CN112398875A - 视频会议场景下基于机器学习的流数据安全漏洞探测方法 - Google Patents

视频会议场景下基于机器学习的流数据安全漏洞探测方法 Download PDF

Info

Publication number
CN112398875A
CN112398875A CN202110059166.0A CN202110059166A CN112398875A CN 112398875 A CN112398875 A CN 112398875A CN 202110059166 A CN202110059166 A CN 202110059166A CN 112398875 A CN112398875 A CN 112398875A
Authority
CN
China
Prior art keywords
data
length distribution
classification model
distribution sequence
frame length
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.)
Granted
Application number
CN202110059166.0A
Other languages
English (en)
Other versions
CN112398875B (zh
Inventor
王帅
朱敏
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.)
Beijing Telecom Easiness Information Technology Co Ltd
Original Assignee
Beijing Telecom Easiness Information Technology 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 Beijing Telecom Easiness Information Technology Co Ltd filed Critical Beijing Telecom Easiness Information Technology Co Ltd
Priority to CN202110059166.0A priority Critical patent/CN112398875B/zh
Publication of CN112398875A publication Critical patent/CN112398875A/zh
Application granted granted Critical
Publication of CN112398875B publication Critical patent/CN112398875B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

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
    • H04L63/1433—Vulnerability analysis
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
    • G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/24—Classification techniques
    • G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/24—Classification techniques
    • G06F18/243—Classification techniques relating to the number of classes
    • G06F18/24323—Tree-organised classifiers
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/12—Computing arrangements based on biological models using genetic models
    • G06N3/126—Evolutionary algorithms, e.g. genetic algorithms or genetic programming
    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04N—PICTORIAL COMMUNICATION, e.g. TELEVISION
    • H04N7/00—Television systems
    • H04N7/14—Systems for two-way working
    • H04N7/15—Conference systems

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Data Mining & Analysis (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Evolutionary Biology (AREA)
  • General Engineering & Computer Science (AREA)
  • Artificial Intelligence (AREA)
  • Evolutionary Computation (AREA)
  • General Physics & Mathematics (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Biophysics (AREA)
  • Health & Medical Sciences (AREA)
  • Signal Processing (AREA)
  • Computer Security & Cryptography (AREA)
  • Computing Systems (AREA)
  • Genetics & Genomics (AREA)
  • Computer Networks & Wireless Communication (AREA)
  • Multimedia (AREA)
  • Physiology (AREA)
  • Computer Hardware Design (AREA)
  • Biomedical Technology (AREA)
  • Computational Linguistics (AREA)
  • General Health & Medical Sciences (AREA)
  • Molecular Biology (AREA)
  • Mathematical Physics (AREA)
  • Software Systems (AREA)
  • Data Exchanges In Wide-Area Networks (AREA)
  • Two-Way Televisions, Distribution Of Moving Picture Or The Like (AREA)

Abstract

本发明提出了一种视频会议场景下基于机器学习的流数据安全漏洞探测方法，所述探测方法包括：对视频会议产生的网络流数据进行解析，将所述网络流数据转换为以数据帧为统计单位的特征向量，得到帧长分布序列矩阵；以训练后的流量分类模型输出的帧长分布序列矩阵的安全性评分为适应度函数，采用差分遗传算法定位帧长分布序列矩阵的安全漏洞位置和数据调整量；采用在数据帧的长度位于所述安全漏洞位置所对应的长度范围内的网络流数据中添加所述数据调整量的扰动数据或者填充所述数据调整量的数据帧的方式，弥补流数据安全漏洞。本发明通过差分遗传算法定位关键特征与波动参数，扰动视频会议的流数据特征，阻止因流数据特征引起的隐私泄露问题的发生。

Description

视频会议场景下基于机器学习的流数据安全漏洞探测方法
技术领域
本发明涉及安全漏洞探测技术领域，特别是涉及一种视频会议场景下基于机器学习的流数据安全漏洞探测方法。
背景技术
随着通信技术和多媒体技术的发展，人们越来越不满足于文本和语音的交流，以视频会议为主的网络多媒体应用变得越来越广泛。同时，第五代通信技术的大规模普及，也促使视频会议系统更加智能、高效、方便、快捷，不仅全面提升各行业的信息化水平，而且做到各方零距离交流。视频会议是一种在远程、多点之间提供实时音频和视频传输的会议业务，多方时刻传输并接受流数据形式的视频信息、语音信息和文字信息等。但是，由于流数据的特性：体量巨大、价值高等，使视频会议的过程更容易遭受空口无线信号干扰和协议攻击。目前，视频会议的数据使用第五代移动通信技术传输，即数据传输的过程中仍使用SSL/TLS协议对流量进行加密，但是使用此种方式保护的流数据不能避免攻击者的特征分析，即攻击者从捕获的海量流数据包中分析得到其中的统计特征信息，比如帧字节的长度统分布矩阵、包字节的长度分布矩阵等。而这些信息经过特定的组合、筛选和分析之后，将能从侧面反映出参与方的行为、表现和会议进程等信息。因此，有必要研究一种视频会议场景下基于机器学习的流数据安全漏洞探测方法，有效寻找隐私暴露的特征点，以此反馈相应的特征改进方案为用户身份隐私和数据安全提供技术支撑。
发明内容
本发明的目的是提供一种视频会议场景下基于机器学习的流数据安全漏洞探测方法，以实现有效寻找隐私暴露的特征点。
为实现上述目的，本发明提供了如下方案：
一种视频会议场景下基于机器学习的流数据安全漏洞探测方法，所述探测方法包括如下步骤：
对视频会议产生的网络流数据进行解析，将所述网络流数据转换为以数据帧为统计单位的特征向量，得到帧长分布序列矩阵；
以训练后的流量分类模型输出的帧长分布序列矩阵的安全性评分为适应度函数，采用差分遗传算法定位帧长分布序列矩阵的安全漏洞位置和数据调整量；
采用在数据帧的长度位于所述安全漏洞位置所对应的长度范围内的网络流数据中添加所述数据调整量的扰动数据或者填充所述数据调整量的数据帧的方式，弥补流数据安全漏洞。
可选的，所述对视频会议产生的网络流数据进行解析，将所述网络流数据转换为以数据帧为统计单位的特征向量，得到帧长分布序列矩阵，具体包括：
获取视频会议产生的网络流数据片段集合；
初始化第一索引值
Figure 100002_DEST_PATH_IMAGE002
；
根据片段集合的第i个片段中每个数据帧的长度，确定不同长度范围内的数据帧的个数，建立第i个片段的帧长分布序列
Figure 100002_DEST_PATH_IMAGE004
；
令索第一引值i的数值增加1，返回步骤“根据片段集合的第i个片段中每个数据帧的长度，确定不同长度范围内的数据帧的个数，建立第i个片段的帧长分布序列
Figure 510672DEST_PATH_IMAGE004
”，直到统计完成片段集合中的所有片段，得到片段集合中每个片段的帧长分布序列组成的帧长分布序列矩阵
Figure 100002_DEST_PATH_IMAGE006
。
可选的，所述获取视频会议产生的网络流数据片段集合，之后还包括：
使用Scapy嗅探工具探测片段集合中每个片段的源地址和目的地址；
删除片段集合中源地址和目的地址均与采集设备的物理地址不同的片段，获得更新后的片段集合。
可选的，所述根据片段集合的第i个片段中每个数据帧的长度，确定不同长度范围内的数据帧的个数，建立第i个片段的帧长分布序列
Figure DEST_PATH_IMAGE007
，具体包括：
建立大小为
Figure DEST_PATH_IMAGE009
的统计矩阵
Figure DEST_PATH_IMAGE011
；其中，
Figure DEST_PATH_IMAGE013
为大于片段中数据帧的长度最大值的最小自然数，
Figure DEST_PATH_IMAGE015
表示滑动窗口的数量；
设置第二索引值
Figure DEST_PATH_IMAGE017
；
根据第i个片段中第j个数据帧的长度，利用公式
Figure DEST_PATH_IMAGE019
更新统计矩阵
Figure 472130DEST_PATH_IMAGE011
；其中，
Figure DEST_PATH_IMAGE021
表示第j个数据帧的长度，
Figure DEST_PATH_IMAGE023
表示第i个片段中的第j个数据帧，
Figure 100002_DEST_PATH_IMAGE025
表示滑动窗口；
令第二索引值j的数值增加1，返回步骤“根据第i个片段中第j个数据帧的长度，利用公式
Figure DEST_PATH_IMAGE026
，更新统计矩阵
Figure 538044DEST_PATH_IMAGE011
”，直到
Figure 100002_DEST_PATH_IMAGE028
时结束；
计算所述统计矩阵
Figure 120728DEST_PATH_IMAGE011
中每一行的和，得到帧长度位于每个滑动窗口内的数据帧的个数，建立第i个片段的帧长分布序列
Figure 847376DEST_PATH_IMAGE007
。
可选的，得到片段集合中每个片段的帧长分布序列组成的帧长分布序列矩阵
Figure DEST_PATH_IMAGE029
，之后还包括：
移除帧长分布序列矩阵
Figure 100002_DEST_PATH_IMAGE030
中全部相等或存在异常值的帧长分布序列，得到更新后的帧长分布序列矩阵。
可选的，所述以训练后的流量分类模型输出的帧长分布序列矩阵的安全性评分为适应度函数，采用差分遗传算法定位帧长分布序列矩阵的安全漏洞位置和数据调整量，具体包括：
初始化差分遗传算法的规模f为父代种群
Figure 100002_DEST_PATH_IMAGE032
；其中，差分遗传算法的个体为
Figure 100002_DEST_PATH_IMAGE034
，其中，
Figure 100002_DEST_PATH_IMAGE036
代表帧长分布序列矩阵的索引位置，
Figure 100002_DEST_PATH_IMAGE038
，
Figure 100002_DEST_PATH_IMAGE040
代表索引位置的波动值，
Figure 100002_DEST_PATH_IMAGE042
表示帧长分布序列矩阵；
将父代种群中每个个体以变异率
Figure 100002_DEST_PATH_IMAGE044
的概率发生基因突变，并交叉父代种群中每两个个体，产生子代种群；
利用训练后的流量分类模型计算父代种群和子代种群中每个个体的适应度函数值；
根据每个个体的适应度函数值，利用公式
Figure 100002_DEST_PATH_IMAGE046
，计算每个个体的轮盘权重；
Figure 100002_DEST_PATH_IMAGE048
表示第g个个体的适应度函数值，
Figure 100002_DEST_PATH_IMAGE050
表示所有个体的最小的适应度函数值；
采用轮盘法从父代种群和子代种群中选取轮盘权重较大的f个个体组成新的父代种群，返回步骤“将父代种群中每个个体以变异率
Figure 421095DEST_PATH_IMAGE044
的概率发生基因突变，并交叉父代种群中每两个个体，产生子代种群”，直到种群中出现适应度函数值达到适应度函数阈值的个体或迭代次数达到迭代次数阈值；
输出轮盘权重最大的个体的索引位置对应的数据帧的长度范围作为安全漏洞位置，轮盘权重最大的个体的索引位置的波动值作为数据调整量。
可选的，所述利用训练后的流量分类模型计算父代种群和子代种群中每个个体的适应度函数值，具体包括：
利用个体中的索引位置和索引位置的波动值，更新帧长分布序列矩阵，得到所述个体对应的帧长分布序列矩阵；
利用训练后的流量分类模型，计算所述个体对应的帧长分布序列矩阵的安全性评分，作为所述个体的适应度函数值。
可选的，所述将父代种群中每个个体以变异率
Figure 100002_DEST_PATH_IMAGE052
的概率发生基因突变，并交叉父代种群中每两个个体，产生子代种群，具体包括：
将父代种群中每个个体以变异率
Figure 52934DEST_PATH_IMAGE044
的概率发生基因突变，建立变异个体集合；
删除变异个体集合中变异波动量大于变异波动量阈值的个体，获得更新后的变异个体集合；
交叉父代种群中每两个个体的基因，建立交叉个体集合；
获取更新后的变异个体集合和所述交叉个体集合的并集，作为子代种群。
可选的，所述流量分类模型包括： C4.5决策树分类模型、支持向量机分类模型、多层感知机分类模型、随机森林分类模型、高斯朴素贝叶斯分类模型、梯度下降树分类模型、K最近邻分类模型和逻辑回归分类模型。
可选的，所述流量分类模型利用公式
Figure 100002_DEST_PATH_IMAGE054
，计算帧长分布序列矩阵的安全性评分；
其中，
Figure 100002_DEST_PATH_IMAGE056
、
Figure 100002_DEST_PATH_IMAGE058
和
Figure 100002_DEST_PATH_IMAGE060
分别表示C4.5决策树分类模型、支持向量机分类模型和辑回归分类模型输出的帧长分布序列矩阵的安全性评分；
Figure 100002_DEST_PATH_IMAGE062
、
Figure 100002_DEST_PATH_IMAGE064
和
Figure 100002_DEST_PATH_IMAGE066
分别表示C4.5决策树分类模型、支持向量机分类模型和辑回归分类模型的权重。
与现有技术相比，本发明的有益效果是：
本发明提出了一种视频会议场景下基于机器学习的流数据安全漏洞探测方法，所述探测方法包括如下步骤：对视频会议产生的网络流数据进行解析，将所述网络流数据转换为以数据帧为统计单位的特征向量，得到帧长分布序列矩阵；以训练后的流量分类模型输出的帧长分布序列矩阵的安全性评分为适应度函数，采用差分遗传算法定位帧长分布序列矩阵的安全漏洞位置和数据调整量；采用在数据帧的长度位于所述安全漏洞位置所对应的长度范围内的网络流数据中添加所述数据调整量的扰动数据或者填充所述数据调整量的数据帧的方式，弥补流数据安全漏洞。本发明通过差分遗传算法定位关键特征与波动参数，扰动视频会议的流数据特征，阻止因流数据特征引起的隐私泄露问题的发生。
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性的前提下，还可以根据这些附图获得其他的附图。
图1为本发明提供的一种视频会议场景下基于机器学习的流数据安全漏洞探测方法；
图2为本发明提供的实现本发明的探测方法的各个模块的连接关系图。
具体实施方式
下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。
本发明的目的是提供一种视频会议场景下基于机器学习的流数据安全漏洞探测方法，以实现有效寻找隐私暴露的特征点。
为使本发明的上述目的、特征和优点能够更加明显易懂，下面结合附图和具体实施方式对本发明作进一步详细的说明。
如图1和2所示，本发明提供一种视频会议场景下基于机器学习的流数据安全漏洞探测方法，所述探测方法包括如下步骤：
步骤101，对视频会议产生的网络流数据进行解析，将所述网络流数据转换为以数据帧为统计单位的特征向量，得到帧长分布序列矩阵。
步骤101所述对视频会议产生的网络流数据进行解析，将所述网络流数据转换为以数据帧为统计单位的特征向量，得到帧长分布序列矩阵，具体包括：获取视频会议产生的网络流数据片段集合；初始化第一索引值
Figure 755486DEST_PATH_IMAGE002
；根据片段集合的第i个片段中每个数据帧的长度，确定不同长度范围内的数据帧的个数，建立第i个片段的帧长分布序列
Figure 258012DEST_PATH_IMAGE007
；令索第一引值i的数值增加1，返回步骤“根据片段集合的第i个片段中每个数据帧的长度，确定不同长度范围内的数据帧的个数，建立第i个片段的帧长分布序列
Figure DEST_PATH_IMAGE067
”，直到统计完成片段集合中的所有片段，得到片段集合中每个片段的帧长分布序列组成的帧长分布序列矩阵
Figure 717812DEST_PATH_IMAGE030
。
其中，所述获取视频会议产生的网络流数据片段集合，之后还包括：使用Scapy嗅探工具探测片段集合中每个片段的源地址和目的地址；删除片段集合中源地址和目的地址均与采集设备的物理地址不同的片段，获得更新后的片段集合。
所述根据片段集合的第i个片段中每个数据帧的长度，确定不同长度范围内的数据帧的个数，建立第i个片段的帧长分布序列
Figure 636614DEST_PATH_IMAGE004
，具体包括：建立大小为
Figure 918691DEST_PATH_IMAGE009
的统计矩阵
Figure DEST_PATH_IMAGE068
；其中，
Figure 993832DEST_PATH_IMAGE013
为大于片段中数据帧的长度最大值的最小自然数，
Figure 437583DEST_PATH_IMAGE015
表示滑动窗口的数量；设置第二索引值
Figure DEST_PATH_IMAGE069
；根据第i个片段中第j个数据帧的长度，利用公式
Figure DEST_PATH_IMAGE070
更新统计矩阵
Figure 374839DEST_PATH_IMAGE068
；其中，
Figure DEST_PATH_IMAGE071
表示第i个片段中的第j个数据帧的长度，
Figure DEST_PATH_IMAGE072
表示第i个片段中的第j个数据帧，
Figure 506612DEST_PATH_IMAGE025
表示滑动窗口；令第二索引值j的数值增加1，返回步骤“根据第i个片段中第j个数据帧的长度，利用公式
Figure 311626DEST_PATH_IMAGE070
，更新统计矩阵
Figure 191857DEST_PATH_IMAGE068
”，直到
Figure DEST_PATH_IMAGE073
时结束；计算所述统计矩阵
Figure 757356DEST_PATH_IMAGE068
中每一行的和，得到长度位于每个滑动窗口内的数据帧的个数，建立第i个片段的帧长分布序列
Figure 364923DEST_PATH_IMAGE004
。
得到片段集合中每个片段的帧长分布序列组成的帧长分布序列矩阵
Figure 775176DEST_PATH_IMAGE006
，之后还包括：移除帧长分布序列矩阵
Figure 75576DEST_PATH_IMAGE006
中全部相等或存在异常值的帧长分布序列，得到更新后的帧长分布序列矩阵。
本发明步骤101基于数据帧特征工程模块201实现。
数据帧特征工程模块201的主要功能是通过解析流数据并转换为以数据帧为统计单位的特征向量，用于后续定位流数据特征所造成的安全漏洞。首先，通过Scapy嗅探工具解析网络流数据，过滤噪音数据。Scapy嗅探工具可以将码流解析为以数据帧为单位的解析字符并记录相应的时间戳、传输源端和目的端，通过检测数据帧源端和目的端过滤与本次视频会议无关的数据帧；其次，统计数据帧的帧长分布序列。建立统计矩阵，依次记录每个数据帧长度，并以一定长度的滑动窗口将统计矩阵展平为帧长分布序列；最后，处理帧长分布序列中的非法值或无区分度值。该模块通过输入视频会议流数据和滑动窗口参数，输出一定长度的帧长统计序列（长度由流数据和滑动窗口参数共同决定）。
数据帧特征工程模块201具体步骤如下：
步骤1：初始化流数据与相关参数。视频会议产生的网络流数据片段集合
Figure DEST_PATH_IMAGE075
、
Figure 797545DEST_PATH_IMAGE075
片段来源的
Figure DEST_PATH_IMAGE077
、采集设备的物理地址
Figure DEST_PATH_IMAGE079
和滑动窗口长度
Figure DEST_PATH_IMAGE081
（根据流数据安全漏洞定位精准度要求和计算负载要求确定）。注：
Figure DEST_PATH_IMAGE083
值越小，得到的帧长分布序列越长，定位精度越高。
步骤2：解析并过滤噪音数据帧。若首次执行步骤2，则设置索引值
Figure 675982DEST_PATH_IMAGE002
。取
Figure DEST_PATH_IMAGE085
,以及其对应的来源
Figure DEST_PATH_IMAGE087
，并使用Scapy嗅探工具依次检测
Figure DEST_PATH_IMAGE089
中数据帧的源地址
Figure DEST_PATH_IMAGE091
和目的地址
Figure DEST_PATH_IMAGE093
,若
Figure DEST_PATH_IMAGE095
且
Figure DEST_PATH_IMAGE097
时,删除该数据帧。片段
Figure 770102DEST_PATH_IMAGE089
完成此步骤后得到
Figure DEST_PATH_IMAGE099
以及其对应的来源
Figure DEST_PATH_IMAGE101
。
建立统计矩阵，依次记录每个数据帧长度。建立大小为
Figure DEST_PATH_IMAGE103
的零矩阵
Figure 509912DEST_PATH_IMAGE068
，其中
Figure 109390DEST_PATH_IMAGE013
为保证
Figure 75072DEST_PATH_IMAGE103
大于
Figure DEST_PATH_IMAGE105
中数据帧的长度最大值的最小自然数。之后，依次读取
Figure DEST_PATH_IMAGE107
中每个数据帧，统计数据帧的长度并更新统计矩阵
Figure DEST_PATH_IMAGE109
，具体步骤如下：
步骤3-1：读取数据帧。若首次执行步骤3-1，则设置索引值
Figure 695802DEST_PATH_IMAGE069
。取数据帧
Figure DEST_PATH_IMAGE111
；
步骤3-2：分析数据帧长度，并更新统计矩阵
Figure 806846DEST_PATH_IMAGE109
。计算数据帧长度
Figure DEST_PATH_IMAGE113
,并更新统计矩阵
Figure DEST_PATH_IMAGE115
；
步骤3-3：更新索引值
Figure DEST_PATH_IMAGE117
并重复步骤3-1-步骤3-3，直到
Figure DEST_PATH_IMAGE119
时结束。
将统计矩阵展平为帧长分布序列。计算统计矩阵
Figure 893620DEST_PATH_IMAGE068
每行的和，并记录在帧长分布序列
Figure 637892DEST_PATH_IMAGE004
中。
更新索引值
Figure DEST_PATH_IMAGE121
并重复步骤2-步骤4直到
Figure DEST_PATH_IMAGE123
时停止。记录帧长分布序列矩阵
Figure DEST_PATH_IMAGE125
以及其对应的来源向量
Figure 470719DEST_PATH_IMAGE077
。
帧长分布序列校验与降维。移除帧长分布序列
Figure DEST_PATH_IMAGE127
中列全部相等或存在异常值（NAN）的列，得到帧长分布序列矩阵
Figure DEST_PATH_IMAGE129
。
步骤102，以训练后的流量分类模型输出的帧长分布序列矩阵的安全性评分为适应度函数，采用差分遗传算法定位帧长分布序列矩阵的安全漏洞位置和数据调整量。
步骤102所述以训练后的流量分类模型输出的帧长分布序列矩阵的安全性评分为适应度函数，采用差分遗传算法定位帧长分布序列矩阵的安全漏洞位置和数据调整量，具体包括：初始化差分遗传算法的规模f为父代种群
Figure DEST_PATH_IMAGE130
；其中，差分遗传算法的个体为
Figure DEST_PATH_IMAGE131
，其中，
Figure 801600DEST_PATH_IMAGE036
代表帧长分布序列矩阵的索引位置，
Figure DEST_PATH_IMAGE132
，
Figure DEST_PATH_IMAGE133
代表索引位置的波动值，
Figure DEST_PATH_IMAGE134
表示帧长分布序列矩阵；将父代种群中每个个体以变异率
Figure 454298DEST_PATH_IMAGE044
的概率发生基因突变，并交叉父代种群中每两个个体，产生子代种群；利用训练后的流量分类模型计算父代种群和子代种群中每个个体的适应度函数值；根据每个个体的适应度函数值，利用公式
Figure DEST_PATH_IMAGE136
，计算每个个体的轮盘权重；
Figure 948733DEST_PATH_IMAGE048
表示第g个个体的适应度函数值，
Figure DEST_PATH_IMAGE138
表示所有个体的最小的适应度函数值；采用轮盘法从父代种群和子代种群中选取轮盘权重较大的f个个体组成新的父代种群，返回步骤“将父代种群中每个个体以变异率
Figure 963962DEST_PATH_IMAGE044
的概率发生基因突变，并交叉父代种群中每两个个体，产生子代种群”，直到种群中出现适应度函数值达到适应度函数阈值的个体或迭代次数达到迭代次数阈值；输出轮盘权重最大的个体的索引位置对应的数据帧的长度范围作为安全漏洞位置，轮盘权重最大的个体的索引位置的波动值作为数据调整量。
其中，所述利用训练后的流量分类模型计算父代种群和子代种群中每个个体的适应度函数值，具体包括：利用个体中的索引位置和索引位置的波动值，更新帧长分布序列矩阵，得到所述个体对应的帧长分布序列矩阵；利用训练后的流量分类模型，计算所述个体对应的帧长分布序列矩阵的安全性评分，作为所述个体的适应度函数值。
其中，所述将父代种群中每个个体以变异率
Figure 950898DEST_PATH_IMAGE052
的概率发生基因突变，并交叉父代种群中每两个个体，产生子代种群，具体包括：将父代种群中每个个体以变异率
Figure 497417DEST_PATH_IMAGE044
的概率发生基因突变，建立变异个体集合；删除变异个体集合中变异波动量大于变异波动量阈值的个体，获得更新后的变异个体集合；交叉父代种群中每两个个体的基因，建立交叉个体集合；获取更新后的变异个体集合和所述交叉个体集合的并集，作为子代种群。
所述流量分类模型包括： C4.5决策树分类模型、支持向量机分类模型、多层感知机分类模型、随机森林分类模型、高斯朴素贝叶斯分类模型、梯度下降树分类模型、K最近邻分类模型和逻辑回归分类模型。所述流量分类模型利用公式
Figure DEST_PATH_IMAGE140
，计算帧长分布序列矩阵的安全性评分；其中，
Figure 592280DEST_PATH_IMAGE056
、
Figure 789912DEST_PATH_IMAGE058
和
Figure 695552DEST_PATH_IMAGE060
分别表示C4.5决策树分类模型、支持向量机分类模型和辑回归分类模型输出的帧长分布序列矩阵的安全性评分；
Figure DEST_PATH_IMAGE142
、
Figure DEST_PATH_IMAGE144
和
Figure DEST_PATH_IMAGE146
分别表示C4.5决策树分类模型、支持向量机分类模型和辑回归分类模型的权重。
本发明的步骤102通过基于机器学习的流数据安全评测模块202和基于机器学习对抗性攻击的漏洞定位模块203实现。
基于机器学习的流数据安全评测模块的主要功能是通过基于机器学习的流量分类技术，以分类模型的F1评分评价当前视频会议流数据安全性。首先，构造经典机器学习流量分类模型。为了避免单一分类模型误差影响整体评分准确度，构造C4.5决策树、支持向量机、多层感知机、随机森林、高斯朴素贝叶斯、梯度下降树、K最近邻和逻辑回归8种流量分类模型；其次，根据视频会议流数据特征训练各个流量分类模型，并计算F1评分；最后，根据每个分类模型的评分综合计算当前网络视频会议流数据安全性。该模块通过输入帧长分布序列和相应的来源，输出对网络视频会议流数据安全性评分。
基于机器学习的流数据安全评测模块的具体步骤如下：
步骤1：建立经典机器学习流量分类模型。利用python的sklearn库构建8个机器学习分类器，它们分别是C4.5决策树、支持向量机、多层感知机、随机森林、高斯朴素贝叶斯、梯度下降树、K最近邻和逻辑回归。在多层感知机分类中，设置其最大迭代次数设置为5000轮，并设置参数early stopping为True，表示若分类误差在数轮循环数据迭代中不再显著下降时分类终止，以高效的找到训练数据的最佳迭代次数。对于逻辑回归分类器，使用“lbfgs”作为数值求解器，指定范数为“l2”用于惩罚。在随机森林算法中设置100个决策树构成森林。其余模型参数设置为默认。
步骤2：训练、评价视频会议流数据分类模型组。对帧长分布序列
Figure DEST_PATH_IMAGE148
及其对应来源
Figure 512722DEST_PATH_IMAGE077
执行MinMaxScaler分类算法中的数据规范化操作，之后依次训练8个机器学习分类模型，并根据
Figure DEST_PATH_IMAGE150
,求出各个模型的F1评分，得到长度为8的评分序列
Figure DEST_PATH_IMAGE152
。
步骤3：评价视频会议流数据安全性。将评分序列
Figure DEST_PATH_IMAGE154
以增顺序排序的方式得到有序的序列
Figure DEST_PATH_IMAGE156
,计算评分
Figure DEST_PATH_IMAGE158
，其中权重
Figure DEST_PATH_IMAGE160
，评分
Figure DEST_PATH_IMAGE162
可以衡量视频流数据安全性。
基于机器学习对抗性攻击的漏洞定位模块的主要功能是通过差分遗传算法定位关键特征与波动参数，扰动视频会议的流数据特征，阻止因流数据特征引起的隐私泄露发生。首先，初始化种群。定义个体基因型格式，并随机生成初始化个体；其次，种群变异。设置变异率，并使每个个体以一定变异率发生基因变异；之后，种群个体交叉。个体随机配对，交叉产生子个体；然后，个体选择。筛选使
Figure DEST_PATH_IMAGE163
评分较低的个体，并删除随机选择后的个体；最后，验证差分遗传中优秀个体
Figure 393302DEST_PATH_IMAGE162
评分，并转换为特征漏洞定位信息。
基于机器学习对抗性攻击的漏洞定位模块具体步骤如下：
步骤1：构建差分遗传算法结构、初始化种群
Figure 445441DEST_PATH_IMAGE130
。构造个体
Figure DEST_PATH_IMAGE165
基因型为
Figure DEST_PATH_IMAGE167
,其中
Figure DEST_PATH_IMAGE169
的值代表帧长分布序列的索引值，
Figure 508599DEST_PATH_IMAGE133
代表该索引位置的波动值。为了限制定位方案负载，设置限制参数
Figure DEST_PATH_IMAGE171
，使
Figure DEST_PATH_IMAGE173
。设置相关参数（如变异率
Figure DEST_PATH_IMAGE175
,变异范围
Figure DEST_PATH_IMAGE177
等），并随机生成一定量个体，作为初始种群（可以人为设置个体基因型，加快收敛）。
步骤2：基因变异。种群中每个个体以变异率
Figure 75716DEST_PATH_IMAGE175
的概率发生基因突变，具体表现为
Figure DEST_PATH_IMAGE179
或
Figure DEST_PATH_IMAGE181
，其中变异波动量
Figure DEST_PATH_IMAGE183
。若变异后出现非法值，则不执行此次变异。
步骤3：种群中个体交叉。配对种群
Figure DEST_PATH_IMAGE185
中所有个体，并交叉二者基因型产生子个体。具体为
Figure DEST_PATH_IMAGE187
，并将
Figure DEST_PATH_IMAGE189
加入到种群
Figure 154792DEST_PATH_IMAGE185
中。
步骤4：种群中个体选择。计算个体在种群中的适应度，并根据适应度采用轮盘法选择出一定数量个体（一般与初始种群数量一致，可以根据计算能力调整）。具体步骤如下：
步骤4-1：计算每个个体适应度。将个体基因型
Figure DEST_PATH_IMAGE191
作用于帧长分布序列矩阵
Figure 812170DEST_PATH_IMAGE129
，得到
Figure DEST_PATH_IMAGE193
，并根据基于机器学习的流数据安全评测模块计算得到安全性评分
Figure DEST_PATH_IMAGE195
。重复此步骤，计算所有个体的安全性评分，得到评分序列
Figure DEST_PATH_IMAGE197
。
步骤4-2：计算轮盘中个体的权重。将
Figure DEST_PATH_IMAGE199
中最小值
Figure 92235DEST_PATH_IMAGE050
的权重设为1，则任意个体
Figure DEST_PATH_IMAGE201
的权重为
Figure DEST_PATH_IMAGE203
。
步骤4-3：从种群中选择个体。通过轮盘法选择出一定个体数量的种群
Figure DEST_PATH_IMAGE205
。
步骤5：重复执行步骤2~4，直到种群中出现评分达到一定要求的个体或达到一定轮次阈值（个体要求和轮次阈值可根据场景定义）。
步骤6：验证评分，并转换为漏洞定位信息。首先，选择轮盘权值最高个体
Figure DEST_PATH_IMAGE207
。将个体基因型
Figure DEST_PATH_IMAGE209
作用于帧长分布序列矩阵
Figure DEST_PATH_IMAGE210
得到
Figure DEST_PATH_IMAGE211
,并根据基于机器学习的流数据安全评测模块计算得到
Figure DEST_PATH_IMAGE213
的安全性评分
Figure DEST_PATH_IMAGE214
。若
Figure DEST_PATH_IMAGE215
基本一致且稳定，则输出基因型
Figure DEST_PATH_IMAGE217
，表示帧长分布序列矩阵的
Figure DEST_PATH_IMAGE219
位置最容易暴露视频会议场景信息，且波动一般为
Figure DEST_PATH_IMAGE221
时最好。若
Figure DEST_PATH_IMAGE222
异常变化，则返回步骤1。
步骤103，采用在数据帧的长度位于所述安全漏洞位置所对应的长度范围内的网络流数据中添加所述数据调整量的扰动数据或者填充所述数据调整量的数据帧的方式，弥补流数据安全漏洞。
本发明步骤103基于机器学习对抗性攻击的漏洞定位模块实现，具体的，基于机器学习对抗性攻击的漏洞定位模块还执行如下步骤：提供漏洞修复参考方案。在数据帧长度为帧长分布序列矩阵
Figure DEST_PATH_IMAGE224
位置的长度范围中，通过添加扰动数据增加范围内数据帧数量，或者填充数据帧减少长度范围内数据帧，弥补流数据安全漏洞。
与现有技术相比，本发明的有益效果是：
本发明提出了一种视频会议场景下基于机器学习的流数据安全漏洞探测方法，本发明通过探测视频会议数据传输中可能引起数据泄露问题发生的数据帧，提醒并提供合理策略避免攻击者对流数据帧统计、分类以得出视频会议用户的私密信息，最终保护视频会议用户操作的隐秘性和视频服务的安全性。本发明包括数据帧特征工程模块、基于机器学习的流数据安全评测模块、基于机器学习对抗性攻击的漏洞定位模块。数据帧特征工程模块的主要功能是通过解析流数据并转换为以数据帧为统计单位的特征向量，用于后续定位流数据特征所造成的安全漏洞。基于机器学习的流数据安全评测模块的主要功能是通过基于机器学习的流量分类技术，以分类模型的F1评分评价当前视频会议流数据的安全性。基于机器学习对抗性攻击的漏洞定位模块主要是通过差分遗传算法定位关键特征与波动参数，扰动视频会议的流数据特征，阻止因流数据特征引起的隐私泄露问题的发生。具有比现有漏洞探测方式定位更加快速、抗干扰能力更强的特点。
本说明书中等效实施例采用递进的方式描述，每个实施例重点说明的都是与其他实施例的不同之处，等效实施例之间相同相似部分互相参见即可。
本文中应用了具体个例对本发明的原理及实施方式进行了阐述，以上实施例的说明只是用于帮助理解本发明的方法及其核心思想；同时，对于本领域的一般技术人员，依据本发明的思想，在具体实施方式及应用范围上均会有改变之处。综上，本说明书内容不应理解为对本发明的限制。

Claims (10)

1.一种视频会议场景下基于机器学习的流数据安全漏洞探测方法，其特征在于，所述探测方法包括如下步骤：
对视频会议产生的网络流数据进行解析，将所述网络流数据转换为以数据帧为统计单位的特征向量，得到帧长分布序列矩阵；
以训练后的流量分类模型输出的帧长分布序列矩阵的安全性评分为适应度函数，采用差分遗传算法定位帧长分布序列矩阵的安全漏洞位置和数据调整量；
采用在数据帧的长度位于所述安全漏洞位置所对应的长度范围内的网络流数据中添加所述数据调整量的扰动数据或者填充所述数据调整量的数据帧的方式，弥补流数据安全漏洞。
2.根据权利要求1所述的视频会议场景下基于机器学习的流数据安全漏洞探测方法，其特征在于，所述对视频会议产生的网络流数据进行解析，将所述网络流数据转换为以数据帧为统计单位的特征向量，得到帧长分布序列矩阵，具体包括：
获取视频会议产生的网络流数据片段集合；
初始化第一索引值
Figure DEST_PATH_IMAGE002
；
根据片段集合的第i个片段中每个数据帧的长度，确定不同长度范围内的数据帧的个数，建立第i个片段的帧长分布序列
Figure DEST_PATH_IMAGE004
；
令第一索引值i的数值增加1，返回步骤“根据片段集合的第i个片段中每个数据帧的长度，确定不同长度范围内的数据帧的个数，建立第i个片段的帧长分布序列
Figure 970257DEST_PATH_IMAGE004
”，直到统计完成片段集合中的所有片段，得到片段集合中每个片段的帧长分布序列组成的帧长分布序列矩阵
Figure DEST_PATH_IMAGE006
。
3.根据权利要求2所述的视频会议场景下基于机器学习的流数据安全漏洞探测方法，其特征在于，所述获取视频会议产生的网络流数据片段集合，之后还包括：
使用Scapy嗅探工具探测片段集合中每个片段的源地址和目的地址；
删除片段集合中源地址和目的地址均与采集设备的物理地址不同的片段，获得更新后的片段集合。
4.根据权利要求2所述的视频会议场景下基于机器学习的流数据安全漏洞探测方法，其特征在于，所述根据片段集合的第i个片段中每个数据帧的长度，确定不同长度范围内的数据帧的个数，建立第i个片段的帧长分布序列
Figure 12031DEST_PATH_IMAGE004
，具体包括：
建立大小为
Figure DEST_PATH_IMAGE008
的统计矩阵
Figure DEST_PATH_IMAGE010
；其中，
Figure DEST_PATH_IMAGE012
为大于片段中数据帧的长度最大值的最小自然数，
Figure DEST_PATH_IMAGE014
表示滑动窗口的数量；
设置第二索引值
Figure DEST_PATH_IMAGE016
；
根据第i个片段中第j个数据帧的长度，利用公式
Figure DEST_PATH_IMAGE018
更新统计矩阵
Figure 625722DEST_PATH_IMAGE010
；其中，
Figure DEST_PATH_IMAGE020
表示第i个片段中的第j个数据帧的长度，
Figure DEST_PATH_IMAGE022
表示第i个片段中的第j个数据帧，
Figure DEST_PATH_IMAGE024
表示滑动窗口；
令第二索引值j的数值增加1，返回步骤“根据第i个片段中第j个数据帧的长度，利用公式
Figure 804287DEST_PATH_IMAGE018
更新统计矩阵
Figure DEST_PATH_IMAGE025
”，直到
Figure DEST_PATH_IMAGE027
时结束；
计算所述统计矩阵
Figure 946556DEST_PATH_IMAGE010
中每一行的和，得到长度位于每个滑动窗口内的数据帧的个数，建立第i个片段的帧长分布序列
Figure 159231DEST_PATH_IMAGE004
。
5.根据权利要求2所述的视频会议场景下基于机器学习的流数据安全漏洞探测方法，其特征在于，得到片段集合中每个片段的帧长分布序列组成的帧长分布序列矩阵
Figure DEST_PATH_IMAGE028
，之后还包括：
移除帧长分布序列矩阵
Figure 550898DEST_PATH_IMAGE006
中全部相等或存在异常值的帧长分布序列，得到更新后的帧长分布序列矩阵。
6.根据权利要求1所述的视频会议场景下基于机器学习的流数据安全漏洞探测方法，其特征在于，所述以训练后的流量分类模型输出的帧长分布序列矩阵的安全性评分为适应度函数，采用差分遗传算法定位帧长分布序列矩阵的安全漏洞位置和数据调整量，具体包括：
初始化差分遗传算法的规模f为父代种群
Figure DEST_PATH_IMAGE030
；其中，差分遗传算法的个体为
Figure DEST_PATH_IMAGE032
，其中，
Figure DEST_PATH_IMAGE034
代表帧长分布序列矩阵的索引位置，
Figure DEST_PATH_IMAGE036
，
Figure DEST_PATH_IMAGE038
代表索引位置的波动值，
Figure DEST_PATH_IMAGE040
表示帧长分布序列矩阵；
将父代种群中每个个体以变异率
Figure DEST_PATH_IMAGE042
的概率发生基因突变，并交叉父代种群中每两个个体，产生子代种群；
利用训练后的流量分类模型计算父代种群和子代种群中每个个体的适应度函数值；
根据每个个体的适应度函数值，利用公式
Figure DEST_PATH_IMAGE044
，计算每个个体的轮盘权重；
Figure DEST_PATH_IMAGE046
表示第g个个体的适应度函数值，
Figure DEST_PATH_IMAGE048
表示所有个体的最小的适应度函数值；
采用轮盘法从父代种群和子代种群中选取轮盘权重较大的f个个体组成新的父代种群，返回步骤“将父代种群中每个个体以变异率
Figure 909985DEST_PATH_IMAGE042
的概率发生基因突变，并交叉父代种群中每两个个体，产生子代种群”，直到种群中出现适应度函数值达到适应度函数阈值的个体或迭代次数达到迭代次数阈值；
输出轮盘权重最大的个体的索引位置作为安全漏洞位置，轮盘权重最大的个体的索引位置的波动值作为数据调整量。
7.根据权利要求6所述的视频会议场景下基于机器学习的流数据安全漏洞探测方法，其特征在于，所述利用训练后的流量分类模型计算父代种群和子代种群中每个个体的适应度函数值，具体包括：
利用个体中的索引位置和索引位置的波动值，更新帧长分布序列矩阵，得到所述个体对应的帧长分布序列矩阵；
利用训练后的流量分类模型，计算所述个体对应的帧长分布序列矩阵的安全性评分，作为所述个体的适应度函数值。
8.根据权利要求6所述的视频会议场景下基于机器学习的流数据安全漏洞探测方法，其特征在于，所述将父代种群中每个个体以变异率
Figure DEST_PATH_IMAGE050
的概率发生基因突变，并交叉父代种群中每两个个体，产生子代种群，具体包括：
将父代种群中每个个体以变异率
Figure DEST_PATH_IMAGE052
的概率发生基因突变，建立变异个体集合；
删除变异个体集合中变异波动量大于变异波动量阈值的个体，获得更新后的变异个体集合；
交叉父代种群中每两个个体的基因，建立交叉个体集合；
获取更新后的变异个体集合和所述交叉个体集合的并集，作为子代种群。
9.根据权利要求1所述的视频会议场景下基于机器学习的流数据安全漏洞探测方法，其特征在于，流量分类模型包括：C4.5决策树分类模型、支持向量机分类模型、多层感知机分类模型、随机森林分类模型、高斯朴素贝叶斯分类模型、梯度下降树分类模型、K最近邻分类模型和逻辑回归分类模型。
10.根据权利要求9所述的视频会议场景下基于机器学习的流数据安全漏洞探测方法，其特征在于，所述流量分类模型利用公式
Figure DEST_PATH_IMAGE054
，计算帧长分布序列矩阵的安全性评分；
其中，
Figure DEST_PATH_IMAGE056
、
Figure DEST_PATH_IMAGE058
和
Figure DEST_PATH_IMAGE060
分别表示C4.5决策树分类模型、支持向量机分类模型和辑回归分类模型输出的帧长分布序列矩阵的安全性评分；
Figure DEST_PATH_IMAGE062
、
Figure DEST_PATH_IMAGE064
和
Figure DEST_PATH_IMAGE066
分别表示C4.5决策树分类模型、支持向量机分类模型和辑回归分类模型的权重。
CN202110059166.0A 2021-01-18 2021-01-18 视频会议场景下基于机器学习的流数据安全漏洞探测方法 Active CN112398875B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202110059166.0A CN112398875B (zh) 2021-01-18 2021-01-18 视频会议场景下基于机器学习的流数据安全漏洞探测方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202110059166.0A CN112398875B (zh) 2021-01-18 2021-01-18 视频会议场景下基于机器学习的流数据安全漏洞探测方法

Publications (2)

Publication Number Publication Date
CN112398875A true CN112398875A (zh) 2021-02-23
CN112398875B CN112398875B (zh) 2021-04-09

Family

ID=74625033

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202110059166.0A Active CN112398875B (zh) 2021-01-18 2021-01-18 视频会议场景下基于机器学习的流数据安全漏洞探测方法

Country Status (1)

Country Link
CN (1) CN112398875B (zh)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN116968037A (zh) * 2023-09-21 2023-10-31 杭州芯控智能科技有限公司 一种多机械臂协同任务调度方法

Citations (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN109698836A (zh) * 2019-02-01 2019-04-30 重庆邮电大学 一种基于深度学习的无线局域网入侵检测方法和系统
WO2019128529A1 (zh) * 2017-12-28 2019-07-04 阿里巴巴集团控股有限公司 Url攻击检测方法、装置以及电子设备
CN109993077A (zh) * 2019-03-18 2019-07-09 南京信息工程大学 一种基于双流网络的行为识别方法
WO2020093694A1 (zh) * 2018-11-07 2020-05-14 华为技术有限公司 生成视频分析模型的方法及视频分析系统
CN111404833A (zh) * 2020-02-28 2020-07-10 华为技术有限公司 一种数据流类型识别模型更新方法及相关设备
CN111917712A (zh) * 2020-06-17 2020-11-10 深圳市金城保密技术有限公司 一种针对多协议攻击数据的流量监测方法及监测系统
CN112003869A (zh) * 2020-08-28 2020-11-27 国网重庆市电力公司电力科学研究院 一种基于流量的漏洞识别方法

Patent Citations (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2019128529A1 (zh) * 2017-12-28 2019-07-04 阿里巴巴集团控股有限公司 Url攻击检测方法、装置以及电子设备
WO2020093694A1 (zh) * 2018-11-07 2020-05-14 华为技术有限公司 生成视频分析模型的方法及视频分析系统
CN109698836A (zh) * 2019-02-01 2019-04-30 重庆邮电大学 一种基于深度学习的无线局域网入侵检测方法和系统
CN109993077A (zh) * 2019-03-18 2019-07-09 南京信息工程大学 一种基于双流网络的行为识别方法
CN111404833A (zh) * 2020-02-28 2020-07-10 华为技术有限公司 一种数据流类型识别模型更新方法及相关设备
CN111917712A (zh) * 2020-06-17 2020-11-10 深圳市金城保密技术有限公司 一种针对多协议攻击数据的流量监测方法及监测系统
CN112003869A (zh) * 2020-08-28 2020-11-27 国网重庆市电力公司电力科学研究院 一种基于流量的漏洞识别方法

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN116968037A (zh) * 2023-09-21 2023-10-31 杭州芯控智能科技有限公司 一种多机械臂协同任务调度方法
CN116968037B (zh) * 2023-09-21 2024-01-23 杭州芯控智能科技有限公司 一种多机械臂协同任务调度方法

Also Published As

Publication number Publication date
CN112398875B (zh) 2021-04-09

Similar Documents

Publication Publication Date Title
CN112398779B (zh) 一种网络流量数据分析方法及系统
CN109922032B (zh) 用于确定登录账户的风险的方法、装置、设备及存储介质
EP4078918B1 (en) Real-time voice phishing detection
CN110019074B (zh) 访问路径的分析方法、装置、设备及介质
CN110166454B (zh) 一种基于自适应遗传算法的混合特征选择入侵检测方法
CN109218304B (zh) 一种基于攻击图和协同进化的网络风险阻断方法
CN112235288B (zh) 一种基于gan的ndn网络入侵检测方法
CN111967609B (zh) 模型参数验证方法、设备及可读存储介质
CN110351301A (zh) 一种http请求双层递进式异常检测方法
CN109218321A (zh) 一种网络入侵检测方法及系统
CN110619535B (zh) 一种数据处理方法及其装置
CN114399029A (zh) 一种基于gan样本增强的恶意流量检测方法
CN112613599A (zh) 一种基于生成对抗网络过采样的网络入侵检测方法
CN112398875B (zh) 视频会议场景下基于机器学习的流数据安全漏洞探测方法
CN115409518A (zh) 用户交易风险预警方法及装置
CN114511131A (zh) 一种基于机器学习算法的网络安全态势预测方法及系统
CN115242441A (zh) 一种基于特征选择和深度神经网络的网络入侵检测方法
CN116915442A (zh) 漏洞测试方法、装置、设备和介质
Tan et al. Recognizing the content types of network traffic based on a hybrid DNN-HMM model
Samadzadeh et al. Evaluating Security Anomalies by Classifying Traffic Using Deep Learning
WO2024007565A1 (en) Network analysis using optical quantum computing
CN112235254A (zh) 一种高速主干网中Tor网桥的快速识别方法
Qi Computer Real-Time Location Forensics Method for Network Intrusion Crimes.
CN115174193B (zh) 基于ga算法的数据安全入侵检测方法、装置及设备
CN112153220B (zh) 一种基于社交评价动态更新的通信行为识别方法

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
GR01 Patent grant
GR01 Patent grant