CN115102734A - 一种基于数据流量的漏洞识别系统及其识别方法 - Google Patents

一种基于数据流量的漏洞识别系统及其识别方法 Download PDF

Info

Publication number
CN115102734A
CN115102734A CN202210667777.8A CN202210667777A CN115102734A CN 115102734 A CN115102734 A CN 115102734A CN 202210667777 A CN202210667777 A CN 202210667777A CN 115102734 A CN115102734 A CN 115102734A
Authority
CN
China
Prior art keywords
data
vulnerability
identification
flow
feature
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
CN202210667777.8A
Other languages
English (en)
Other versions
CN115102734B (zh
Inventor
原树生
于慧超
石永杰
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.)
Beijing Wangteng Technology Co ltd
Original Assignee
Beijing Wangteng 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 Wangteng Technology Co ltd filed Critical Beijing Wangteng Technology Co ltd
Priority to CN202210667777.8A priority Critical patent/CN115102734B/zh
Publication of CN115102734A publication Critical patent/CN115102734A/zh
Application granted granted Critical
Publication of CN115102734B publication Critical patent/CN115102734B/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
    • 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
    • Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
    • Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
    • Y02D—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN INFORMATION AND COMMUNICATION TECHNOLOGIES [ICT], I.E. INFORMATION AND COMMUNICATION TECHNOLOGIES AIMING AT THE REDUCTION OF THEIR OWN ENERGY USE
    • Y02D30/00—Reducing energy consumption in communication networks
    • Y02D30/50—Reducing energy consumption in communication networks in wire-line communication networks, e.g. low power modes or reduced link rate

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)
  • Data Exchanges In Wide-Area Networks (AREA)

Abstract

本发明公开了一种基于数据流量的漏洞识别系统，包括数据流量提取模块，用于提取通讯链路中的数据流量；数据流量识别模块，用于对数据流量进行特征识别；漏洞识别模块，用于使用流量数据特征对漏洞进行识别；漏洞验证模块，用于对识别出的漏洞进行验证。本发明能够改进现有技术的不足，在保证漏洞识别的准确性的同时，提高了识别过程的速度，实现了漏洞的快速识别。

Description

一种基于数据流量的漏洞识别系统及其识别方法
技术领域
本发明涉及信息安全技术领域，尤其是一种基于数据流量的漏洞识别系统及其识别方法。
背景技术
随着计算机和网络技术的快速发展，物联网、工业控制网等各类通讯控制网络逐渐进入到生产生活的各个领域。为了保证信息通讯安全，需要对网络中的漏洞进行不断的识别和修复。现有技术中对于漏洞的识别一般是基于某些成熟的算法，例如神经网络、决策树，等等，这类识别方法虽然能取得较为准确的识别结果，但是由于算法本身原理的限制，整个识别过程的速度较慢，这就导致对于漏洞识别的实时性和准确性之间产生了冲突。
发明内容
本发明要解决的技术问题是提供一种基于数据流量的漏洞识别系统及其识别方法，能够解决现有技术的不足，在保证漏洞识别的准确性的同时，提高了识别过程的速度，实现了漏洞的快速识别。
为解决上述技术问题，本发明所采取的技术方案如下。
一种基于数据流量的漏洞识别系统，包括：
数据流量提取模块，用于提取通讯链路中的数据流量；
数据流量识别模块，用于对数据流量进行特征识别；
漏洞识别模块，用于使用流量数据特征对漏洞进行识别；
漏洞验证模块，用于对识别出的漏洞进行验证。
一种上述的基于数据流量的漏洞识别系统的识别方法，包括以下步骤：
A、数据流量提取模块提取通讯链路中的数据流量；
B、数据流量识别模块对数据流量进行特征识别；
C、漏洞识别模块使用流量数据特征对漏洞进行识别；
D、漏洞验证模块对识别出的漏洞进行验证。
作为优选，步骤B中，对数据流量进行特征识别包括以下步骤，B1、读取数据流量的端口信息和内容信息；
B2、使用端口信息和内容信息进行检测和匹配，根据检测匹配结果对数据流量中的正常数据和异常数据进行区分；
B3、分别对正常数据和异常数据进行特征识别，得到对应的特征向量集合。
作为优选，步骤B2中，使用读取的端口信息对端口的历史数据进行检查，若历史数据出现异常，则将此端口判定为异常端口，经过此端口的数据判定为异常数据；然后对于经过正常端口发送的数据流量，提取其报文头信息，分对每个正常端口所发送的报文头信息进行聚类分析，若出现报文头信息数量小于该正常端口中报文头信息总量5％的聚类类别，则判定该聚类类别中报文头信息所对应的数据流量为异常数据。
作为优选，步骤B3中，提取每个聚类类别的报文头信息的特征数据，然后依次获取每个正常数据和异常数据所涉及的端口信息，特征向量包括对应正常数据或异常数据的报文头信息特征数据和端口信息。
作为优选，步骤C中，使用流量数据特征对漏洞进行识别包括以下步骤，
C1、使用流量数据特征生成特征矩阵，同时设定判定矩阵；
C2、对特征矩阵进行中心化处理，然后使用判定矩阵对中心化处理后的特征矩阵进行降维；
C3、提取降维后的特征矩阵的特征向量，使用特征矩阵的特征向量与预设的识别向量进行比对，若相似度超过50％，则判定为漏洞。
作为优选，步骤D中，将识别出的漏洞在漏洞验证模块中进行模拟运行，根据模拟运行的结果验证漏洞的真实性，若验证为虚假漏洞，则将步骤C3中所使用的识别向量进行更新。
采用上述技术方案所带来的有益效果在于：本发明摒弃使用现有技术中的成熟算法对漏洞进行识别。而是通过改变数据流量特征的提取方式，简化了数据流量特征的复杂度，然后通过对含有数据流量特征的特征矩阵进行中心化和降维处理，直接使用特征矩阵的特征向量与识别向量进行对比，实现漏洞的识别。整个处理识别过程运算量小，可以有效的提高漏洞识别的速度。最后通过对漏洞进行模拟运行，在不影响正常识别过程的同时，对识别向量进行实时更新，以保证识别准确度。
附图说明
图1是本发明一个具体实施方式的原理图。
具体实施方式
参照图1，本发明一个具体实施方式包括：
数据流量提取模块1，用于提取通讯链路中的数据流量；
数据流量识别模块2，用于对数据流量进行特征识别；
漏洞识别模块3，用于使用流量数据特征对漏洞进行识别；
漏洞验证模块4，用于对识别出的漏洞进行验证。
一种上述的基于数据流量的漏洞识别系统的识别方法，包括以下步骤：
A、数据流量提取模块1提取通讯链路中的数据流量；
B、数据流量识别模块2对数据流量进行特征识别；
C、漏洞识别模块3使用流量数据特征对漏洞进行识别；
D、漏洞验证模块4对识别出的漏洞进行验证。
步骤B中，对数据流量进行特征识别包括以下步骤，
B1、读取数据流量的端口信息和内容信息；
B2、使用端口信息和内容信息进行检测和匹配，根据检测匹配结果对数据流量中的正常数据和异常数据进行区分；
B3、分别对正常数据和异常数据进行特征识别，得到对应的特征向量集合。
步骤B2中，使用读取的端口信息对端口的历史数据进行检查，若历史数据出现异常，则将此端口判定为异常端口，经过此端口的数据判定为异常数据；然后对于经过正常端口发送的数据流量，提取其报文头信息，分对每个正常端口所发送的报文头信息进行聚类分析，若出现报文头信息数量小于该正常端口中报文头信息总量5％的聚类类别，则判定该聚类类别中报文头信息所对应的数据流量为异常数据。
步骤B3中，提取每个聚类类别的报文头信息的特征数据，然后依次获取每个正常数据和异常数据所涉及的端口信息，特征向量包括对应正常数据或异常数据的报文头信息特征数据和端口信息。
步骤C中，使用流量数据特征对漏洞进行识别包括以下步骤，
C1、使用流量数据特征生成特征矩阵，同时设定判定矩阵；
C2、对特征矩阵进行中心化处理，然后使用判定矩阵对中心化处理后的特征矩阵进行降维；
C3、提取降维后的特征矩阵的特征向量，使用特征矩阵的特征向量与预设的识别向量进行比对，若相似度超过50％，则判定为漏洞。
步骤D中，将识别出的漏洞在漏洞验证模块4中进行模拟运行，根据模拟运行的结果验证漏洞的真实性，若验证为虚假漏洞，则将步骤C3中所使用的识别向量进行更新。
本发明开拓了一种全新的漏洞识别方式，有效的解决了现有识别方式识别速度较慢的问题，具有广阔的应用前景。
以上显示和描述了本发明的基本原理和主要特征和本发明的优点。本行业的技术人员应该了解，本发明不受上述实施例的限制，上述实施例和说明书中描述的只是说明本发明的原理，在不脱离本发明精神和范围的前提下，本发明还会有各种变化和改进，这些变化和改进都落入要求保护的本发明范围内。本发明要求保护范围由所附的权利要求书及其等效物界定。

Claims (7)

1.一种基于数据流量的漏洞识别系统，其特征在于包括：
数据流量提取模块(1)，用于提取通讯链路中的数据流量；
数据流量识别模块(2)，用于对数据流量进行特征识别；
漏洞识别模块(3)，用于使用流量数据特征对漏洞进行识别；
漏洞验证模块(4)，用于对识别出的漏洞进行验证。
2.一种权利要求1所述的基于数据流量的漏洞识别系统的识别方法，其特征在于包括以下步骤：
A、数据流量提取模块(1)提取通讯链路中的数据流量；
B、数据流量识别模块(2)对数据流量进行特征识别；
C、漏洞识别模块(3)使用流量数据特征对漏洞进行识别；
D、漏洞验证模块(4)对识别出的漏洞进行验证。
3.根据权利要求2所述的基于数据流量的漏洞识别系统的识别方法，其特征在于：步骤B中，对数据流量进行特征识别包括以下步骤，
B1、读取数据流量的端口信息和内容信息；
B2、使用端口信息和内容信息进行检测和匹配，根据检测匹配结果对数据流量中的正常数据和异常数据进行区分；
B3、分别对正常数据和异常数据进行特征识别，得到对应的特征向量集合。
4.根据权利要求3所述的基于数据流量的漏洞识别系统的识别方法，其特征在于：步骤B2中，使用读取的端口信息对端口的历史数据进行检查，若历史数据出现异常，则将此端口判定为异常端口，经过此端口的数据判定为异常数据；然后对于经过正常端口发送的数据流量，提取其报文头信息，分对每个正常端口所发送的报文头信息进行聚类分析，若出现报文头信息数量小于该正常端口中报文头信息总量5％的聚类类别，则判定该聚类类别中报文头信息所对应的数据流量为异常数据。
5.根据权利要求4所述的基于数据流量的漏洞识别系统的识别方法，其特征在于：步骤B3中，提取每个聚类类别的报文头信息的特征数据，然后依次获取每个正常数据和异常数据所涉及的端口信息，特征向量包括对应正常数据或异常数据的报文头信息特征数据和端口信息。
6.根据权利要求5所述的基于数据流量的漏洞识别系统的识别方法，其特征在于：步骤C中，使用流量数据特征对漏洞进行识别包括以下步骤，
C1、使用流量数据特征生成特征矩阵，同时设定判定矩阵；
C2、对特征矩阵进行中心化处理，然后使用判定矩阵对中心化处理后的特征矩阵进行降维；
C3、提取降维后的特征矩阵的特征向量，使用特征矩阵的特征向量与预设的识别向量进行比对，若相似度超过50％，则判定为漏洞。
7.根据权利要求6所述的基于数据流量的漏洞识别系统的识别方法，其特征在于：步骤D中，将识别出的漏洞在漏洞验证模块(4)中进行模拟运行，根据模拟运行的结果验证漏洞的真实性，若验证为虚假漏洞，则将步骤C3中所使用的识别向量进行更新。
CN202210667777.8A 2022-06-14 2022-06-14 一种基于数据流量的漏洞识别系统及其识别方法 Active CN115102734B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202210667777.8A CN115102734B (zh) 2022-06-14 2022-06-14 一种基于数据流量的漏洞识别系统及其识别方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202210667777.8A CN115102734B (zh) 2022-06-14 2022-06-14 一种基于数据流量的漏洞识别系统及其识别方法

Publications (2)

Publication Number Publication Date
CN115102734A true CN115102734A (zh) 2022-09-23
CN115102734B CN115102734B (zh) 2024-02-20

Family

ID=83291554

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202210667777.8A Active CN115102734B (zh) 2022-06-14 2022-06-14 一种基于数据流量的漏洞识别系统及其识别方法

Country Status (1)

Country Link
CN (1) CN115102734B (zh)

Citations (13)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN103384213A (zh) * 2011-12-31 2013-11-06 华为数字技术（成都）有限公司 一种检测规则优化配置方法及设备
CN105245403A (zh) * 2015-10-27 2016-01-13 国网智能电网研究院 一种基于模糊测试的电网工控协议漏洞挖掘系统和方法
CN105376255A (zh) * 2015-12-08 2016-03-02 国网福建省电力有限公司 一种基于K-means聚类的Android平台入侵检测方法
CN108322433A (zh) * 2017-12-18 2018-07-24 中国软件与技术服务股份有限公司 一种基于流检测的网络安全检测方法
CN108600003A (zh) * 2018-04-19 2018-09-28 中国科学院信息工程研究所 一种面向视频监控网络的入侵检测方法、装置及系统
CN110881034A (zh) * 2019-11-11 2020-03-13 重庆工业职业技术学院 一种基于虚拟化技术的计算机网络安全系统
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
US20210021630A1 (en) * 2019-07-19 2021-01-21 Jpmorgan Chase Bank, N.A. System and method for implementing a vulnerability management module
CN112491917A (zh) * 2020-12-08 2021-03-12 物鼎安全科技(武汉)有限公司 一种物联网设备未知漏洞识别方法及装置
WO2021061396A1 (en) * 2019-09-26 2021-04-01 Forescout Technologies, Inc. Anomaly detection including property changes
US20210168165A1 (en) * 2019-12-02 2021-06-03 Saudi Arabian Oil Company Predicting false positives from vulnerability scanners using data analytics and machine learning
CN113238536A (zh) * 2021-06-04 2021-08-10 西安热工研究院有限公司 一种工业控制系统网络漏洞识别方法、装置及其相关设备
CN113468537A (zh) * 2021-06-15 2021-10-01 江苏大学 一种基于改进自编码器的特征提取及漏洞利用攻击检测方法

Patent Citations (13)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN103384213A (zh) * 2011-12-31 2013-11-06 华为数字技术（成都）有限公司 一种检测规则优化配置方法及设备
CN105245403A (zh) * 2015-10-27 2016-01-13 国网智能电网研究院 一种基于模糊测试的电网工控协议漏洞挖掘系统和方法
CN105376255A (zh) * 2015-12-08 2016-03-02 国网福建省电力有限公司 一种基于K-means聚类的Android平台入侵检测方法
CN108322433A (zh) * 2017-12-18 2018-07-24 中国软件与技术服务股份有限公司 一种基于流检测的网络安全检测方法
CN108600003A (zh) * 2018-04-19 2018-09-28 中国科学院信息工程研究所 一种面向视频监控网络的入侵检测方法、装置及系统
US20210021630A1 (en) * 2019-07-19 2021-01-21 Jpmorgan Chase Bank, N.A. System and method for implementing a vulnerability management module
WO2021061396A1 (en) * 2019-09-26 2021-04-01 Forescout Technologies, Inc. Anomaly detection including property changes
CN110881034A (zh) * 2019-11-11 2020-03-13 重庆工业职业技术学院 一种基于虚拟化技术的计算机网络安全系统
US20210168165A1 (en) * 2019-12-02 2021-06-03 Saudi Arabian Oil Company Predicting false positives from vulnerability scanners using data analytics and machine learning
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
CN112491917A (zh) * 2020-12-08 2021-03-12 物鼎安全科技(武汉)有限公司 一种物联网设备未知漏洞识别方法及装置
CN113238536A (zh) * 2021-06-04 2021-08-10 西安热工研究院有限公司 一种工业控制系统网络漏洞识别方法、装置及其相关设备
CN113468537A (zh) * 2021-06-15 2021-10-01 江苏大学 一种基于改进自编码器的特征提取及漏洞利用攻击检测方法

Non-Patent Citations (2)

* Cited by examiner, † Cited by third party
Title
ZHENGUANG LIU; PENG QIAN; XIAOYANG WANG; YUAN ZHUANG; LIN QIU; XUN WANG: "Combining Graph Neural Networks With Expert Knowledge for Smart Contract Vulnerability Detection", 《IEEE TRANSACTIONS ON KNOWLEDGE AND DATA ENGINEERING》, vol. 35, no. 2, pages 1296 - 1310 *
刘兴春: "基于网络流量异常分析的物联网入侵检测算法研究", 《中国优秀硕士学位论文全文数据库 信息科技辑》, pages 136 - 448 *

Also Published As

Publication number Publication date
CN115102734B (zh) 2024-02-20

Similar Documents

Publication Publication Date Title
CN112491796B (zh) 一种基于卷积神经网络的入侵检测及语义决策树量化解释方法
CN111798312A (zh) 一种基于孤立森林算法的金融交易系统异常识别方法
CN111314331A (zh) 一种基于条件变分自编码器的未知网络攻击检测方法
CN111881722B (zh) 一种跨年龄人脸识别方法、系统、装置及存储介质
CN111598179B (zh) 电力监控系统用户异常行为分析方法、存储介质和设备
CN109951462B (zh) 一种基于全息建模的应用软件流量异常检测系统及方法
CN111191767A (zh) 一种基于向量化的恶意流量攻击类型的判断方法
CN112738014A (zh) 一种基于卷积时序网络的工控流量异常检测方法及系统
CN113556319B (zh) 物联网下基于长短期记忆自编码分类器的入侵检测方法
CN114399029A (zh) 一种基于gan样本增强的恶意流量检测方法
CN111177731A (zh) 一种基于人工神经网络的软件源代码漏洞检测方法
CN115622806A (zh) 一种基于bert-cgan的网络入侵检测方法
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
CN113822377B (zh) 基于对比自学习的伪造人脸检测方法
CN114826681A (zh) 一种dga域名检测方法、系统、介质、设备及终端
CN114218998A (zh) 一种基于隐马尔可夫模型的电力系统异常行为分析方法
CN115102734B (zh) 一种基于数据流量的漏洞识别系统及其识别方法
CN111369339A (zh) 一种基于过采样改进svdd的银行客户交易行为异常识别方法
CN110705638A (zh) 一种利用深度网络学习模糊信息特征技术的信用评级预测分类方法
CN116070137A (zh) 一种针对恶意流量检测的开集识别装置及方法
CN116467720A (zh) 一种基于图神经网络的智能合约漏洞检测方法及电子设备
CN112270548B (zh) 一种基于深度学习的信用卡欺诈检测方法
CN114553468A (zh) 一种基于特征交叉与集成学习的三级网络入侵检测方法
CN114095268A (zh) 用于网络入侵检测的方法、终端及存储介质
CN111274894A (zh) 一种基于改进YOLOv3的人员在岗状态检测方法

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