CN114679310A - 一种网络信息安全检测方法 - Google Patents

一种网络信息安全检测方法 Download PDF

Info

Publication number
CN114679310A
CN114679310A CN202210284546.9A CN202210284546A CN114679310A CN 114679310 A CN114679310 A CN 114679310A CN 202210284546 A CN202210284546 A CN 202210284546A CN 114679310 A CN114679310 A CN 114679310A
Authority
CN
China
Prior art keywords
data
sample set
network information
network
prediction model
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
CN202210284546.9A
Other languages
English (en)
Inventor
王军
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.)
Anhui Safebetter Information Technology Co ltd
Original Assignee
Anhui Safebetter 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 Anhui Safebetter Information Technology Co ltd filed Critical Anhui Safebetter Information Technology Co ltd
Priority to CN202210284546.9A priority Critical patent/CN114679310A/zh
Publication of CN114679310A publication Critical patent/CN114679310A/zh
Pending legal-status Critical Current

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
    • H04L63/1425—Traffic logging, e.g. anomaly detection
    • 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
    • G06N3/084—Backpropagation, e.g. using gradient descent
    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04L—TRANSMISSION OF DIGITAL INFORMATION, e.g. TELEGRAPHIC COMMUNICATION
    • H04L41/00—Arrangements for maintenance, administration or management of data switching networks, e.g. of packet switching networks
    • H04L41/14—Network analysis or design
    • H04L41/147—Network analysis or design for predicting network behaviour
    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04L—TRANSMISSION OF DIGITAL INFORMATION, e.g. TELEGRAPHIC COMMUNICATION
    • H04L43/00—Arrangements for monitoring or testing data switching networks
    • H04L43/08—Monitoring or testing based on specific metrics, e.g. QoS, energy consumption or environmental parameters
    • H04L43/0876—Network utilisation, e.g. volume of load or congestion level
    • 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)
  • Computing Systems (AREA)
  • Signal Processing (AREA)
  • Computer Networks & Wireless Communication (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Engineering & Computer Science (AREA)
  • Biophysics (AREA)
  • Mathematical Physics (AREA)
  • General Health & Medical Sciences (AREA)
  • Molecular Biology (AREA)
  • Data Mining & Analysis (AREA)
  • Computational Linguistics (AREA)
  • General Physics & Mathematics (AREA)
  • Evolutionary Computation (AREA)
  • Software Systems (AREA)
  • Biomedical Technology (AREA)
  • Computer Hardware Design (AREA)
  • Artificial Intelligence (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Health & Medical Sciences (AREA)
  • Environmental & Geological Engineering (AREA)
  • Alarm Systems (AREA)

Abstract

本发明涉及网络安全，具体涉及一种网络信息安全检测方法，采集网络信息安全数据与网络流量样本数据，并分别构建训练样本集、测试样本集；对网络信息安全数据的训练样本集、测试样本集进行数据修补，并进行降维、分解处理；将分解后的网络信息安全数据的训练样本集输入数据安全预测模型进行模型训练，并利用对应的测试样本集进行准确性验证；将网络流量样本数据的训练样本集输入流量安全预测模型进行模型训练，并利用对应的测试样本集进行准确性验证；利用训练好的数据安全预测模型、流量安全预测模型进行网络信息安全检测；本发明提供的技术方案能够有效克服现有技术所存在的对网络信息安全状态的检测不够准确，并且检测效率较低的缺陷。

Description

一种网络信息安全检测方法
技术领域
本发明涉及网络安全，具体涉及一种网络信息安全检测方法。
背景技术
随着物联网、云计算、大数据等新技术的出现，信息和网络技术广泛地深入到社会各个领域，金融、科技、教育，甚至是如今新兴的智能家居，网络信息无处不在。然而，在互联网技术广泛应用的同时，也存在着大量的安全风险，各种网络信息安全事件层出不穷，使得计算机网络面临严峻的信息安全形势。
物联网能够在人与物品之间建立通信网络，并通过网络空间进行远程指挥和遥控，极大地方便了人们的生活。随着设备和数据的关系变得错综复杂，物联网的应用也给我们带来了许多难以预测的安全威胁。在智能家居领域中，攻击者可以通过获取网络中传输的信息及操作，分析获得我们的生活习惯及个人隐私，并且攻击者可以在节点间传输的信息中获取重要的敏感信息。
网络信息安全的核心问题就是对系统中可能存在的威胁进行及时、准确的预测，若根据历史上已知时间各监测点的特征值，能够推算出未来时间内网络信息安全情况，则可以依据预测结果发布未来环境下所需要关注的信息安全告警。由此可知，网络信息安全预测是网络信息安全防护的有力补充，帮助系统预先判断网络中可能存在的威胁，加固了网络信息安全的完整性。但是，现有的网络信息安全检测方法对网络信息安全状态的检测不够准确，并且检测效率较低，无法确保网络信息安全系统做出有针对性的防御措施。
发明内容
(一)解决的技术问题
针对现有技术所存在的上述缺点，本发明提供了一种网络信息安全检测方法，能够有效克服现有技术所存在的对网络信息安全状态的检测不够准确，并且检测效率较低的缺陷。
(二)技术方案
为实现以上目的，本发明通过以下技术方案予以实现：
一种网络信息安全检测方法，包括以下步骤：
S1、采集网络信息安全数据与网络流量样本数据，并分别构建训练样本集、测试样本集；
S2、对网络信息安全数据的训练样本集、测试样本集进行数据修补，并进行降维、分解处理；
S3、将分解后的网络信息安全数据的训练样本集输入数据安全预测模型进行模型训练，并利用对应的测试样本集进行准确性验证；
S4、将网络流量样本数据的训练样本集输入流量安全预测模型进行模型训练，并利用对应的测试样本集进行准确性验证；
S5、利用训练好的数据安全预测模型、流量安全预测模型进行网络信息安全检测。
优选地，S2中对网络信息安全数据的训练样本集、测试样本集进行数据修补，包括：
采用不包含缺失值的变量X1、X2、…、Xn-1进行模型拟合：
E[Xn|β]＝β0+β1X1+β2X2+...+βn-1Xn-1
从β的后验分布中随机抽取新的β'，并计算：
X'n＝β'0+β'1X'1+β'2X'2+...+β'n-1X'n-1+ση
从训练样本集中选择最接近X'n的数据填补缺失值Xi；其中，β为模型回归系数的参数估计，σ为模型的方差估计，η为模拟的正态随机误差。
优选地，S2中对网络信息安全数据的训练样本集、测试样本集进行降维处理，包括：
对网络信息安全数据的训练样本集、测试样本集分别去平均，并计算协方差矩阵，以及协方差矩阵的特征向量、特征值，对特征值进行降序排列，并将特征值最大的特征向量组成特征向量矩阵。
优选地，S3中将分解后的网络信息安全数据的训练样本集输入数据安全预测模型进行模型训练，包括：
将分解后的网络信息安全数据的训练样本集和学习率输入基于BP神经网络的数据安全预测模型进行模型训练，并对数据安全预测模型中所有的连接权重和阈值进行随机初始化，达到停止条件后输出连接权重和阈值确定的BP神经网络。
优选地，S3中利用对应的测试样本集进行准确性验证，包括：
将网络信息安全数据的测试样本集输入基于BP神经网络的数据安全预测模型进行测试，利用误差反向传播算法不断调节连接权重和阈值，以减小误差。
优选地，S1中采集网络流量样本数据，并构建训练样本集、测试样本集，包括：
对网络流量样本数据进行维度扩充，并进行标准化处理，得到标准数据集；
从标准数据集中选取测试数据，标准数据集中其余数据作为训练数据，对训练数据、测试数据进行维度扩充，分别得到训练样本集、测试样本集。
优选地，S4中将网络流量样本数据的训练样本集输入流量安全预测模型进行模型训练，并利用对应的测试样本集进行准确性验证，包括：
将网络流量样本数据的训练样本集输入基于LSTM的流量安全预测模型进行模型训练；
将网络流量样本数据的测试样本集输入基于LSTM的流量安全预测模型进行测试，利用误差反向传播算法减小误差。
优选地，S5中利用训练好的数据安全预测模型、流量安全预测模型进行网络信息安全检测，包括：
采集实时的网络信息安全数据与网络流量样本数据，并分别输入训练好的数据安全预测模型、流量安全预测模型，对数据安全预测模型、流量安全预测模型的预测结果进行综合分析判断，确定当前网络信息安全状态。
优选地，所述对数据安全预测模型、流量安全预测模型的预测结果进行综合分析判断，确定当前网络信息安全状态，包括：
将实时网络信息安全数据输入训练好的数据安全预测模型，得到网络数据异常检测结果；
将实时网络流量样本数据输入训练好的流量安全预测模型，并计算流量安全预测模型的预测结果与实时网络流量样本数据之间的差值，对该差值进行分析后得到网络流量异常检测结果；
基于对网络数据异常检测结果、网络流量异常检测结果的综合分析判断，得到对应的网络信息安全状态。
(三)有益效果
与现有技术相比，本发明所提供的一种网络信息安全检测方法，一方面通过采集网络信息安全数据，并对网络信息安全数据的训练样本集、测试样本集进行数据修补，以及降维、分解处理，利用分解后的网络信息安全数据的训练样本集对数据安全预测模型进行模型训练，借助数据安全预测模型获得网络数据异常检测结果；另一方面，通过采集网络流量样本数据，并对网络流量样本数据进行维度扩充、标准化处理，利用网络流量样本数据的训练样本集对流量安全预测模型进行模型训练，借助流量安全预测模型获得网络流量异常检测结果，最后通过对网络数据异常检测结果、网络流量异常检测结果的综合分析判断，得到当前网络信息安全状态，不仅能够有效提升网络信息安全检测的准确性，同时还能够有效提升检测效率。
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附图。
图1为本发明的流程示意图；
图2为本发明中利用网络信息安全数据进行网络信息安全检测的流程示意图；
图3为本发明中利用网络流量样本数据进行网络信息安全检测的流程示意图。
具体实施方式
为使本发明实施例的目的、技术方案和优点更加清楚，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作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。
一种网络信息安全检测方法，如图1所示，包括以下步骤：
S1、采集网络信息安全数据与网络流量样本数据，并分别构建训练样本集、测试样本集；
S2、对网络信息安全数据的训练样本集、测试样本集进行数据修补，并进行降维、分解处理；
S3、将分解后的网络信息安全数据的训练样本集输入数据安全预测模型进行模型训练，并利用对应的测试样本集进行准确性验证；
S4、将网络流量样本数据的训练样本集输入流量安全预测模型进行模型训练，并利用对应的测试样本集进行准确性验证；
S5、利用训练好的数据安全预测模型、流量安全预测模型进行网络信息安全检测。
本申请技术方案中，利用网络信息安全数据进行网络信息安全检测的过程，包括：
采集网络信息安全数据，分别构建训练样本集、测试样本集；
对网络信息安全数据的训练样本集、测试样本集进行数据修补；
对网络信息安全数据的训练样本集、测试样本集进行降维、分解处理；
将分解后的网络信息安全数据的训练样本集和学习率输入基于BP神经网络的数据安全预测模型进行模型训练；
达到停止条件后输出连接权重和阈值确定的BP神经网络；
将网络信息安全数据的测试样本集输入数据安全预测模型进行测试，利用误差反向传播算法不断调节连接权重和阈值；
将实时网络信息安全数据输入训练好的数据安全预测模型，得到网络数据异常检测结果。
①对网络信息安全数据的训练样本集、测试样本集进行数据修补，包括：
采用不包含缺失值的变量X1、X2、…、Xn-1进行模型拟合：
E[Xn|β]＝β0+β1X1+β2X2+...+βn-1Xn-1
从β的后验分布中随机抽取新的β'，并计算：
X'n＝β'0+β'1X'1+β'2X'2+...+β'n-1X'n-1+ση
从训练样本集中选择最接近X'n的数据填补缺失值Xi；其中，β为模型回归系数的参数估计，σ为模型的方差估计，η为模拟的正态随机误差。通过上述数据修补方法，能够在正态性假设不成立的情况下，选择合适的数据填补缺失值Xi，尽可能还原填补数据与变量X1、X2、…、Xn-1之间的关联性。
②对网络信息安全数据的训练样本集、测试样本集进行降维处理，包括：
对网络信息安全数据的训练样本集、测试样本集分别去平均，并计算协方差矩阵，以及协方差矩阵的特征向量、特征值，对特征值进行降序排列，并将特征值最大的特征向量组成特征向量矩阵。
③将分解后的网络信息安全数据的训练样本集输入数据安全预测模型进行模型训练，包括：
将分解后的网络信息安全数据的训练样本集和学习率输入基于BP神经网络的数据安全预测模型进行模型训练，并对数据安全预测模型中所有的连接权重和阈值进行随机初始化，达到停止条件后输出连接权重和阈值确定的BP神经网络。
本申请技术方案中，基于BP神经网络的数据安全预测模型由输入层、隐层和输出层组成，隐层可以有一层或多层，网络中可以采用Log-Sigmoid函数。
④利用对应的测试样本集进行准确性验证，包括：
将网络信息安全数据的测试样本集输入基于BP神经网络的数据安全预测模型进行测试，利用误差反向传播算法不断调节连接权重和阈值，以减小误差。
本申请技术方案中，网络信息安全数据包括网络资产安全数据、网络威胁识别数据、网络入侵识别数据、网络攻击识别数据和网络安全措施数据等。
本申请技术方案中，利用网络流量样本数据进行网络信息安全检测的过程，包括：
采集网络流量样本数据，对网络流量样本数据进行维度扩充，并进行标准化处理，得到标准数据集；
从标准数据集中选取训练数据、测试数据，对训练数据、测试数据进行维度扩充，分别得到训练样本集、测试样本集；
将网络流量样本数据的训练样本集输入基于LSTM的流量安全预测模型进行模型训练；
将网络流量样本数据的测试样本集输入基于LSTM的流量安全预测模型进行测试，利用误差反向传播算法减小误差；
将实时网络流量样本数据输入训练好的流量安全预测模型，计算流量安全预测模型的预测结果与实时网络流量样本数据之间差值；
对差值进行分析后得到网络流量异常检测结果。
①采集网络流量样本数据，并构建训练样本集、测试样本集，包括：
对网络流量样本数据进行维度扩充，并进行标准化处理，得到标准数据集；
从标准数据集中选取测试数据，标准数据集中其余数据作为训练数据，对训练数据、测试数据进行维度扩充，分别得到训练样本集、测试样本集。
②将网络流量样本数据的训练样本集输入流量安全预测模型进行模型训练，并利用对应的测试样本集进行准确性验证，包括：
将网络流量样本数据的训练样本集输入基于LSTM的流量安全预测模型进行模型训练；
将网络流量样本数据的测试样本集输入基于LSTM的流量安全预测模型进行测试，利用误差反向传播算法减小误差。
本申请技术方案中，基于LSTM的流量安全预测模型包括RNN循环神经网络，以及输入阀门、输出阀门。
利用训练好的数据安全预测模型、流量安全预测模型进行网络信息安全检测，包括：
采集实时的网络信息安全数据与网络流量样本数据，并分别输入训练好的数据安全预测模型、流量安全预测模型，对数据安全预测模型、流量安全预测模型的预测结果进行综合分析判断，确定当前网络信息安全状态。
其中，对数据安全预测模型、流量安全预测模型的预测结果进行综合分析判断，确定当前网络信息安全状态，包括：
将实时网络信息安全数据输入训练好的数据安全预测模型，得到网络数据异常检测结果；
将实时网络流量样本数据输入训练好的流量安全预测模型，并计算流量安全预测模型的预测结果与实时网络流量样本数据之间的差值，对该差值进行分析后得到网络流量异常检测结果；
基于对网络数据异常检测结果、网络流量异常检测结果的综合分析判断，得到对应的网络信息安全状态。
本申请技术方案中，一方面通过采集网络信息安全数据，并对网络信息安全数据的训练样本集、测试样本集进行数据修补，以及降维、分解处理，利用分解后的网络信息安全数据的训练样本集对数据安全预测模型进行模型训练，借助数据安全预测模型获得网络数据异常检测结果；另一方面，通过采集网络流量样本数据，并对网络流量样本数据进行维度扩充、标准化处理，利用网络流量样本数据的训练样本集对流量安全预测模型进行模型训练，借助流量安全预测模型获得网络流量异常检测结果。
通过对网络数据异常检测结果、网络流量异常检测结果的综合分析判断，得到当前网络信息安全状态，不仅能够有效提升网络信息安全检测的准确性，同时还能够有效提升检测效率。
以上实施例仅用以说明本发明的技术方案，而非对其限制；尽管参照前述实施例对本发明进行了详细的说明，本领域的普通技术人员应当理解：其依然可以对前述各实施例所记载的技术方案进行修改，或者对其中部分技术特征进行等同替换；而这些修改或者替换，并不会使相应技术方案的本质脱离本发明各实施例技术方案的精神和范围。

Claims (9)

1.一种网络信息安全检测方法，其特征在于：包括以下步骤：
S1、采集网络信息安全数据与网络流量样本数据，并分别构建训练样本集、测试样本集；
S2、对网络信息安全数据的训练样本集、测试样本集进行数据修补，并进行降维、分解处理；
S3、将分解后的网络信息安全数据的训练样本集输入数据安全预测模型进行模型训练，并利用对应的测试样本集进行准确性验证；
S4、将网络流量样本数据的训练样本集输入流量安全预测模型进行模型训练，并利用对应的测试样本集进行准确性验证；
S5、利用训练好的数据安全预测模型、流量安全预测模型进行网络信息安全检测。
2.根据权利要求1所述的网络信息安全检测方法，其特征在于：S2中对网络信息安全数据的训练样本集、测试样本集进行数据修补，包括：
采用不包含缺失值的变量X1、X2、…、Xn-1进行模型拟合：
E[Xn|β]＝β0+β1X1+β2X2+...+βn-1Xn-1
从β的后验分布中随机抽取新的β'，并计算：
X'n＝β'0+β'1X'1+β'2X'2+...+β'n-1X'n-1+ση
从训练样本集中选择最接近X'n的数据填补缺失值Xi；其中，β为模型回归系数的参数估计，σ为模型的方差估计，η为模拟的正态随机误差。
3.根据权利要求1所述的网络信息安全检测方法，其特征在于：S2中对网络信息安全数据的训练样本集、测试样本集进行降维处理，包括：
对网络信息安全数据的训练样本集、测试样本集分别去平均，并计算协方差矩阵，以及协方差矩阵的特征向量、特征值，对特征值进行降序排列，并将特征值最大的特征向量组成特征向量矩阵。
4.根据权利要求1所述的网络信息安全检测方法，其特征在于：S3中将分解后的网络信息安全数据的训练样本集输入数据安全预测模型进行模型训练，包括：
将分解后的网络信息安全数据的训练样本集和学习率输入基于BP神经网络的数据安全预测模型进行模型训练，并对数据安全预测模型中所有的连接权重和阈值进行随机初始化，达到停止条件后输出连接权重和阈值确定的BP神经网络。
5.根据权利要求4所述的网络信息安全检测方法，其特征在于：S3中利用对应的测试样本集进行准确性验证，包括：
将网络信息安全数据的测试样本集输入基于BP神经网络的数据安全预测模型进行测试，利用误差反向传播算法不断调节连接权重和阈值，以减小误差。
6.根据权利要求1所述的网络信息安全检测方法，其特征在于：S1中采集网络流量样本数据，并构建训练样本集、测试样本集，包括：
对网络流量样本数据进行维度扩充，并进行标准化处理，得到标准数据集；
从标准数据集中选取测试数据，标准数据集中其余数据作为训练数据，对训练数据、测试数据进行维度扩充，分别得到训练样本集、测试样本集。
7.根据权利要求1所述的网络信息安全检测方法，其特征在于：S4中将网络流量样本数据的训练样本集输入流量安全预测模型进行模型训练，并利用对应的测试样本集进行准确性验证，包括：
将网络流量样本数据的训练样本集输入基于LSTM的流量安全预测模型进行模型训练；
将网络流量样本数据的测试样本集输入基于LSTM的流量安全预测模型进行测试，利用误差反向传播算法减小误差。
8.根据权利要求1所述的网络信息安全检测方法，其特征在于：S5中利用训练好的数据安全预测模型、流量安全预测模型进行网络信息安全检测，包括：
采集实时的网络信息安全数据与网络流量样本数据，并分别输入训练好的数据安全预测模型、流量安全预测模型，对数据安全预测模型、流量安全预测模型的预测结果进行综合分析判断，确定当前网络信息安全状态。
9.根据权利要求8所述的网络信息安全检测方法，其特征在于：所述对数据安全预测模型、流量安全预测模型的预测结果进行综合分析判断，确定当前网络信息安全状态，包括：
将实时网络信息安全数据输入训练好的数据安全预测模型，得到网络数据异常检测结果；
将实时网络流量样本数据输入训练好的流量安全预测模型，并计算流量安全预测模型的预测结果与实时网络流量样本数据之间的差值，对该差值进行分析后得到网络流量异常检测结果；
基于对网络数据异常检测结果、网络流量异常检测结果的综合分析判断，得到对应的网络信息安全状态。
CN202210284546.9A 2022-03-22 2022-03-22 一种网络信息安全检测方法 Pending CN114679310A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202210284546.9A CN114679310A (zh) 2022-03-22 2022-03-22 一种网络信息安全检测方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202210284546.9A CN114679310A (zh) 2022-03-22 2022-03-22 一种网络信息安全检测方法

Publications (1)

Publication Number Publication Date
CN114679310A true CN114679310A (zh) 2022-06-28

Family

ID=82073397

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202210284546.9A Pending CN114679310A (zh) 2022-03-22 2022-03-22 一种网络信息安全检测方法

Country Status (1)

Country Link
CN (1) CN114679310A (zh)

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN115348115A (zh) * 2022-10-19 2022-11-15 广州优刻谷科技有限公司 智能家居的攻击预测模型训练方法、攻击预测方法及系统
CN116775496A (zh) * 2023-07-20 2023-09-19 哈尔滨梦思达数据科技开发有限公司 基于大数据的计算机网络测试系统及方法

Citations (9)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN108900546A (zh) * 2018-08-13 2018-11-27 杭州安恒信息技术股份有限公司 基于lstm的时间序列网络异常检测的方法与装置
CN108900346A (zh) * 2018-07-06 2018-11-27 西安电子科技大学 基于lstm网络的无线网络流量预测方法
CN112037012A (zh) * 2020-08-14 2020-12-04 百维金科(上海)信息科技有限公司 一种基于pso-bp神经网络的互联网金融信用评价方法
CN112165485A (zh) * 2020-09-25 2021-01-01 山东炎黄工业设计有限公司 一种大规模网络安全态势智能预测方法
WO2021068454A1 (zh) * 2019-10-12 2021-04-15 联合微电子中心有限责任公司 一种基于bp神经网络的微能源器件能量识别方法
WO2021103135A1 (zh) * 2019-11-25 2021-06-03 中国科学院深圳先进技术研究院 一种基于深度神经网络的流量分类方法、系统及电子设备
CN113128615A (zh) * 2021-04-30 2021-07-16 南京工程学院 基于pca的bp神经网络对信息安全的检测系统、方法、应用
CN113179263A (zh) * 2021-04-25 2021-07-27 周口师范学院 一种网络入侵检测方法、装置及设备
CN113408609A (zh) * 2021-06-17 2021-09-17 武汉卓尔信息科技有限公司 一种网络攻击检测方法及系统

Patent Citations (9)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN108900346A (zh) * 2018-07-06 2018-11-27 西安电子科技大学 基于lstm网络的无线网络流量预测方法
CN108900546A (zh) * 2018-08-13 2018-11-27 杭州安恒信息技术股份有限公司 基于lstm的时间序列网络异常检测的方法与装置
WO2021068454A1 (zh) * 2019-10-12 2021-04-15 联合微电子中心有限责任公司 一种基于bp神经网络的微能源器件能量识别方法
WO2021103135A1 (zh) * 2019-11-25 2021-06-03 中国科学院深圳先进技术研究院 一种基于深度神经网络的流量分类方法、系统及电子设备
CN112037012A (zh) * 2020-08-14 2020-12-04 百维金科(上海)信息科技有限公司 一种基于pso-bp神经网络的互联网金融信用评价方法
CN112165485A (zh) * 2020-09-25 2021-01-01 山东炎黄工业设计有限公司 一种大规模网络安全态势智能预测方法
CN113179263A (zh) * 2021-04-25 2021-07-27 周口师范学院 一种网络入侵检测方法、装置及设备
CN113128615A (zh) * 2021-04-30 2021-07-16 南京工程学院 基于pca的bp神经网络对信息安全的检测系统、方法、应用
CN113408609A (zh) * 2021-06-17 2021-09-17 武汉卓尔信息科技有限公司 一种网络攻击检测方法及系统

Cited By (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN115348115A (zh) * 2022-10-19 2022-11-15 广州优刻谷科技有限公司 智能家居的攻击预测模型训练方法、攻击预测方法及系统
CN115348115B (zh) * 2022-10-19 2022-12-20 广州优刻谷科技有限公司 智能家居的攻击预测模型训练方法、攻击预测方法及系统
CN116775496A (zh) * 2023-07-20 2023-09-19 哈尔滨梦思达数据科技开发有限公司 基于大数据的计算机网络测试系统及方法

Similar Documents

Publication Publication Date Title
US11314242B2 (en) Methods and systems for fault detection and identification
CN106888205B (zh) 一种非侵入式基于功耗分析的plc异常检测方法
Coble et al. Applying the general path model to estimation of remaining useful life
CN110381079B (zh) 结合gru和svdd进行网络日志异常检测方法
CN112202736A (zh) 基于统计学习和深度学习的工业控制系统通信网络异常分类方法
CN114679310A (zh) 一种网络信息安全检测方法
CN108507117A (zh) 一种基于小波神经网络的空调系统传感器故障诊断方法
CN112257063A (zh) 一种基于合作博弈论的联邦学习中后门攻击的检测方法
CN112987675A (zh) 一种异常检测的方法、装置、计算机设备和介质
CN109446812A (zh) 一种嵌入式系统固件安全分析方法及系统
CN113516837B (zh) 一种基于多源信息融合的城市火灾判断方法、系统及其存储介质
CN106685996A (zh) 基于hmm模型的账号异常登录检测方法
Huang et al. A novel Bayesian deep dual network with unsupervised domain adaptation for transfer fault prognosis across different machines
CN106446506A (zh) 一种多方法组合的小卫星状态自主智能预测方法
Lugaresi et al. Real-time validation of digital models for manufacturing systems: A novel signal-processing-based approach
Legrand et al. Study of autoencoder neural networks for anomaly detection in connected buildings
CN114266289A (zh) 一种复杂装备健康状态评估方法
CN114004331A (zh) 一种基于关键指标和深度学习的故障分析方法
Reda et al. Data-driven approach for state prediction and detection of false data injection attacks in smart grid
Sharma et al. Unsupervised detection of non-technical losses via recursive transform learning
CN115018012A (zh) 一种高维度特性下的物联网时间序列异常检测方法及系统
Tang et al. Prediction of bearing performance degradation with bottleneck feature based on LSTM network
CN110956543A (zh) 异常交易检测的方法
Su et al. KPI anomaly detection method for Data Center AIOps based on GRU-GAN
CN117290726A (zh) 一种基于CAE-BiLSTM的动设备故障预警方法

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