种基于深度学习的恶意软件行为检测与分类系统

    公开(公告)号:CN113961922A

    公开(公告)日:2022-01-21

    申请号:CN202111254605.X

    申请日:2021-10-27

    摘要: 本发明公开了一种基于深度学习的恶意软件行为检测与分类系统,基于沙箱捕获的恶意软件动态行为数据,包含API调用序列特征工程和模型构建两大核心组成部分,其中特征工程部分摆脱了以往研究中只注重属性特征而忽视结构特征以及主要基于N‑gram采集属性特征进而缺乏语义理解能力的缺陷,模型构建部分利用集成学习思想构建综合检测与分类模型,子模型分别基于有监督学习、无监督学习和强化学习进行选择和设计,以实现对常规恶意软件高精确率检测和对未知APT恶意软件较高精确率检测;采用对抗训练的方法,将对抗攻击方法生成的对抗样本加入模型数据集,提高检测与分类模型抵御对抗样本攻击和鲁棒性的能力。

    一种加密硬盘隐藏区的RAID管理方法与系统

    公开(公告)号:CN117591021A

    公开(公告)日:2024-02-23

    申请号:CN202311560691.6

    申请日:2023-11-21

    IPC分类号: G06F3/06

    摘要: 本发明涉及一种加密硬盘隐藏区的RAID管理方法与系统,包括加密硬盘RAID管理系统识别加密硬盘隐藏区插入与恢复,包括:接收目标加密硬盘隐藏区发送的序列号;判断所述目标加密硬盘隐藏区是新的加密硬盘隐藏区或从故障恢复的原加密硬盘隐藏区;若是新的加密硬盘隐藏区,将目标加密硬盘隐藏区设定为JBOD,获取目标加密硬盘隐藏区可用空间,加密硬盘RAID管理系统将待写入的数据写入加密硬盘隐藏区;若是从故障恢复的原加密硬盘隐藏区,将目标加密硬盘隐藏区恢复至原配置,判断加密硬盘隐藏区是否为JBOD加密硬盘;本发明使无法被操作系统识别的加密硬盘隐藏区也能进行RAID构建,通过RAID提升读写效率,提供容错保护。

    一种基于告警语义的多步攻击检测模型预训练方法

    公开(公告)号:CN115719070A

    公开(公告)日:2023-02-28

    申请号:CN202211492686.1

    申请日:2022-11-25

    IPC分类号: G06F40/30 G06F18/214

    摘要: 本发明涉及多步攻击检测模型预训练领域,尤其涉及一种基于告警语义的多步攻击检测模型预训练方法,包括:利用离线告警序列得到告警描述嵌入向量;利用所述告警描述嵌入向量对多步攻击检测模型进行预训练处理,基于同一攻击阶段产生的告警具有较高语义相似度的思想,所提方法采用语义聚类对属于同一攻击阶段的告警进行聚合,然后将每个攻击阶段的告警向量隶属度转换为每个攻击阶段产生警报的概率,避免了模型陷入局部最优解的问题。