专利交易市场

本发明公开了一种基于Snort和OpenFlow启发式诱导APT攻击引入蜜罐的方法，包括基于ATT&CK模型针对APT攻击的特征形成Snort规则；根据Snort规则采用Snort设备捕获待识别流量；将捕获的待识别流量传入OpenFlow交换机；基于OpenFlow交换机对传入的待识别流量进行识别区分为APT攻击流量或正常流量，并将所述APT攻击流量引入蜜罐。本发明主动将APT攻击引入蜜罐，提高对APT攻击的识别和处理速率。

本发明公开了一种面向渗透攻击的网络蜜罐部署方法，扫描自己的网络结构，生成属性攻击图并将其转化为含有渗透成功率信息的贝叶斯攻击图，将各个网络节点的渗透成功概率记录并保存。然后建立基于节点渗透成功概率的奖励函数，攻击者被蜜罐捕获会获得与渗透成功概率有关的奖励，成功率越高奖励值越高。蜜罐部署有一个基本的负奖励值，也就意味着无限制部署蜜罐并不会获得最大的收益。这样有效避免了本发明在每个路径都部署蜜罐导致维护成本较大。然后将攻击图中的节点、路径信息作为强化学习的输入，然后利用SARSA学习机制进行强化学习，依据环境给出收益最大的部署蜜罐的方案。

一种基于智能化渗透测试的奖励防御方法，包括：步骤1，通过对目标网络各个子网进行逐步渗透，发现其敏感主机所在位置并攻击；使用深度神经网络作为函数逼近器来生成状态动作值；通过对目标敏感主机进行漏洞利用、扫描、权限提取等操作进行渗透测试；步骤2，通过在目标网络部署蜜罐来保护敏感主机，利用强化学习QL算法获得最佳数量的蜜罐并且考虑防御者和攻击者的收益成本，并基于上述方法对防御效果进行验证；步骤3，通过在添加蜜罐主机的目标网络中分别设置不同奖励值的防火墙，在蜜罐主机子网中设置高奖励值的防火墙诱使攻击者掉入蜜罐主机中，并在包含敏感主机子网中设置低奖励值的防火墙来保护敏感主机不被攻击从而达到更好的防御效果。

本发明公开了一种基于深度强化学习的攻击树蜜罐部署防御方法与装置，所述方法包括获取网络拓扑信息，并依次构建攻击树；将卷积神经网络与Q‑Learning算法结合以创建DQN模型，基于DQN模型训练智能体,其中所述智能体作为渗透攻击方，训练目标为生成当前最优渗透攻击路径；根据当前最优渗透攻击路径，将当前最优攻击路径所经历的所有节点均作为可能受到攻击的节点，通过监测每个可能受到攻击的节点的流量变化情况，确定易受攻击的节点；计算每个易受攻击的节点对应的攻击漏洞的难度；依据易受攻击的节点的流量变化情况和攻击漏洞的难度从而得到攻击概率最大的节点，并在该节点部署蜜罐；并不断更新蜜罐的部署，引诱使攻击者陷入部署好的蜜罐，从而完成防御。

本申请涉及信息安全领域，本申请公开了一种基于蜜罐系统的恶意用户的识别的方法及相关设备，所述方法包括：模拟以太坊服务器，生成蜜罐服务器，将所述蜜罐服务器与所述区块链公链保持同步；获取用户对所述蜜罐服务器的访问请求，根据所述访问请求对所述用户进行安全分级，并根据所述用户的安全级别反馈信息；跟踪所述恶意用户在所述蜜罐服务器中的的访问轨迹，查询所述恶意用户的历史访问记录，并根据所述访问轨迹及所述历史访问记录对所述恶意用户进行锁定。本申请通过模拟以太坊服务器，在蜜罐服务器上对访问用户进行识别及安全分级，并根据访问用户的安全级别反馈信息，可以有效的识别恶意用户，保障系统安全。

本发明公开了一种基于虚拟交换的防止蜜罐被控成为跳板机的方法，利用SDN控制器，通过OpenFlow协议与Openswitch交换机进行交互，按照规则定义流表项，将所有进入交换机的报文根据流表匹配交换机流表项中的源MAC地址，判断报文的合法/非法性，根据MAC地址判断出的合法的报文再根据流表匹配交换机流表项中的源IP，继续判断报文的合法/非法性，最终将报文转至蜜罐中。本发明基于OpenFlow协议，在协议中对经过交换机的报文进行判断，将判断出的非法报文转至蜜罐，将所有的攻击局限在蜜罐范围内，再对经过蜜罐的报文进行定期清洗，防止蜜罐被控成为跳板机侵入真实的服务器中，保证了网络系统的安全性。