-
公开(公告)号：CN116032557B
公开(公告)日：2024-07-02
申请号：CN202211606695.9
申请日：2022-12-13
IPC: H04L9/40 , H04L41/14 , H04L41/082 , G06N20/00
Abstract: 本发明公开了一种网络安全异常检测中深度学习模型的更新方法与装置，该方法包括：对不同网络安全场景的样本数据进行特征提取得到高维特征向量；输入至异常检测模型得到模型输入样本异常度值的原始输出值，对校正后的原始输出值进行漂移检测得到基于置信度的漂移检测结果；通过计算优化目标函数得到引起网络安全数据分布发生变化的漂移样本；利用漂移样本对异常检测模型进行模型重训练，通过计算模型重训练时的损失函数以优化模型参数权重，并基于优化后的模型参数权重以得到训练好的异常检测模型。本发明能准确的检测出分布的漂移，降低标注样本带来的人力开销，在拟合新环境的代表性样本的同时保证不会遗忘原有模型中的有效知识。
-
公开(公告)号：CN116032557A
公开(公告)日：2023-04-28
申请号：CN202211606695.9
申请日：2022-12-13
IPC: H04L9/40 , H04L41/14 , H04L41/082 , G06N20/00
Abstract: 本发明公开了一种网络安全异常检测中深度学习模型的更新方法与装置，该方法包括：对不同网络安全场景的样本数据进行特征提取得到高维特征向量；输入至异常检测模型得到模型输入样本异常度值的原始输出值，对校正后的原始输出值进行漂移检测得到基于置信度的漂移检测结果；通过计算优化目标函数得到引起网络安全数据分布发生变化的漂移样本；利用漂移样本对异常检测模型进行模型重训练，通过计算模型重训练时的损失函数以优化模型参数权重，并基于优化后的模型参数权重以得到训练好的异常检测模型。本发明能准确的检测出分布的漂移，降低标注样本带来的人力开销，在拟合新环境的代表性样本的同时保证不会遗忘原有模型中的有效知识。
-
公开(公告)号：CN116170200A
公开(公告)日：2023-05-26
申请号：CN202310127049.2
申请日：2023-02-16
IPC: H04L9/40 , G06F11/07 , G06F11/30 , G06N3/0442
Abstract: 本发明涉及一种电力监控系统时间序列异常检测方法、系统、设备及存储介质，该方法包括以下步骤：步骤S1、获取待检测设备运行的日志数据；步骤S2、采用预训练的基于事件门的长短期记忆神经网络LSTM提取预处理后日志数据的时间序列特征，输出整段序列的特征中心点c；步骤S3、基于当前时间序列的特征中心点c，采用异常检测器根据特征空间中的距离量度对当前时间序列进行异常检测；其中，所述特征空间为采用正常设备的运行日志数据对基于事件门的长短期记忆神经网络LSTM进行预训练所得的特征空间。与现有技术相比，本发明具有检测精度高的优点。
-
公开(公告)号：CN119397537A
公开(公告)日：2025-02-07
申请号：CN202411212246.5
申请日：2024-08-30
Applicant: 清华大学
IPC: G06F21/57
Abstract: 本发明公开了一种基于样本分析识别内存中缓解Spectre漏洞攻击的retpoline代码的方法，该方法包括：对预设的retpoline内存代码片段进行代码数据分析以从头到尾扫描二进制代码特征得到预设的第一指令的扫描结果；基于扫描结果判断第一指令后的指令是否为预设的第二指令；若是，根据CPU指令系统定义的规则分别取出第一指令mov的第一函数地址和第二指令jmp或call的第二函数地址，比较第一函数地址和第二函数地址是否相等；若相等，识别内存代码片段中有retpoline代码，并输出内存代码片段的retpoline代码识别结果。本发明可以判断对应内存代码是否具有CPU Spectre漏洞缓解机制，标示该样本程序具有抵御Spectre漏洞攻击的能力。
-
公开(公告)号：CN115913616B
公开(公告)日：2024-12-24
申请号：CN202211163410.9
申请日：2022-09-23
Applicant: 清华大学
IPC: H04L9/40 , G06F18/241 , G06F18/2431 , G06F18/2451 , G06F18/25 , G06N3/0455 , G06N3/0895
Abstract: 本申请提出了一种基于异构图异常链路发现的横向移动攻击检测方法及装置，涉及网络安全技术领域，包括：获取日志信息，根据日志信息确定网络实体，构建异构用户认证图，其中，异构用户认证图包括网络实体以及网络实体之间的关系；根据基于元路径的随机游走邻居节点采样策略处理异构用户认证图，确定邻居节点集合；根据元路径注意力机制对邻居节点集合进行特征聚合，获取登入链路的表征向量；计算表征向量的相对重构误差，根据相对重构误差识别登入链路。本发明基于元路径的随机游走邻居节点采样策略与注意力机制处理节点与节点间关联，根据相对重构误差自动完成横向移动识别，无需人工设置异常检测阈值，易在实际网络场景中部署实现，提高效率。
-
Patent Agency Ranking
公开(公告)号：CN118264530A
公开(公告)日：2024-06-28
申请号：CN202410320611.8
申请日：2024-03-20
Applicant: 清华大学
IPC: H04L41/0604 , H04L9/40 , H04L41/16 , G06N3/042 , G06N3/088 , G06F18/2433 , G06F18/243 , G06N5/01
Abstract: 本申请提出了一种自动化判定网络安全警报威胁等级的方法，涉及网络安全技术领域，其中，该方法包括：获取多源安全警报数据，对多源安全警报数据中的每个警报构建对应的告警子图，并基于所有告警子图构建告警知识图；基于告警知识图，使用基于图属性的子图学习方法对每个告警子图生成对应的告警子图向量；基于告警子图向量，采用半自动化和全自动化双模式协同分类的方法判断每个警报的威胁等级。采用上述方案的本发明能对多类型安全检测设备进行集中的警报过滤，提升警报分类准确度，降低网络安全运维人员的负担。
-
公开(公告)号：CN112270346B
公开(公告)日：2023-09-01
申请号：CN202011127566.2
申请日：2020-10-20
Applicant: 清华大学
IPC: G06F18/241 , G06F18/214 , G06N3/0464 , G06N3/0895
Abstract: 本发明公开了一种基于半监督学习的物联网设备识别方法及装置，该方法包括：获取待识别设备的流量信息，通过特征抽取得到所述待识别设备的原始特征；将所述原始特征输入卷积神经网络得到嵌入特征，将所述嵌入特征输入两个全连接层，根据所述两个全连接层的输出结果识别所述待识别设备类型。该方法解决了有监督机器学习方法需要大量标签的问题，设计了一种半监督学习的物联网设备识别方法，能够利用少量有标签数据在被动流量中达到较高的设备识别精度且能发现新的设备类型。
-
公开(公告)号：CN115086204B
公开(公告)日：2023-06-13
申请号：CN202210432294.X
申请日：2022-04-22
IPC: H04L43/12 , H04L43/0864 , H04L43/0829
Abstract: 本发明公开了一种Overlay网络高可靠多因子网络质量评估方法和装置，其中，该方法包括：探测阶段将目标Overlay网络链路的源节点记为A，目的节点记为B，分别做正向探测和反向探测得到往返时延和丢包率；聚合阶段将通过正向和反向探测的往返时延和丢包率进行聚合作为探测阶段链路质量；评价阶段通过链路质量计算公式对链路质量进行计算，根据计算结果进行链路质量评价，并根据提供链路的运营商因子修正链路质量评价的计算结果，以完成多因子网络质量测量与评价。本发明包含节点之间的正向探测和反向探测，考虑了设备故障的情况，探测结果会更加可靠。在评价链路质量过程中除了往返时延和丢包率外还结合了运营商因子，评价结果更符合真实链路质量。
-
公开(公告)号：CN115277464B
公开(公告)日：2023-06-02
申请号：CN202210520263.X
申请日：2022-05-13
IPC: H04L43/04 , H04L41/0631 , H04L41/16
Abstract: 本申请提出了一种基于多维时间序列分析的云网络变更流量异常检测方法，涉及数据分析技术领域，其中，该方法包括：将云网络变更流量处理为多维时间序列，并检测所述多维时间序列的每个时间维度中包含的突刺点；根据序列的每个时间维度中包含的突刺点对多维时间序列进行突刺平滑处理，得到目标时间序列；对目标时间序列的每个维度的数据进行异常检测，得到异常检测结果；对多维时间序列中的所有时间维度进行分类，根据分类结果对异常检测结果进行汇总，得到变更异常判别结果。采用上述方案的本申请能够提高异常检测准确率，进而更好地保证大规模云网络的稳定运行、提高云网络的服务质量。
-
公开(公告)号：CN115514620B
公开(公告)日：2023-03-10
申请号：CN202211427145.0
申请日：2022-11-15
IPC: H04L41/0631 , H04L67/10
Abstract: 本发明实施例提供了一种异常检测的方法和云网络平台，所述方法包括：获取在虚拟网络设备变更开始后采集的实时流量数据；在所述实时流量数据为具有时序特征的流量数据的情况下，将实时流量数据输入预先训练的数据模型，并根据实时流量数据和所述数据模型输出针对所述实时流量数据的重构结果，生成第一偏差数据；根据所述第一偏差数据和预先确定的异常数据阈值，生成异常检测结果。通过本发明实施例，实现了对虚拟网络设备变更导致网络流量异常的检测优化，能够满足大规模网络中对不同类型设备的通用性要求，有利于建立统一的网络变更管理平台，进而能够通过统一的网络变更管理平台实现对全网各类变更的虚拟网络设备进行统一的、自适应的异常检测。
-
-
-
-
-
-
-
-
-
Search Results
152
records
(took 0.048 seconds)
