专利交易市场

本发明属于网络安全和机器学习技术领域，公开了一种基于随机游走和邻域重建的APT攻击检测方法，包括获取良性系统日志数据，并得到去噪溯源图；采用广度优先的随机游走策略，得到游走路径，采用基于神经网络的无监督学习算法学习游走路径，获得去噪溯源图中每个节点的嵌入向量；获取基于编码器和解码器的邻域重建模型，将节点的嵌入向量输入邻域重建模型，根据邻域重建模型的输出计算每个节点的节点属性重建损失、边分布重建损失和邻居分布重建损失；组合得到节点的总重建损失，根据总重建损失更新优化邻域重建模型。本发明有效应对复杂网络攻击场景，显著提升网络安全预防的效率和能力。

一种基于元路径学习与子图采样的APT网络攻击检测方法，包括以下步骤：1)基于日志数据的异质图构建：定义系统日志数据中涉及的系统行为，在此基础上构建表示系统行为的异质图；2)元路径定义与元路径学习：定义异质图中的元路径，在此基础上基于元路径进行节点序列采样和节点嵌入学习；3)基于子图采样的检测模型构建：从异质图中采样出表示待检测元素的子图，在此基础上采用子图进行网络攻击检测。本发明基于系统日志数据进行APT网络攻击监测，便于发现网络攻击对系统的真实破坏行为；采用异质图进行建模，能够表示复杂的系统行为；采用子图采样构建检测模型，能够一定程度克服APT网络攻击行为的潜伏性。

基于长短期记忆和注意力模型的分布式拒绝服务攻击检测方法，该方法针对网络中的分布式拒绝服务攻击进行检测，整体分为以下步骤：构建面向分布式拒绝服务攻击问题的检测模型，使用有效的流量特征提取方法，且采用了结合设备监控报警的方式，在对流量异常活动产生报警的同时，不仅能对输入的数据包进行及时的判断，而且能在受到攻击时指出具体的DDoS攻击种类，为异常流量的清洗过滤的流量过滤规则的设计提供了更多有效的信息。此外，由于交换机可以对全部经过该设备的数据包进行抓取，因此可以实现部署一个检测主机就可以检测多个设备的效果，有效地节省了部署检测模型的成本开销。

本发明公开了基于高斯混合隐马尔可夫及迁移学习的多阶段攻击检测算法，属于网络安全技术领域，首先用GMM在高维空间将警报数据进行聚类，从混合警报中聚类出真正的威胁警报，结合HMM，充分考虑MSA的连续性各阶段独特的警报特征以及阶段之间的转换信息，解决复杂的MSA使得模型对警报特征的学习不全面问题；其次使用训练模型参数的优化Baum‑Welch算法和优化Viterbi算法，解决传统HMM在面对复杂多阶段攻击时的识别和预测问题提高模型的性能；最后使用改进的TL方法对GMM‑HMM模型参数进行微调，在训练算法中加入KL散度作为惩罚项来缩小源域和目标域之间的分布差异，从而更好地解决了TL过程中的偏差问题。

本发明公开了一种基于全对称多胞形理论的攻击检测与修正方法，不仅可以检测到攻击的存在，而且基于存在攻击时误差均方误差以及攻击检测率的计算，可实现攻击后数据的修正，在保证检测攻击准确性的同时，还有效解决系统的参数不确定等问题，该方法能够同时适用于拒绝服务攻击、重放攻击和假数据攻击的检测问题，具有很高的应用价值；该方法具有方法简单、易行，检测结果准确等优点。

本发明属于网络安全技术领域；涉及一种内容中心网络中检测兴趣包泛洪攻击的方法及系统，所述方法包括以下步骤：统计出关于兴趣包内容名称前缀的概率分布模型；根据统计值计算出路由器的信息熵；将信息熵与给定阈值进行比较，然后计算熵率；本发明设计的兴趣包泛洪攻击检测方案考虑了合法突发流与攻击流的熵率变化差异，在保证尽早检测出攻击的前提下，对合法用户的突发流和攻击者的攻击流进行了本质的区分，从而有效地减少了对合法用户的误判。

本发明公开了一种基于改进的Stacking策略的钓鱼网站检测方法，针对目前大多数钓鱼网站检测技术准确率低、计算资源消耗大和检测不及时等问题，通过将多个分类表现优异的基学习器通过Stacking策略集成为一个高性能模型，并且把该Stacking算法第一级的输入特征与预测结果同时作为第二级的输入特征，充分发挥各模型精度高、速度快等优势，从而进一步提高模型性能。实验结果表明，与传统的机器学习钓鱼网站检测技术相比，在10万级数据集上此集成学习算法在多个指标上都表现出更好的性能，其精确率达到了97.82％，F1值达到97.54％，可以有效的检测钓鱼网站。