检索结果-南通市图书馆

在线全文

学校读者我要写书评

暂无评论

恶意流量检测模型设计与实现

信息网络安全 2024年第4期24卷 520-533页

作者：屠晓涵张传浩刘孟然郑州警察学院网络安全与智慧警务学院郑州450053 北京铁路公安局天津公安处天津300100

随着网络攻击手段的日益精进和多样化,传统安全防护面临准确识别恶意流量困难的挑战。文章针对恶意流量检测中常见的无效特征众多、数据不平衡以及攻击手段复杂化等问题,开发了一种较高效的检测方法。首先,文章提出一种数据清洗和均衡... 详细信息

随着网络攻击手段的日益精进和多样化,传统安全防护面临准确识别恶意流量困难的挑战。文章针对恶意流量检测中常见的无效特征众多、数据不平衡以及攻击手段复杂化等问题,开发了一种较高效的检测方法。首先,文章提出一种数据清洗和均衡化方法,能够提升流量特征数据的质量和有效性;然后,文章结合简单循环神经网络(Recurrent Neural Network,RNN)与多头注意力机制,使检测模型能够更精确处理序列数据,有效捕捉和识别各类信息及其依赖关系,大幅提升特征提取的准确度;最后,文章利用集成学习、深度学习和机器学习的优势,使检测模型能够在有限的样本上高效学习,并快速适应不同的网络特征。实验结果表明,该方法在多个公共数据集上展现了较好的检测性能。

关键词：恶意流量检测 RNN 特征提取集成学习

在线全文

学校读者我要写书评

暂无评论

面向后渗透攻击行为的网络恶意流量检测研究

计算机工程 2024年第5期50卷 128-138页

作者：梁松林林伟王珏杨庆信息工程大学网络空间安全学院河南郑州450001

现有的后渗透行为研究主要针对主机端进行攻击与防御反制,缺乏对流量侧的模式分析与检测方法。随着后渗透攻击框架与攻击工具的快速发展与广泛使用,基于统计特征或原始流量输入的恶意流量检测模型难以应对复杂多变场景下的后渗透攻击行... 详细信息

现有的后渗透行为研究主要针对主机端进行攻击与防御反制,缺乏对流量侧的模式分析与检测方法。随着后渗透攻击框架与攻击工具的快速发展与广泛使用,基于统计特征或原始流量输入的恶意流量检测模型难以应对复杂多变场景下的后渗透攻击行为恶意流量,存在泛化能力弱、检测精度低、误报率高等问题。通过深入分析后渗透攻击恶意流量样本与正常网络流量会话流,提出后渗透攻击恶意流量的会话流级别粒度划分方法,挖掘后渗透攻击恶意流量在时间尺度上的交互行为与语义表示。引入一种基于马尔可夫模型的时间向量特征提取方法表征流序列的行为相似度,对会话流进行全局行为建模,解决单一粒度特征学习能力不足的问题,进而构建基于多粒度特征融合的后渗透攻击恶意流量检测框架。实验结果表明,该方法在后渗透攻击行为恶意流量多分类检测任务上达到了99.98%的准确率,具有较高的分类准确性与较低的误报率。

关键词：后渗透攻击流量分析多特征融合特征提取恶意流量检测

同方期刊数据库

在线全文

学校读者我要写书评

暂无评论

基于半监督联邦学习的恶意流量检测模型

计算机应用 2024年

作者：张帅华张淑芬周明川徐超陈学斌唐山市数据科学重点实验室(华北理工大学) 华北理工大学理学院唐山市大数据安全与智能计算重点实验室(华北理工大学) 河北省数据科学与应用重点实验室(华北理工大学)

恶意流量检测是解决网络安全挑战的关键技术之一。针对采用联邦学习进行恶意流量检测时，本地标记数据不足，非独立同分布(non-IID)导致协同训练模型性能下降的问题，构建一种基于半监督联邦学习的恶意流量检测模型。所提模型借助伪标... 详细信息

恶意流量检测是解决网络安全挑战的关键技术之一。针对采用联邦学习进行恶意流量检测时，本地标记数据不足，非独立同分布(non-IID)导致协同训练模型性能下降的问题，构建一种基于半监督联邦学习的恶意流量检测模型。所提模型借助伪标记和一致性正则化项的半监督学习技术，有效地从未标记数据中提取信息进行训练；同时，设计一种非线性函数，用于动态调整客户端本地有监督和无监督损失聚合时的权重，以充分利用未标记数据，提高模型的准确性。为降低non-IID问题对全局模型性能的影响，提出一种联邦聚合算法FedLD(Federated-Loss-Data)，通过结合训练损失和数据量的权重计算方法，自适应地调整全局模型聚合过程中各客户端模型的权重。实验结果表明，在NSL-KDD数据集上，所提模型在标记数据有限的情况下能够实现较高的检测精度，与基线模型FedSem(FederatedSemi-supervised)相比，检测准确率提升了4.11个百分点，在Normal、DoS和Probe等类别上的召回率也提升了1.65～7.66个百分点，更适合应用于恶意流量检测领域。

关键词：联邦学习半监督学习恶意流量检测一致性正则化动态聚合权重

物联网恶意流量检测下基于改进Apriori算法的关联数据回溯分析

在线全文

同方期刊数据库

学校读者我要写书评

暂无评论

自动化与仪器仪表 2024年第1期 52-55页

作者：陈钊渊吴优张娜马超王国仕罗林波海南电网有限责任公司信息通信分公司海口570203

针对物联网恶意流量检测及关联数据回溯的重要性,研究利用Apriori算法进行关联规则挖掘,并对Apriori算法的不足进行改进,构建恶意流量检测和关联数据回溯模块。对算法及模块性能进行分析测试,结果表明,当事务库很大时,改进的Apriori算... 详细信息

针对物联网恶意流量检测及关联数据回溯的重要性,研究利用Apriori算法进行关联规则挖掘,并对Apriori算法的不足进行改进,构建恶意流量检测和关联数据回溯模块。对算法及模块性能进行分析测试,结果表明,当事务库很大时,改进的Apriori算法执行时间明显少于传统的Apriori算法;当事务库数量为1 000个时,前者比后者快30.3 s。随着事务库数量的增大,改进Apriori算法的效率明显优于经典Apriori算法的效率。研究方法构建的系统,具有较高的检测率和较低的误检率,其中远程命令控制具有最高的检测率和最低的误检率,分别为90.60%、5.7%。且可以对部分恶意行为进行关联数据回溯分析。说明研究中的物联网恶意流量检测和关联数据回溯对保护物联网健康发展具有较好的作用。

关键词：物联网恶意流量检测 Apriori算法关联数据回溯

面向6G流量监控:基于图神经网络的加密恶意流量检测方法

在线全文

学校读者我要写书评

暂无评论

中国科学：信息科学 2022年第2期52卷 270-286页

作者：赵键锦李祺刘胜利杨彦青洪岳平北京邮电大学网络空间安全学院北京100876 移动互联网安全技术国家工程实验室北京100876 数学工程与先进计算国家重点实验室郑州450001

6G作为下一代移动通信技术演进的重要方向,将全面推动经济社会数字化浪潮.6G网络承载的众多业务将依赖于实体间共享和协同处理海量的数据,数据安全显得尤为重要.当前多数网络应用都会使用SSL/TLS加密协议来保障网络通信的机密性与安全性... 详细信息

6G作为下一代移动通信技术演进的重要方向,将全面推动经济社会数字化浪潮.6G网络承载的众多业务将依赖于实体间共享和协同处理海量的数据,数据安全显得尤为重要.当前多数网络应用都会使用SSL/TLS加密协议来保障网络通信的机密性与安全性.然而,加密机制在保障数据安全的同时也给网络安全监管带来了巨大的挑战.尽管针对传统网络的加密恶意流量检测已成为研究热点,但现有技术无法直接应用于6G网络.在海量异构终端即时、无限制通信的6G网络中,网络通信行为模式更加多样化,这使得正常流量与恶意流量的边界相较于传统网络更加模糊,深入分析并利用网络服务相关性与通信行为相关性对加密恶意流量检测有着重要的价值.然而,现有研究不管是对加密流量进行孤立分析还是聚合分析,都忽略了加密流量间丰富的相关关系.为此,我们面向未来6G网络的网络安全问题提出了基于图神经网络的加密恶意流量检测方法ET-RSGAT.首先,针对6G网络超高速率、超大连接的特点,我们设计了便捷的加密流量特征提取方法:为单条加密会话提取其TLS握手原始字节、TLS记录长度序列等特征表示;其次,考虑到6G网络中海量异构终端互联、多源异质数据共存,我们从网络服务相关性和通信行为相关性这两个方面分析加密会话之间的相关关系,并构建加密流量图ETG.在ETG的基础上,我们引入图注意力网络,充分利用相关关系来丰富节点的特征表示.在更加丰富的节点特征表示的基础上,我们基于多层感知器构建检测模型来识别威胁.考虑到当前6G网络的仿真环境不成熟,我们针对6G网络海量异构终端互联的特点,部署多种异构终端节点并运行各类网络服务来模拟6G通信场景并设计了相关实验对本方法进行了评价.实验结果表明,本方法能够同时在传统网络与模拟环境数据集中取得令人满意的检测结果.

关键词： 6G 恶意流量检测加密流量图神经网络注意力机制

在线全文

学校读者我要写书评

暂无评论

基于多模型并行融合网络的恶意流量检测方法

计算机应用 2023年第S2期43卷 122-129页

作者：李向军王俊洪王诗璐陈金霞孙纪涛王建辉南昌大学软件学院南昌330046 南昌大学数学与计算机学院南昌330031

针对单一串行深度学习检测模型提取流量特征时无法完整反映原始流量信息,且恶意流量识别精度低的问题,设计多模型并行融合网络,提出一种基于多模型并行融合网络的恶意流量检测方法。所提方法采用并行方式,融合一维卷积神经网络(1D-CNN)... 详细信息

针对单一串行深度学习检测模型提取流量特征时无法完整反映原始流量信息,且恶意流量识别精度低的问题,设计多模型并行融合网络,提出一种基于多模型并行融合网络的恶意流量检测方法。所提方法采用并行方式,融合一维卷积神经网络(1D-CNN)与双向长短期记忆(Bi-LSTM)网络进行特征提取和流量识别,各条支路均直接面向原始流量,同时提取流量的空间特征与时序特征,采用共同的全连接层进行特征融合,可更精准地反映原始流量信息并有效提高恶意流量的识别准确率。在开源NSL-KDD数据集上的实验结果表明,所提方法恶意流量检测的特征提取能力、鲁棒性以及在线学习能力等方面均表现了优越的性能。

关键词：恶意流量检测深度学习多模型并行融合卷积神经网络双向长短期记忆网络

基于联邦学习的物联网恶意流量检测方法的研究

在线全文

学校读者我要写书评

暂无评论

基于联邦学习的物联网恶意流量检测方法的研究

作者：王文月济南大学

学位级别：硕士

在疫情催化之下,云计算市场呈爆发之势,同时也使物联网技术得到了飞速发展,物联网终端设备逐渐被广泛部署于智慧家庭、智慧农业等应用场景中。与此同时,针对物联网设备的网络攻击也在不断增加,严重威胁着人们的财产和隐私安全。而网络... 详细信息

在疫情催化之下,云计算市场呈爆发之势,同时也使物联网技术得到了飞速发展,物联网终端设备逐渐被广泛部署于智慧家庭、智慧农业等应用场景中。与此同时,针对物联网设备的网络攻击也在不断增加,严重威胁着人们的财产和隐私安全。而网络流量作为用户与设备之间行为的载体,越来越多地被研究者用于检测恶意网络攻击行为。随着国家隐私安全保护条例的颁布以及信息时代人们对于自身隐私信息保护意识的觉醒,对于涉及用户隐私的数据,其保护需求也在不断增加。而网络流量数据中包含着大量的个人隐私信息,若将数据收集到服务端,通过集中式的方式进行恶意流量检测模型的训练,会涉及到侵犯用户隐私的风险。如何在遵守更加严格的隐私保护条例、保护用户个人隐私的情况下进行物联网恶意流量检测是该领域目前面临的首要问题。基于此目的,本文首先建立了基于联邦学习的物联网恶意流量检测算法,并与其他机器学习算法进行了综合分析。其次,本文探究了将传统的联邦学习算法直接应用于物联网恶意流量检测会存在的三方面问题。一方面,传统的联邦学习算法需要每个客户端使用相同架构的模型,然而由于在实际场景中各个客户端的数据分布不同,协商一致的模型架构可能会对某些客户端不适用,从而造成性能损失。另一方面,由于目前缺乏足够的先验知识和数据类别标注标准,手动标注的任务较大,成本较高,因此部分客户端无法对本地数据进行标注,这部分客户端也无法加入联邦训练。此外,现有的网络场景中的联邦学习方法都是在一个静态的场景中构建的,无法解决实际场景中网络流量持续到来时产生的概念漂移及数据漂移问题。因此,本文从以上问题出发,开展了以下三方面研究工作。(1)针对基于传统机器学习的物联网恶意流量检测中的隐私泄露问题,提出了基于联邦学习的物联网恶意流量检测算法,并基于真实物联网数据集进行了全面分析,证实了联邦学习应用于物联网恶意流量检测的有效性。(2)针对传统联邦学习中无法实现异构性训练及无监督客户端无法加入协同训练问题,提出了一种基于知识蒸馏的半监督联邦学习算法,通过该算法由多个客户端协同训练高质量的恶意流量检测模型,同时通过将全局模型保存至客户端与本地模型互相训练,解决了客户端无法建立异构模型的问题。基于真实的物联网网络流量数据集进行的多组实验结果表明,本文提出的方法为半监督联邦学习算法以及半监督恶意流量检测算法提供了新的研究思路。(3)首次定义了网络流量场景中的联邦持续学习问题,并针对该问题提出了一种个性化可持续联邦学习算法,通过在服务端以客户端模型之间的相似度作为聚合权重为每个客户端聚合个性化模型,有效地利用了具有非独立同分布的客户端之间的相似性。最终实验表明,该方法能够使客户端最大限度地学习其他客户端的知识,缓解了在持续学习过程中的灾难性遗忘问题。综上所述,本文针对基于联邦学习的物联网恶意流量检测问题提出了有效的解决方案,并通过实验证明了本文所提方法的有效性,对于推进物联网恶意流量检测领域发展具有一定的理论意义和应用价值。

关键词：物联网网络流量恶意流量检测联邦学习

同方学位论文库评论

在线全文

同方学位论文库

学校读者我要写书评

暂无评论

基于图像处理的恶意流量检测研究

基于图像处理的恶意流量检测研究

作者：陈章海南大学

学位级别：硕士

网络技术的不断更新迭代,使得用户可以更方便地使用网络,但由此也产生大量的网络安全隐患问题。恶意流量检测技术,作为一种积极主动的防御手段,相较于传统防御技术而言,能表现出更好的防御效果。近年来,研究人员也提出了多种恶意流量检... 详细信息

网络技术的不断更新迭代,使得用户可以更方便地使用网络,但由此也产生大量的网络安全隐患问题。恶意流量检测技术,作为一种积极主动的防御手段,相较于传统防御技术而言,能表现出更好的防御效果。近年来,研究人员也提出了多种恶意流量检测模型,但目前主流的恶意流量检测技术大都是结合特征工程使用,而特征工程依赖人工知识,这也使得这些技术检测效率较低。同时,在进行特征工程的过程中,会丢失一部分流量数据的特征信息,导致这些模型检测性能较低。因此,研究一种更准确、更高效的恶意流量检测技术就显得尤为重要。深度学习作为机器学习的一个分支,其在图像处理方面表现良好,并且深度学习在对图像进行处理时,可以自动提取图像中的特征信息。因此,将图像处理与恶意流量检测技术进行结合,可以有效解决现有特征工程带来的问题。本文利用了深度学习在图像处理方面的优势,展开了对恶意流量检测问题的研究,主要工作如下:(1)针对现有恶意流量检测模型依赖特征工程的问题,本文提出了一种基于图像处理的方法(Original Traffic Detection-CNN,OTD-CNN)。该方法利用图像保存流量特征,将流量数据通过预处理转换为灰度图像,并使用卷积神经网络对其进行分类,实现了将流量检测问题转换为图像分类问题。该方法充分利用了卷积神经网络在图像分类方面的优势,无需采用特征工程对流量数据进行处理。在CIC-IDS-2017数据集上的实验结果显示,检测准确率达96.68%,F1值达96.80%,检测性能优于现有模型。(2)针对特征选择过程中存在的信息丢失问题,本文设计了一种分层网络结构模型(Hierarchical Spatial and Temporal feature learning network,HSTN),该模型结合了卷积神经网络和长短时记忆神经网络的优点,能够充分学习流量数据中的空间特征和时间特征,从而能够获得更多的特征信息,有效避免了特征选择过程中的信息丢失。该模型在两个数据集CIC-IDS-2017和CTU-13上进行了实验,结果表明,分类准确率达98.75%和98.66%,相较现有模型性能提升了约4%,在检测性能方面有较大提高。同时,特征重要性分析的实验表明,HSTN模型在检测过程中能够利用到一些不常用的特征,这也说明了HSTN模型相较于现有模型可以更充分地学习流量数据的特征信息。

关键词：恶意流量检测深度分层网络端到端学习深度学习

基于机器学习和边缘计算的边缘设备恶意流量检测

同方学位论文库评论

在线全文

同方学位论文库

学校读者我要写书评

暂无评论

基于机器学习和边缘计算的边缘设备恶意流量检测

作者：邓楚盟北京邮电大学

学位级别：硕士

近年来随着5G网络、wifi6等高带宽低延迟的通信技术进步与普及,物联网相关产业也进入高速发展期。各领域设备诸如工控设备、医疗传感器、智能汽车和智能家居等边缘设备,逐渐接入互联网,影响着各行各业,极大提高了产业生产效率,改善了人... 详细信息

近年来随着5G网络、wifi6等高带宽低延迟的通信技术进步与普及,物联网相关产业也进入高速发展期。各领域设备诸如工控设备、医疗传感器、智能汽车和智能家居等边缘设备,逐渐接入互联网,影响着各行各业,极大提高了产业生产效率,改善了人们生活质量。但其存在的安全隐患也逐渐暴露于众。传统恶意流量检测,主要部署在上游网络的网关,由设备统一进行检测与预警,而针对边缘设备的攻击主要发生在小型局域网、近源攻击、内网蠕虫传播等场景,其内部行为和状态无法被相关系统完整捕捉。上游网络的入侵检测、恶意流量检测系统在实时性方面也存在欠缺,边缘设备间的攻击行为不能快速响应。同时现有的基于神经网络的流量检测结构较为复杂,所需内存资源、算力资源较多,而边缘设备多为物联网设备,其处理器不具备相关处理能力。基于常见流量检测系统存在的以上几点不足,本课题提出了基于机器学习和边缘计算的边缘设备恶意流量检测系统,将恶意流量检测系统部署在路由器、摄像头、智能家居等边缘设备,使用低复杂度的流量特征提取方法和轻量化的异常检测方案,同时充分利用边缘设备优势,在模型训练时引入联邦学习以加速训练、提高准确度。实验结果表示,即使在低端型号的路由器、树莓派等低算力设备上,本方案也实现了较低的资源占用和高准确率。

关键词：恶意流量检测边缘计算物联网联邦学习