CN110995700A - 一种畸形ip报文检测方法、设备以及存储介质 - Google Patents
一种畸形ip报文检测方法、设备以及存储介质 Download PDFInfo
- Publication number
- CN110995700A CN110995700A CN201911211482.4A CN201911211482A CN110995700A CN 110995700 A CN110995700 A CN 110995700A CN 201911211482 A CN201911211482 A CN 201911211482A CN 110995700 A CN110995700 A CN 110995700A
- Authority
- CN
- China
- Prior art keywords
- data
- message
- neural network
- network model
- layer protocol
- 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
Links
Images
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
- H04L63/1408—Network architectures or network communication protocols for network security for detecting or protecting against malicious traffic by monitoring network traffic
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/045—Combinations of networks
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
-
- 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
Landscapes
- Engineering & Computer Science (AREA)
- Computer Security & Cryptography (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- General Engineering & Computer Science (AREA)
- Computing Systems (AREA)
- General Health & Medical Sciences (AREA)
- Mathematical Physics (AREA)
- Data Mining & Analysis (AREA)
- Evolutionary Computation (AREA)
- Biophysics (AREA)
- Molecular Biology (AREA)
- Biomedical Technology (AREA)
- Artificial Intelligence (AREA)
- General Physics & Mathematics (AREA)
- Computational Linguistics (AREA)
- Software Systems (AREA)
- Life Sciences & Earth Sciences (AREA)
- Health & Medical Sciences (AREA)
- Computer Hardware Design (AREA)
- Computer Networks & Wireless Communication (AREA)
- Signal Processing (AREA)
- Data Exchanges In Wide-Area Networks (AREA)
Abstract
本发明公开了一种畸形IP报文检测方法,包括步骤:构建初始神经网络模型;分别提取多个IP报文的有效数据;对每一个所述IP报文对应的所述有效数据进行预设处理;根据每一个处理后的有效数据对对应的所述IP报文进行是否为畸形IP报文的判断,并根据判断结果对对应的所述处理后的有效数据进行相应的标注;将多个进行标注的所述处理后的有效数据作为训练集训练所述初始神经网络模型以得到训练好的神经网络模型;利用所述训练好的神经网络模型对实时网络数据流进行畸形IP报文的检测。本发明还公开了一种计算机设备以及可读存储介质。本发明公开的方案,能够实现针对畸形IP报文的快速检测分析,从而及时处理该攻击报文,保证网络系统的稳定性。
Description
技术领域
本发明涉及服务器领域,具体涉及一种畸形IP报文检测方法、设备以及存储介质。
背景技术
网络安全是信息安全的重要组成部分,而畸形IP报文攻击作为网络攻击方式中的一种,具有灵活、多变的攻击特点,很容易造成操作系统协议栈崩溃、网络处理软件工作异常,从而影响用户网络系统的稳定性。
发明内容
有鉴于此,为了克服上述问题的至少一个方面,本发明实施例的提出一种畸形IP报文检测方法,包括步骤:
构建初始神经网络模型;
分别提取多个IP报文的有效数据;
对每一个所述IP报文对应的所述有效数据进行预设处理;
根据每一个处理后的有效数据对对应的所述IP报文进行是否为畸形IP报文的判断,并根据判断结果对对应的所述处理后的有效数据进行相应的标注;
将多个进行标注的所述处理后的有效数据作为训练集训练所述初始神经网络模型以得到训练好的神经网络模型;
利用所述训练好的神经网络模型对实时网络数据流进行畸形IP报文的检测。
在一些实施例中,还包括:
根据检测结果计算准确率。
在一些实施例中,还包括:
判断所述准确率是否大于阈值;
响应于所述准确率不大于阈值,继续对所述训练好的神经网络模型进行训练。
在一些实施例中,分别提取多个IP报文的有效数据,进一步包括:
分别提取每一个IP报文的为网络层协议头部数据,传输层协议头部数据以及应用层协议头部数据。
在一些实施例中,对每一个所述IP报文对应的所述有效数据进行预设处理,进一步包括:
将每一个所述IP报文对应的网络层协议头部数据,传输层协议头部数据以及应用层协议头部数据进行拼接;
将拼接后的数据转换成16进制数据。
基于同一发明构思,根据本发明的另一个方面,本发明的实施例还提供了一种计算机设备,包括:
至少一个处理器;以及
存储器,所述存储器存储有可在所述处理器上运行的计算机程序,其特征在于,所述处理器执行所述程序时执行以下步骤:
构建初始神经网络模型;
分别提取多个IP报文的有效数据;
对每一个所述IP报文对应的所述有效数据进行预设处理;
根据每一个处理后的有效数据对对应的所述IP报文进行是否为畸形IP报文的判断,并根据判断结果对对应的所述处理后的有效数据进行相应的标注;
将多个进行标注的所述处理后的有效数据作为训练集训练所述初始神经网络模型以得到训练好的神经网络模型;
利用所述训练好的神经网络模型对实时网络数据流进行畸形IP报文的检测。
在一些实施例中,还包括:
根据检测结果计算准确率;
判断所述准确率是否大于阈值;
响应于所述准确率不大于阈值,继续对所述训练好的神经网络模型进行训练。
在一些实施例中,分别提取多个IP报文的有效数据,进一步包括:
分别提取每一个IP报文的为网络层协议头部数据,传输层协议头部数据以及应用层协议头部数据。
在一些实施例中,对每一个所述IP报文对应的所述有效数据进行预设处理,进一步包括:
将每一个所述IP报文对应的网络层协议头部数据,传输层协议头部数据以及应用层协议头部数据进行拼接;
将拼接后的数据转换成16进制数据。
基于同一发明构思,根据本发明的另一个方面,本发明的实施例还提供了一种计算机可读存储介质,所述计算机可读存储介质存储有计算机程序,所述计算机程序被处理器执行时执行如上所述的任一种畸形IP报文检测方法的步骤。
本发明具有以下有益技术效果之一:本发明公开的基于卷积神经网络的畸形IP报文检测方法,能够实现针对畸形IP报文的快速检测分析,从而及时处理该攻击报文,保证网络系统的稳定性。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案,下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍,显而易见地,下面描述中的附图仅仅是本发明的一些实施例,对于本领域普通技术人员来讲,在不付出创造性劳动的前提下,还可以根据这些附图获得其他的实施例。
图1为本发明的实施例提供的畸形IP报文检测方法的流程示意图;
图2为本发明的实施例提供的IP报文的处理流程框图;
图3为本发明的实施例提供的计算机设备的结构示意图;
图4为本发明的实施例提供的计算机可读存储介质的结构示意图。
具体实施方式
为使本发明的目的、技术方案和优点更加清楚明白,以下结合具体实施例,并参照附图,对本发明实施例进一步详细说明。
需要说明的是,本发明实施例中所有使用“第一”和“第二”的表述均是为了区分两个相同名称非相同的实体或者非相同的参量,可见“第一”“第二”仅为了表述的方便,不应理解为对本发明实施例的限定,后续实施例对此不再一一说明。
根据本发明的一个方面,本发明的实施例提出一种畸形IP报文检测方法,如图1所示,其可以包括步骤:S1,构建初始神经网络模型;S2,分别提取多个IP报文的有效数据;S3,对每一个所述IP报文对应的所述有效数据进行预设处理;S4,根据每一个处理后的有效数据对对应的所述IP报文进行是否为畸形IP报文的判断,并根据判断结果对对应的所述处理后的有效数据进行相应的标注;S5,将多个进行标注的所述处理后的有效数据作为训练集训练所述初始神经网络模型以得到训练好的神经网络模型;S6,利用所述训练好的神经网络模型对实时网络数据流进行畸形IP报文的检测。
本发明公开的基于卷积神经网络的畸形IP报文检测方法,能够实现针对畸形IP报文的快速检测分析,从而及时处理该攻击报文,保证网络系统的稳定性。
在一些实施例中,分别提取多个IP报文的有效数据,进一步包括:
分别提取每一个IP报文的为网络层协议头部数据,传输层协议头部数据以及应用层协议头部数据。
在一些实施例中,对每一个所述IP报文对应的所述有效数据进行预设处理,进一步包括:
将每一个所述IP报文对应的网络层协议头部数据,传输层协议头部数据以及应用层协议头部数据进行拼接;
将拼接后的数据转换成16进制数据。
具体的,如图2所示,在现场攻击环境,通过Tcpdump/Wireshark等工具抓取网络数据包,以单个IP数据包为单位进行流量拆分提取IP数据包的有效数据,包括网络层协议头部(版本号、服务类型、标识符、标记、可选字段、协议号等)、传输层协议头部(版本号、原地址、目的地址、可选字段等)、应用层协议头部(根据具体应用层协议确定)等内容,并进行拼接,转换为16进制数据,作为训练数据参数,判断每个IP数据包判断是否为畸形IP报文,并进行数据标注,其中正常IP报文标注为0,畸形IP报文标志为1,作为训练数据的结果。
接着,将标注好的训练数据作为卷积神经网络模型的训练输入,对模型进行训练,得出最终的计算模型。
在一些实施例中,卷积神经网络模型可以是一些开源的卷积神经网络模型。传统的机器学习检测畸形IP报文的方法,通常设计一些算子,即特征提取滤波器,来找到畸形报文的边界等信息,然后综合这些特征,得出是否为畸形报文的判断,针对越来越复杂的畸形IP报文,便需要设计更多更复杂的算子,检测更多的特征,最后,组合这些特征,得出判断结果。因此这种实现方法存在设计复杂、效率低下的问题。基于卷积神经网络的畸形IP报文检测方法,所谓卷积的计算方法,就是把一个算子在原图上不断滑动,得出滤波结果,这个结果,称之为“特征图”(Feature Map),这些算子被称为“卷积核”(Convolution Kernel)。与传统机器学习方法不同的是,不必人工设计这些算子,而是使用随机初始化,来得到很多卷积核,然后通过反向传播,优化这些卷积核,从而得到更好的检测结果。
在一些实施例中,在步骤S6中,在神经网络模型训练完成后,利用训练好的模型对实时网络流进行判定,判定是否为畸形IP报文。
在一些实施例中,方法还包括:
根据检测结果计算准确率。
在一些实施例中,方法还包括:
判断所述准确率是否大于阈值;
响应于所述准确率不大于阈值,继续对所述训练好的神经网络模型进行训练。
具体的,神经网络模型训练完成后,接入实际攻击测试环境,对实时网络数据流进行判定,判定是否为畸形IP报文,分析判定结果准确性,并进行神经网络参数调优,从而完善该卷积神经网络模型。
具体的,神经网络模型训练完成后,接入实际攻击测试环境,对实时网络数据流进行判定,判定是否为畸形IP报文,分析判定结果准确性,并进行神经网络参数调优,继续对所述训练好的神经网络模型进行训练,从而完善该卷积神经网络模型。
本发明公开的基于卷积神经网络的畸形IP报文检测方法,能够实现针对畸形IP报文的快速检测分析,从而及时处理该攻击报文,保证网络系统的稳定性。
基于同一发明构思,根据本发明的另一个方面,如图3所示,本发明的实施例还提供了一种计算机设备501,包括:
至少一个处理器520;以及
存储器510,存储器510存储有可在处理器上运行的计算机程序511,处理器520执行程序时执行如上的任一种畸形IP报文检测方法的步骤。
基于同一发明构思,根据本发明的另一个方面,如图4所示,本发明的实施例还提供了一种计算机可读存储介质601,计算机可读存储介质601存储有计算机程序指令610,计算机程序指令610被处理器执行时执行如上的任一种畸形IP报文检测方法的步骤。
最后需要说明的是,本领域普通技术人员可以理解实现上述实施例方法中的全部或部分流程,可以通过计算机程序来指令相关硬件来完成,的程序可存储于一计算机可读取存储介质中,该程序在执行时,可包括如上述各方法的实施例的流程。其中,的存储介质可为磁碟、光盘、只读存储记忆体(ROM)或随机存储记忆体(RAM)等。上述计算机程序的实施例,可以达到与之对应的前述任意方法实施例相同或者相类似的效果。
此外,典型地,本发明实施例公开的装置、设备等可为各种电子终端设备,例如手机、个人数字助理(PDA)、平板电脑(PAD)、智能电视等,也可以是大型终端设备,如服务器等,因此本发明实施例公开的保护范围不应限定为某种特定类型的装置、设备。本发明实施例公开的客户端可以是以电子硬件、计算机软件或两者的组合形式应用于上述任意一种电子终端设备中。
此外,根据本发明实施例公开的方法还可以被实现为由CPU执行的计算机程序,该计算机程序可以存储在计算机可读存储介质中。在该计算机程序被CPU执行时,执行本发明实施例公开的方法中限定的上述功能。
此外,上述方法步骤以及系统单元也可以利用控制器以及用于存储使得控制器实现上述步骤或单元功能的计算机程序的计算机可读存储介质实现。
此外,应该明白的是,本文的计算机可读存储介质(例如,存储器)可以是易失性存储器或非易失性存储器,或者可以包括易失性存储器和非易失性存储器两者。作为例子而非限制性的,非易失性存储器可以包括只读存储器(ROM)、可编程ROM(PROM)、电可编程ROM(EPROM)、电可擦写可编程ROM(EEPROM)或快闪存储器。易失性存储器可以包括随机存取存储器(RAM),该RAM可以充当外部高速缓存存储器。作为例子而非限制性的,RAM可以以多种形式获得,比如同步RAM(DRAM)、动态RAM(DRAM)、同步DRAM(SDRAM)、双数据速率SDRAM(DDRSDRAM)、增强SDRAM(ESDRAM)、同步链路DRAM(SLDRAM)、以及直接Rambus RAM(DRRAM)。所公开的方面的存储设备意在包括但不限于这些和其它合适类型的存储器。
本领域技术人员还将明白的是,结合这里的公开所描述的各种示例性逻辑块、模块、电路和算法步骤可以被实现为电子硬件、计算机软件或两者的组合。为了清楚地说明硬件和软件的这种可互换性,已经就各种示意性组件、方块、模块、电路和步骤的功能对其进行了一般性的描述。这种功能是被实现为软件还是被实现为硬件取决于具体应用以及施加给整个系统的设计约束。本领域技术人员可以针对每种具体应用以各种方式来实现的功能,但是这种实现决定不应被解释为导致脱离本发明实施例公开的范围。
结合这里的公开所描述的各种示例性逻辑块、模块和电路可以利用被设计成用于执行这里功能的下列部件来实现或执行:通用处理器、数字信号处理器(DSP)、专用集成电路(ASIC)、现场可编程门阵列(FPGA)或其它可编程逻辑器件、分立门或晶体管逻辑、分立的硬件组件或者这些部件的任何组合。通用处理器可以是微处理器,但是可替换地,处理器可以是任何传统处理器、控制器、微控制器或状态机。处理器也可以被实现为计算设备的组合,例如,DSP和微处理器的组合、多个微处理器、一个或多个微处理器结合DSP和/或任何其它这种配置。
结合这里的公开所描述的方法或算法的步骤可以直接包含在硬件中、由处理器执行的软件模块中或这两者的组合中。软件模块可以驻留在RAM存储器、快闪存储器、ROM存储器、EPROM存储器、EEPROM存储器、寄存器、硬盘、可移动盘、CD-ROM、或本领域已知的任何其它形式的存储介质中。示例性的存储介质被耦合到处理器,使得处理器能够从该存储介质中读取信息或向该存储介质写入信息。在一个替换方案中,存储介质可以与处理器集成在一起。处理器和存储介质可以驻留在ASIC中。ASIC可以驻留在用户终端中。在一个替换方案中,处理器和存储介质可以作为分立组件驻留在用户终端中。
在一个或多个示例性设计中,功能可以在硬件、软件、固件或其任意组合中实现。如果在软件中实现,则可以将功能作为一个或多个指令或代码存储在计算机可读介质上或通过计算机可读介质来传送。计算机可读介质包括计算机存储介质和通信介质,该通信介质包括有助于将计算机程序从一个位置传送到另一个位置的任何介质。存储介质可以是能够被通用或专用计算机访问的任何可用介质。作为例子而非限制性的,该计算机可读介质可以包括RAM、ROM、EEPROM、CD-ROM或其它光盘存储设备、磁盘存储设备或其它磁性存储设备,或者是可以用于携带或存储形式为指令或数据结构的所需程序代码并且能够被通用或专用计算机或者通用或专用处理器访问的任何其它介质。此外,任何连接都可以适当地称为计算机可读介质。例如,如果使用同轴线缆、光纤线缆、双绞线、数字用户线路(DSL)或诸如红外线、无线电和微波的无线技术来从网站、服务器或其它远程源发送软件,则上述同轴线缆、光纤线缆、双绞线、DSL或诸如红外线、无线电和微波的无线技术均包括在介质的定义。如这里所使用的,磁盘和光盘包括压缩盘(CD)、激光盘、光盘、数字多功能盘(DVD)、软盘、蓝光盘,其中磁盘通常磁性地再现数据,而光盘利用激光光学地再现数据。上述内容的组合也应当包括在计算机可读介质的范围内。
以上是本发明公开的示例性实施例,但是应当注意,在不背离权利要求限定的本发明实施例公开的范围的前提下,可以进行多种改变和修改。根据这里描述的公开实施例的方法权利要求的功能、步骤和/或动作不需以任何特定顺序执行。此外,尽管本发明实施例公开的元素可以以个体形式描述或要求,但除非明确限制为单数,也可以理解为多个。
应当理解的是,在本文中使用的,除非上下文清楚地支持例外情况,单数形式“一个”旨在也包括复数形式。还应当理解的是,在本文中使用的“和/或”是指包括一个或者一个以上相关联地列出的项目的任意和所有可能组合。
上述本发明实施例公开实施例序号仅仅为了描述,不代表实施例的优劣。
本领域普通技术人员可以理解实现上述实施例的全部或部分步骤可以通过硬件来完成,也可以通过程序来指令相关的硬件完成,的程序可以存储于一种计算机可读存储介质中,上述提到的存储介质可以是只读存储器,磁盘或光盘等。
所属领域的普通技术人员应当理解:以上任何实施例的讨论仅为示例性的,并非旨在暗示本发明实施例公开的范围(包括权利要求)被限于这些例子;在本发明实施例的思路下,以上实施例或者不同实施例中的技术特征之间也可以进行组合,并存在如上的本发明实施例的不同方面的许多其它变化,为了简明它们没有在细节中提供。因此,凡在本发明实施例的精神和原则之内,所做的任何省略、修改、等同替换、改进等,均应包含在本发明实施例的保护范围之内。
Claims (10)
1.一种畸形IP报文检测方法,包括步骤:
构建初始神经网络模型;
分别提取多个IP报文的有效数据;
对每一个所述IP报文对应的所述有效数据进行预设处理;
根据每一个处理后的有效数据对对应的所述IP报文进行是否为畸形IP报文的判断,并根据判断结果对对应的所述处理后的有效数据进行相应的标注;
将多个进行标注的所述处理后的有效数据作为训练集训练所述初始神经网络模型以得到训练好的神经网络模型;
利用所述训练好的神经网络模型对实时网络数据流进行畸形IP报文的检测。
2.如权利要求1所述的方法,其特征在于,还包括:
根据检测结果计算准确率。
3.如权利要求2所述的方法,其特征在于,还包括:
判断所述准确率是否大于阈值;
响应于所述准确率不大于阈值,继续对所述训练好的神经网络模型进行训练。
4.如权利要求1所述的方法,其特征在于,分别提取多个IP报文的有效数据,进一步包括:
分别提取每一个IP报文的为网络层协议头部数据,传输层协议头部数据以及应用层协议头部数据。
5.如权利要求4所述的方法,其特征在于,对每一个所述IP报文对应的所述有效数据进行预设处理,进一步包括:
将每一个所述IP报文对应的网络层协议头部数据,传输层协议头部数据以及应用层协议头部数据进行拼接;
将拼接后的数据转换成16进制数据。
6.一种计算机设备,包括:
至少一个处理器;以及
存储器,所述存储器存储有可在所述处理器上运行的计算机程序,其特征在于,所述处理器执行所述程序时执行以下步骤:
构建初始神经网络模型;
分别提取多个IP报文的有效数据;
对每一个所述IP报文对应的所述有效数据进行预设处理;
根据每一个处理后的有效数据对对应的所述IP报文进行是否为畸形IP报文的判断,并根据判断结果对对应的所述处理后的有效数据进行相应的标注;
将多个进行标注的所述处理后的有效数据作为训练集训练所述初始神经网络模型以得到训练好的神经网络模型;
利用所述训练好的神经网络模型对实时网络数据流进行畸形IP报文的检测。
7.如权利要求6所述的计算机设备,其特征在于,还包括:
根据检测结果计算准确率;
判断所述准确率是否大于阈值;
响应于所述准确率不大于阈值,继续对所述训练好的神经网络模型进行训练。
8.如权利要求7所述的计算机设备,其特征在于,分别提取多个IP报文的有效数据,进一步包括:
分别提取每一个IP报文的为网络层协议头部数据,传输层协议头部数据以及应用层协议头部数据。
9.如权利要求8所述的计算机设备,其特征在于,对每一个所述IP报文对应的所述有效数据进行预设处理,进一步包括:
将每一个所述IP报文对应的网络层协议头部数据,传输层协议头部数据以及应用层协议头部数据进行拼接;
将拼接后的数据转换成16进制数据。
10.一种计算机可读存储介质,所述计算机可读存储介质存储有计算机程序,其特征在于,所述计算机程序被处理器执行时执行权利要求1-5任意一项所述的方法的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201911211482.4A CN110995700A (zh) | 2019-12-02 | 2019-12-02 | 一种畸形ip报文检测方法、设备以及存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201911211482.4A CN110995700A (zh) | 2019-12-02 | 2019-12-02 | 一种畸形ip报文检测方法、设备以及存储介质 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN110995700A true CN110995700A (zh) | 2020-04-10 |
Family
ID=70088981
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201911211482.4A Pending CN110995700A (zh) | 2019-12-02 | 2019-12-02 | 一种畸形ip报文检测方法、设备以及存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN110995700A (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113014578A (zh) * | 2021-02-24 | 2021-06-22 | 西安超越申泰信息科技有限公司 | 一种基于卷积神经网络的碎片报文检测方法及存储介质 |
Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106209843A (zh) * | 2016-07-12 | 2016-12-07 | 工业和信息化部电子工业标准化研究院 | 一种面向Modbus协议的数据流异常分析方法 |
CN107612938A (zh) * | 2017-10-27 | 2018-01-19 | 朱秋华 | 一种网络用户异常行为检测方法、装置、设备及存储介质 |
CN109120632A (zh) * | 2018-09-04 | 2019-01-01 | 中国人民解放军陆军工程大学 | 基于在线特征选择的网络流异常检测方法 |
CN109284606A (zh) * | 2018-09-04 | 2019-01-29 | 中国人民解放军陆军工程大学 | 基于经验特征与卷积神经网络的数据流异常检测系统 |
CN110138787A (zh) * | 2019-05-20 | 2019-08-16 | 福州大学 | 一种基于混合神经网络的异常流量检测方法及系统 |
CN110225055A (zh) * | 2019-06-22 | 2019-09-10 | 福州大学 | 一种基于knn半监督学习模型的网络流量异常检测方法与系统 |
CN110401624A (zh) * | 2018-04-25 | 2019-11-01 | 全球能源互联网研究院有限公司 | 源网荷系统交互报文异常的检测方法及系统 |
CN110505630A (zh) * | 2019-03-12 | 2019-11-26 | 杭州海康威视数字技术股份有限公司 | 无线网络入侵检测方法、装置及电子设备 |
-
2019
- 2019-12-02 CN CN201911211482.4A patent/CN110995700A/zh active Pending
Patent Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106209843A (zh) * | 2016-07-12 | 2016-12-07 | 工业和信息化部电子工业标准化研究院 | 一种面向Modbus协议的数据流异常分析方法 |
CN107612938A (zh) * | 2017-10-27 | 2018-01-19 | 朱秋华 | 一种网络用户异常行为检测方法、装置、设备及存储介质 |
CN110401624A (zh) * | 2018-04-25 | 2019-11-01 | 全球能源互联网研究院有限公司 | 源网荷系统交互报文异常的检测方法及系统 |
CN109120632A (zh) * | 2018-09-04 | 2019-01-01 | 中国人民解放军陆军工程大学 | 基于在线特征选择的网络流异常检测方法 |
CN109284606A (zh) * | 2018-09-04 | 2019-01-29 | 中国人民解放军陆军工程大学 | 基于经验特征与卷积神经网络的数据流异常检测系统 |
CN110505630A (zh) * | 2019-03-12 | 2019-11-26 | 杭州海康威视数字技术股份有限公司 | 无线网络入侵检测方法、装置及电子设备 |
CN110138787A (zh) * | 2019-05-20 | 2019-08-16 | 福州大学 | 一种基于混合神经网络的异常流量检测方法及系统 |
CN110225055A (zh) * | 2019-06-22 | 2019-09-10 | 福州大学 | 一种基于knn半监督学习模型的网络流量异常检测方法与系统 |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113014578A (zh) * | 2021-02-24 | 2021-06-22 | 西安超越申泰信息科技有限公司 | 一种基于卷积神经网络的碎片报文检测方法及存储介质 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN111181932B (zh) | Ddos攻击检测与防御方法、装置、终端设备及存储介质 | |
CN112003870A (zh) | 一种基于深度学习的网络加密流量识别方法及装置 | |
US20230224232A1 (en) | System and method for extracting identifiers from traffic of an unknown protocol | |
US8761757B2 (en) | Identification of communication devices in telecommunication networks | |
US20150195381A1 (en) | Method and apparatus of identifying proxy ip address | |
CN113347210B (zh) | 一种dns隧道检测方法、装置及电子设备 | |
CN110753095B (zh) | 一种网卡的数据处理方法、设备以及存储介质 | |
CN110519329B (zh) | 一种并发处理samba协议请求的方法、设备及可读介质 | |
CN108390856B (zh) | 一种DDoS攻击检测方法、装置及电子设备 | |
US20110154181A1 (en) | Apparatus, method and computer-readable storage mediums for determining application protocol elements as different types of lawful interception content | |
CN112929241B (zh) | 一种网络测试方法及装置 | |
WO2020259551A1 (zh) | 一种网络连接故障处理方法及装置 | |
CN109446093B (zh) | 一种扩展平台接口测试方法与装置 | |
CN106210032A (zh) | 基于终端数据批量上报的方法及装置 | |
CN111447201A (zh) | 一种扫描行为识别方法、装置及电子设备和存储介质 | |
CN113839882B (zh) | 一种报文流分流方法及装置 | |
CN110413354B (zh) | 一种实现与第三方平台交互的方法、设备以及存储介质 | |
CN109788050B (zh) | 一种获取源站ip地址方法、系统、电子设备和介质 | |
CN112769635B (zh) | 多粒度特征解析的服务识别方法及装置 | |
CN110995700A (zh) | 一种畸形ip报文检测方法、设备以及存储介质 | |
CN105528352B (zh) | 建立移动通信用户与其网络账户信息的对应关系的方法 | |
CN112688924A (zh) | 网络协议分析系统 | |
CN107948022B (zh) | 一种对等网络流量的识别方法及识别装置 | |
CN113852551A (zh) | 一种报文处理方法及装置 | |
CN113127767B (zh) | 手机号码提取方法、装置、电子设备及存储介质 |
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 | ||
RJ01 | Rejection of invention patent application after publication |
Application publication date: 20200410 |