CN108494802A - 基于人工智能的关键信息基础设施安全威胁主动防御系统 - Google Patents

基于人工智能的关键信息基础设施安全威胁主动防御系统 Download PDF

Info

Publication number
CN108494802A
CN108494802A CN201810497271.0A CN201810497271A CN108494802A CN 108494802 A CN108494802 A CN 108494802A CN 201810497271 A CN201810497271 A CN 201810497271A CN 108494802 A CN108494802 A CN 108494802A
Authority
CN
China
Prior art keywords
network
network equipment
behavior
value
threat
Prior art date
Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
Pending
Application number
CN201810497271.0A
Other languages
English (en)
Inventor
谢铭
陈祖斌
翁小云
张鹏
袁勇
杭聪
马虹哲
黎新
黄俊杰
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Guangxi Power Grid Co Ltd
Original Assignee
Guangxi Power Grid Co Ltd
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by Guangxi Power Grid Co Ltd filed Critical Guangxi Power Grid Co Ltd
Priority to CN201810497271.0A priority Critical patent/CN108494802A/zh
Publication of CN108494802A publication Critical patent/CN108494802A/zh
Pending legal-status Critical Current

Links

Classifications

    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04L—TRANSMISSION OF DIGITAL INFORMATION, e.g. TELEGRAPHIC COMMUNICATION
    • H04L63/00—Network architectures or network communication protocols for network security
    • H04L63/14—Network architectures or network communication protocols for network security for detecting or protecting against malicious traffic
    • H04L63/1441—Countermeasures against malicious traffic
    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04L—TRANSMISSION OF DIGITAL INFORMATION, e.g. TELEGRAPHIC COMMUNICATION
    • H04L63/00—Network architectures or network communication protocols for network security
    • H04L63/20—Network architectures or network communication protocols for network security for managing network security; network security policies in general

Landscapes

  • Engineering & Computer Science (AREA)
  • Computer Security & Cryptography (AREA)
  • Computer Hardware Design (AREA)
  • Computing Systems (AREA)
  • General Engineering & Computer Science (AREA)
  • Computer Networks & Wireless Communication (AREA)
  • Signal Processing (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)

Abstract

本发明提供一种基于人工智能的关键信息基础设施安全威胁主动防御系统，该系统包括：数据采集模块，用于采集网络系统中网络检测数据；数据分析模块，用于对获取的网络检测数据进行分析处理，生成用于描述网络设备安全状态的态势信息；安全态势评估模块，用于根据数据分析模块的分析结果，评估当前网络设备的安全状态；主动防御模块，用于根据安全态势评估模块的评估结果确定防御等级，并依据防御等级采取相应的防御策略。本发明能够实现对网络系统中威胁行为的有效检测，根据网络设备的安全态势值确定不同的防御等级，进而实现对威胁行为的主动防御，提高了网络系统的安全性和稳定性。

Description

基于人工智能的关键信息基础设施安全威胁主动防御系统
技术领域
本发明涉及网络设备安全领域，特别是一种基于人工智能的关键信息基础设施安全威胁主动防御系统。
背景技术
随着计算机技术和Internet的迅速发展，和近几年网络安全事件的频繁发生，网络安全问题成为人们关注的交点。虽然现有网络系统中都设有安全防护设施，但还是会存在一些威胁事件躲过安全防护设备进而威胁网络安全。因此，如何防止威胁行为对网络设备的入侵，提高网络系统的防御能力，成为目前亟需解决的技术问题。
发明内容
针对上述问题，本发明旨在提供一种基于人工智能的关键信息基础设施安全威胁主动防御系统。
本发明的目的采用以下技术方案来实现：
基于人工智能的关键信息基础设施安全威胁主动防御系统，其特征是，包括：
数据采集模块，用于采集网络系统中网络检测数据，网络检测数据包括网络设备运行状况、网络行为信息和用户行为信息；
数据分析模块，用于对获取的网络检测数据进行分析处理，生成用于描述网络设备安全状态的态势信息；
安全态势评估模块，用于根据所述数据分析模块的分析结果，对网络系统的安全状态进行评估；
主动防御模块，用于根据安全态势评估模块的评估结果确定防御策略，进而对网络系统中的威胁行为进行主动防御。
有益效果：本发明提供了一种基于人工智能的关键信息基础设施安全威胁主动防御系统，本系统通过对关键信息基础设施的安全状态进行实时监控，实现了对整个网络系统的安全状态的监控。
通过采集网络检测数据，对网络设备的安全态势进行评估，进而得到网络系统的安全态势值，同时根据得到的安全态势值确定防御等级，进而采取相应的防御策略，该做法实现了对威胁行为的主动防御，提高了网络系统的安全性和稳定性。
附图说明
利用附图对本发明作进一步说明，但附图中的实施例不构成对本发明的任何限制，对于本领域的普通技术人员，在不付出创造性劳动的前提下，还可以根据以下附图获得其它的附图。
图1为本发明的框架结构图；
图2为本发明数据采集模块的框架结构图；
图3为本发明安全态势评估模块的框架结构图；
图4为本发明主动防御模块的框架结果图。
附图标记：
数据采集模块1；数据分析模块2；安全态势评估模块3；主动防御模块4；网络设备状态采集单元11；网络行为采集单元12；用户行为采集单元13；安全态势评估单元31；安全态势预测单元32；态势信息融合子单元310；威胁行为评估子单元311；威胁行为综合评估子单元312；深度学习单元41；防御策略生成单元41；防御策略执行单元43。
具体实施方式
结合以下应用场景对本发明作进一步描述。
参见图1，其示出一种基于人工智能的关键信息基础设施安全威胁主动防御系统，包括：
数据采集模块1，用于采集网络系统中网络检测数据，网络检测数据包括网络设备运行状况、网络行为信息和用户行为信息；
数据分析模块2，用于对获取的网络检测数据进行分析处理，生成用于描述网络设备安全状态的态势信息；
安全态势评估模块3，用于根据所述数据分析模块的分析结果，对网络系统的安全状态进行评估；
主动防御模块4，用于根据安全态势评估模块3的评估结果确定防御策略，进而对网络系统中的威胁行为进行主动防御。
有益效果：本发明提供了一种基于人工智能的关键信息基础设施安全威胁主动防御系统，本系统通过对关键信息基础设施的安全状态进行实时监控，实现了对整个网络系统的安全状态的监控。
通过采集网络检测数据，对网络设备的安全态势进行评估，进而得到网络系统的安全态势值，同时根据得到的安全态势值确定防御等级，进而采取相应的防御策略，该做法实现了对威胁行为的主动防御，提高了网络系统的安全性和稳定性。
在一种实施方式中，参见图2，所述数据采集模块1包括：
网络设备状态采集单元11，用于获取网络环境中网络设备的运行情况数据；
网络行为采集单元12，用于获取网络拓扑、连通性和漏洞信息等；
用户行为采集单元13，用于获取攻击方的攻击行为信息和防御方的防御行为信息。
在一种实施方式中，数据分析模块2对获取的网络检测数据进行分析处理，生成用于描述网络设备安全状态的态势信息，具体是指对所述网络检测数据进行去冗和清洗，并进一步对其进行格式统一处理，得到用于描述网络设备安全状态的态势信息。
有益效果：本发明在上述实施方式中，通过设置数据分析模块2，对数据采集模块1获取的网络检测数据进行去冗、清洗和归一化处理，能够有效降低数据维度，用较少的数据去描述网络设备安全状态的态势信息，降低了后续工作的复杂程度，提高了工作效率。
在一种实施方式中，参见图3，所述安全态势评估模块3包括：
安全态势评估单元31，用于根据获取的网络设备安全状态的态势信息，对网络系统的安全态势进行评估；
安全态势预测单元32，用于根据当前网络系统的安全态势和历史威胁行为数据，对未来时刻的网络系统的安全状态进行预测。
有益效果：本发明的上述实施方式中，通过设置安全态势评估单元31，评估当前网络设备的安全态势，进而实现对整个网络系统的实时监控，同时安全态势预测单元32根据安全态势评估单元31的评估结果以及历史威胁行为数据，分析当前网络系统的安全状态，进而对未来时刻的网络系统的安全状态进行预测，有助于系统及时了解未来的威胁行为，并采取相应的防御措施，降低网络风险，提高了网络系统的稳定性和安全性。
在一种实施方式中，参见图4，主动防御模块4包括：深度学习单元41、防御策略生成单元42和防御策略执行单元43。
深度学习单元41，用于基于深度学习算法对所述安全态势评估模块3的评估结果进行识别分类，获取网络系统的安全状态的置信度值；
防御策略生成单元42，用于根据得到的置信度值和所述置信度值对应的威胁行为的解决方案，生成相应的防御策略；
防御策略执行单元43，用于根据所述防御策略生成单元42生成的防御策略，按照所述防御策略对网络系统中的威胁行为进行防御。
有益效果：本发明上述实施方式，通过设置主动防御模块4，通过人工智能的深度学习算法对安全态势评估模块3的评估结果进行识别分类，获取网络系统安全状态的置信度值，并进而与其对应的威胁行为的解决方案相结合，生成相应的防御策略，进而实现主动防御，该算法提高了系统自动识别威胁程度的水平，进而主动采取防御策略去应对威胁行为，提高了网络系统的稳定性和安全性。
在一种实施方式中，参见图3，安全态势评估单元31包括态势信息融合子单元310、威胁行为评估子单元311和威胁行为综合评估子单元312；
态势信息融合子单元310，用于根据获取的网络设备安全状态的态势信息，分别计算待评估的网络设备中不同威胁行为发生的概率值，其中，待评估的网络设备中单个威胁行为发生的概率函数为：
式中，P(t)是t时刻威胁行为发生的概率值，xi是第i个态势信息对威胁行为的贡献度值，αi是第i个态势信息在威胁行为发生时所占的权重，n是态势信息的总数，ε是权重因子，且0＜ε＜1，pl(vj)是威胁行为对漏洞vj的利用率，γj是影响因子，用于表述漏洞vj对威胁行为的影响程度；J是待评估的网络设备中的漏洞数；
有益效果：本发明上述实施方式中，由于网络系统中存在多个信息基础设施(网络设备)，通过分别计算每个信息基础设施中单个威胁行为发生的概率值，在计算该发生概率时，从获取的态势信息和威胁行为本身对漏洞的利用率两个方面考虑，使获得的单个威胁行为发生的概率值更加准确。
威胁行为评估子单元311，用于根据得到的待评估的网络设备中不同威胁行为发生的概率值和威胁行为对待评估的网络设备的威胁程度，获取待评估的网络设备的安全态势值，其中，待评估的网络设备的安全态势值的计算公式为：
式中，Φ是待评估的网络设备的安全态势值，b是底数，Levelm是威胁行为m对待评估的网络设备的威胁程度值，M是威胁行为的个数；
威胁行为综合评估子单元312，用于根据待评估的网络设备的安全态势值，计算整个网络系统的安全态势值，其中，整个网络系统的安全态势值利用下式计算得到：
式中，Φtotal是整个网络系统的安全态势值，Z是整个网络系统中网络设备的个数，Φz是第z个网络设备的安全态势值，ωz是第z个网络设备在整个网络系统的权值，f(z,x)是第z个网络设备和第x个网络设备的关联程度，且x≠z。
有益效果：考虑每个信息基础设施(网络设备)中多个威胁行为发生的概率值和威胁行为对信息基础设施的威胁程度以及各个网络设备之间的关联性，进而求得整个网络系统的安全态势值，该算法充分考虑了网络设备之间的关联性以及网络设备中的多种威胁行为之间的关联性，从而能够真实地反映出实际网络系统中待评估网络设备的安全状态，有利于后续系统采取相应的防御措施，提高整个网络系统的稳定性和安全性。
在一种实施方式中，根据当前网络设备的安全态势和历史威胁行为数据，对未来时刻的网络系统的安全状态进行预测，具体获得未来时刻网络系统的安全状态的预测值的过程是：
(1)利用安全态势评估单元31，计算不同时刻的网络系统的安全态势值，构建一个原始时间序列X(0)＝{x(0)(1),x(0)(2),…,x(0)(n)}，其中，x(0)(n)为网络系统在n时刻的安全态势值；
(2)对得到的原始时间序列X(0)进行预处理，得到第一数据序列XD(0)＝{xd(0)(1),xd(0)(2),…,xd(0)(n)}，具体的，xd(0)(c)是利用下式计算得到的：
式中，xd(0)(c)是原始时间序列中c时刻时安全态势值的估计值，x(0)(k)是原始时间序列在k时刻的安全态势值，t是当前时刻；
(3)对得到的第一数据序列XD(0)进行一阶累加操作，得到第二数据序列XD(1)＝{xd(1)(1),xd(1)(2),…,xd(1)(n)}，其中，k＝1,2,…,n；xd(1)(k)是第一数据序列在k时刻之前(包括k时刻的安全态势值的估计值)的安全态势值的估计值的累加值；
(4)根据得到的第一数据序列和原始时间序列，构建灰色预测模型，其中，所述灰色预测模型的公式是：
式中，是k+1时刻的网络系统的安全态势的预测值，xd(0)(k)是k时刻的网络系统的安全态势值的估计值，a是发展系数，b是灰色作用量，且a和b的值的计算公式是：
式中，
Y＝[xd(0)(2),xd(0)(3),…,xd(0)(n)]T
其中,τ是权重因子，且0＜τ＜1；
(5)当k＞n时，利用灰色预测模型的公式得到的的值即是网络系统的安全态势的预测值。
有益效果：本发明上述实施方式中，采用上述的方法对网络系统安全态势进行预测，利用灰色预测模型对非线性数据、小样本数据等处理的优势，且在对安全态势评估单元31得到的网络系统安全态势构成的原始时间序列进行后续处理时，考虑到噪声、系统波动的影响，对得到的原始时间序列进行预处理，该算法能够排除在实际预测过程中，外界干扰因素对获取的原始时间序列的干扰，能够进一步提高网络系统安全态势预测模型的预测精度。
最后应当说明的是，以上实施例仅用以说明本发明的技术方案，而非对本发明保护范围的限制，尽管参照较佳实施例对本发明作了详细地说明，本领域的普通技术人员应当分析，可以对本发明的技术方案进行修改或者等同替换，而不脱离本发明技术方案的实质和范围。

Claims (7)

1.基于人工智能的关键信息基础设施安全威胁主动防御系统，其特征是，包括：
数据采集模块，用于采集网络系统中网络检测数据，所述网络检测数据包括网络设备运行状况、网络行为信息和用户行为信息；
数据分析模块，用于对获取的网络检测数据进行分析处理，生成用于描述网络设备安全状态的态势信息；
安全态势评估模块，用于根据所述数据分析模块的分析结果，对网络系统的安全状态进行评估；
主动防御模块，用于根据所述安全态势评估模块的评估结果确定防御策略，进而对网络系统中的威胁行为进行主动防御。
2.根据权利要求1所述的关键信息基础设施安全威胁主动防御系统，其特征是，所述数据采集模块包括：
网络设备状态采集单元，用于获取网络环境中网络设备的运行情况数据；
网络行为采集单元，用于获取网络拓扑、连通性和漏洞信息等；
用户行为采集单元，用于获取攻击方的攻击行为信息和防御方的防御行为信息。
3.根据权利要求2所述的关键信息基础设施安全威胁主动防御系统，其特征是，所述对获取的网络检测数据进行分析处理，生成用于描述网络设备安全状态的态势信息，具体是指对所述网络检测数据进行去冗和清洗，并进一步对其进行格式统一处理，得到用于描述网络设备安全状态的态势信息。
4.根据权利要求3所述的关键信息基础设施安全威胁主动防御系统，其特征是，所述安全态势评估模块包括：
安全态势评估单元，用于根据获取的网络设备安全状态的态势信息，对网络系统的安全态势进行评估；
安全态势预测单元，用于根据当前网络系统的安全态势和历史威胁行为数据，对未来时刻的网络系统的安全状态进行预测。
5.根据权利要求4所述的关键信息基础设施安全威胁主动防御系统，其特征是，所述主动防御模块包括深度学习单元、防御策略生成单元和防御策略执行单元；
所述深度学习单元，用于基于深度学习算法对所述安全态势评估模块的评估结果进行识别分类，获取网络系统的安全状态的置信度值；
所述防御策略生成单元，用于根据得到的置信度值和所述置信度值对应的威胁行为的解决方案，生成相应的防御策略；
所述防御策略执行单元，用于根据所述防御策略生成单元生成的防御策略，按照所述防御策略对网络系统中的威胁行为进行防御。
6.根据权利要求5所述的关键信息基础设施安全威胁主动防御系统，其特征是，所述安全态势评估单元包括态势信息融合子单元、威胁行为评估子单元和威胁行为综合评估子单元；
所述态势信息融合子单元，用于根据获取的网络设备安全状态的态势信息，分别计算待评估的网络设备中不同威胁行为发生的概率值，其中，待评估的网络设备中单个威胁行为发生的概率函数为：
式中，P(t)是t时刻威胁行为发生的概率值，xi是第i个态势信息对威胁行为的贡献度值，αi是第i个态势信息在威胁行为发生时所占的权重，n是态势信息的总数，ε是权重因子，且0＜ε＜1，pl(vj)是威胁行为对漏洞vj的利用率，γj是影响因子，用于表述漏洞vj对威胁行为的影响程度；J是待评估的网络设备中的漏洞数；
所述威胁行为评估子单元，用于根据得到的待评估的网络设备中不同威胁行为发生的概率值和威胁行为对待评估的网络设备的威胁程度，获取待评估的网络设备的安全态势值；
所述威胁行为综合评估子单元，用于根据所述待评估的网络设备的安全态势值，计算整个网络系统的安全态势值，其中，整个网络系统的安全态势值的计算公式为：
式中，Φtotal是整个网络系统的安全态势值，Z是整个网络系统中网络设备的个数，Φz是第z个网络设备的安全态势值，ωz是第z个网络设备在整个网络系统的权值，f(z,x)是第z个网络设备和第x个网络设备的关联程度，且x≠z。
7.根据权利要求6所述的关键信息基础设施安全威胁主动防御系统，其特征是，所述待评估的网络设备的安全态势值的计算公式为：
式中，Φ是待评估的网络设备的安全态势值，b是底数，Levelm是威胁行为m对待评估的网络设备的威胁程度值，M是威胁行为的个数，Pm(t)是t时刻时威胁行为m发生的概率值。
CN201810497271.0A 2018-05-22 2018-05-22 基于人工智能的关键信息基础设施安全威胁主动防御系统 Pending CN108494802A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201810497271.0A CN108494802A (zh) 2018-05-22 2018-05-22 基于人工智能的关键信息基础设施安全威胁主动防御系统

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201810497271.0A CN108494802A (zh) 2018-05-22 2018-05-22 基于人工智能的关键信息基础设施安全威胁主动防御系统

Publications (1)

Publication Number Publication Date
CN108494802A true CN108494802A (zh) 2018-09-04

Family

ID=63352107

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201810497271.0A Pending CN108494802A (zh) 2018-05-22 2018-05-22 基于人工智能的关键信息基础设施安全威胁主动防御系统

Country Status (1)

Country Link
CN (1) CN108494802A (zh)

Cited By (10)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN109114364A (zh) * 2018-09-11 2019-01-01 上海胜战科技发展有限公司 基于态势感知的网络安全监测系统
CN109359785A (zh) * 2018-11-30 2019-02-19 安徽四创电子股份有限公司 基于大数据的强制隔离戒毒解除人员复吸预测分析系统
CN110266719A (zh) * 2019-07-04 2019-09-20 杭州吉讯汇通科技有限公司 安全策略下发方法、装置、设备及介质
CN110798353A (zh) * 2019-10-31 2020-02-14 南京欣网互联网络科技有限公司 基于行为特征大数据分析的网络行为风险感知及防御方法
CN114205169A (zh) * 2021-12-20 2022-03-18 上海纽盾科技股份有限公司 网络安全防御方法、装置及系统
CN114301700A (zh) * 2021-12-31 2022-04-08 上海纽盾科技股份有限公司 调整网络安全防御方案的方法、装置、系统及存储介质
CN115865536A (zh) * 2023-03-01 2023-03-28 珠海市鸿瑞信息技术股份有限公司 一种基于人工智能的工控信息安全防御系统及方法
CN116471124A (zh) * 2023-06-19 2023-07-21 长通智能(深圳)有限公司 基于大数据信息进行分析的计算机网络安全预测系统
CN116633685A (zh) * 2023-07-19 2023-08-22 国家计算机网络与信息安全管理中心江西分中心 基于IPv6发展态势监测的分析方法
CN117914625A (zh) * 2024-03-11 2024-04-19 四川九洲视讯科技有限责任公司 基于关键信息基础设施的网络安全态势评估方法及系统

Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN104901838A (zh) * 2015-06-23 2015-09-09 中国电建集团成都勘测设计研究院有限公司 企业网络安全事件管理系统及其方法
CN106101252A (zh) * 2016-07-01 2016-11-09 何钟柱 基于大数据和可信计算的信息安全风险防护系统
CN106209817A (zh) * 2016-07-01 2016-12-07 何钟柱 基于大数据和可信计算的信息网络安全自防御系统
US20170093902A1 (en) * 2015-09-30 2017-03-30 Symantec Corporation Detection of security incidents with low confidence security events

Patent Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN104901838A (zh) * 2015-06-23 2015-09-09 中国电建集团成都勘测设计研究院有限公司 企业网络安全事件管理系统及其方法
US20170093902A1 (en) * 2015-09-30 2017-03-30 Symantec Corporation Detection of security incidents with low confidence security events
CN106101252A (zh) * 2016-07-01 2016-11-09 何钟柱 基于大数据和可信计算的信息安全风险防护系统
CN106209817A (zh) * 2016-07-01 2016-12-07 何钟柱 基于大数据和可信计算的信息网络安全自防御系统

Cited By (17)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN109114364A (zh) * 2018-09-11 2019-01-01 上海胜战科技发展有限公司 基于态势感知的网络安全监测系统
CN109359785A (zh) * 2018-11-30 2019-02-19 安徽四创电子股份有限公司 基于大数据的强制隔离戒毒解除人员复吸预测分析系统
CN110266719A (zh) * 2019-07-04 2019-09-20 杭州吉讯汇通科技有限公司 安全策略下发方法、装置、设备及介质
CN110266719B (zh) * 2019-07-04 2021-08-13 杭州吉讯汇通科技有限公司 安全策略下发方法、装置、设备及介质
CN110798353B (zh) * 2019-10-31 2022-04-05 南京欣网互联网络科技有限公司 基于行为特征大数据分析的网络行为风险感知及防御方法
CN110798353A (zh) * 2019-10-31 2020-02-14 南京欣网互联网络科技有限公司 基于行为特征大数据分析的网络行为风险感知及防御方法
CN114205169B (zh) * 2021-12-20 2023-09-08 上海纽盾科技股份有限公司 网络安全防御方法、装置及系统
CN114205169A (zh) * 2021-12-20 2022-03-18 上海纽盾科技股份有限公司 网络安全防御方法、装置及系统
CN114301700A (zh) * 2021-12-31 2022-04-08 上海纽盾科技股份有限公司 调整网络安全防御方案的方法、装置、系统及存储介质
CN114301700B (zh) * 2021-12-31 2023-09-08 上海纽盾科技股份有限公司 调整网络安全防御方案的方法、装置、系统及存储介质
CN115865536A (zh) * 2023-03-01 2023-03-28 珠海市鸿瑞信息技术股份有限公司 一种基于人工智能的工控信息安全防御系统及方法
CN115865536B (zh) * 2023-03-01 2023-05-23 珠海市鸿瑞信息技术股份有限公司 一种基于人工智能的工控信息安全防御系统及方法
CN116471124A (zh) * 2023-06-19 2023-07-21 长通智能(深圳)有限公司 基于大数据信息进行分析的计算机网络安全预测系统
CN116471124B (zh) * 2023-06-19 2023-11-21 国信金宏(成都)检验检测技术研究院有限责任公司 基于大数据信息进行分析的计算机网络安全预测系统
CN116633685A (zh) * 2023-07-19 2023-08-22 国家计算机网络与信息安全管理中心江西分中心 基于IPv6发展态势监测的分析方法
CN117914625A (zh) * 2024-03-11 2024-04-19 四川九洲视讯科技有限责任公司 基于关键信息基础设施的网络安全态势评估方法及系统
CN117914625B (zh) * 2024-03-11 2024-05-24 四川九洲视讯科技有限责任公司 基于关键信息基础设施的网络安全态势评估方法及系统

Similar Documents

Publication Publication Date Title
CN108494802A (zh) 基于人工智能的关键信息基础设施安全威胁主动防御系统
Kim et al. Method of intrusion detection using deep neural network
Benmessahel et al. A new evolutionary neural networks based on intrusion detection systems using multiverse optimization
Alom et al. Intrusion detection using deep belief networks
Abd Jalil et al. Comparison of machine learning algorithms performance in detecting network intrusion
CN108494806B (zh) 基于人工智能的网络威胁预警监测系统
CN103607388B (zh) 一种apt威胁预测方法及系统
Alloghani et al. Implementation of machine learning and data mining to improve cybersecurity and limit vulnerabilities to cyber attacks
CN105868629B (zh) 一种适用于电力信息物理系统的安全威胁态势评估方法
Otoum et al. A comparative study of ai-based intrusion detection techniques in critical infrastructures
Jaiganesh et al. An analysis of intrusion detection system using back propagation neural network
Masarat et al. A novel framework, based on fuzzy ensemble of classifiers for intrusion detection systems
Demertzis et al. Cognitive web application firewall to critical infrastructures protection from phishing attacks
Chandre et al. Intrusion prevention system using convolutional neural network for wireless sensor network
Savenko et al. Botnet detection technique for corporate area network
Tian et al. A digital evidence fusion method in network forensics systems with Dempster-shafer theory
Shi et al. A framework of intrusion detection system based on Bayesian network in IoT
CN108931700A (zh) 一种基于WSNs的电网安全风险预警系统
Sheng et al. Network traffic anomaly detection method based on chaotic neural network
CN118353667A (zh) 一种基于深度学习的网络安全预警方法及系统
RajBalaji et al. Design of deep learning models for the identifications of harmful attack activities in IIOT
Djenouri et al. Interpretable intrusion detection for next generation of Internet of Things
Şeker Use of Artificial Intelligence Techniques/Applications in Cyber Defense
Ksibi et al. IoMT security model based on machine learning and risk assessment techniques
Sharma et al. A hybrid approach of ANN-GWO technique for intrusion detection

Legal Events

Date Code Title Description
PB01 Publication
PB01 Publication
SE01 Entry into force of request for substantive examination
SE01 Entry into force of request for substantive examination
RJ01 Rejection of invention patent application after publication

Application publication date: 20180904

RJ01 Rejection of invention patent application after publication