CN116662989B - 一种安全数据解析方法及系统 - Google Patents

一种安全数据解析方法及系统 Download PDF

Info

Publication number
CN116662989B
CN116662989B CN202310957056.5A CN202310957056A CN116662989B CN 116662989 B CN116662989 B CN 116662989B CN 202310957056 A CN202310957056 A CN 202310957056A CN 116662989 B CN116662989 B CN 116662989B
Authority
CN
China
Prior art keywords
data
analysis
threat
security
information
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.)
Active
Application number
CN202310957056.5A
Other languages
English (en)
Other versions
CN116662989A (zh
Inventor
周枭淳
蔡先勇
杜峰
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.)
Shenzhen Aolian Information Security Technology Co ltd
Original Assignee
Shenzhen Aolian Information Security 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 Shenzhen Aolian Information Security Technology Co ltd filed Critical Shenzhen Aolian Information Security Technology Co ltd
Priority to CN202310957056.5A priority Critical patent/CN116662989B/zh
Publication of CN116662989A publication Critical patent/CN116662989A/zh
Application granted granted Critical
Publication of CN116662989B publication Critical patent/CN116662989B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F21/00—Security arrangements for protecting computers, components thereof, programs or data against unauthorised activity
    • G06F21/50—Monitoring users, programs or devices to maintain the integrity of platforms, e.g. of processors, firmware or operating systems
    • G06F21/55—Detecting local intrusion or implementing counter-measures
    • G06F21/552—Detecting local intrusion or implementing counter-measures involving long-term monitoring or reporting
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/23—Clustering techniques
    • G06F18/232—Non-hierarchical techniques
    • G06F18/2321—Non-hierarchical techniques using statistics or function optimisation, e.g. modelling of probability density functions
    • G06F18/23213—Non-hierarchical techniques using statistics or function optimisation, e.g. modelling of probability density functions with fixed number of clusters, e.g. K-means clustering
    • 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
    • G06N3/044—Recurrent networks, e.g. Hopfield 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
    • 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)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Data Mining & Analysis (AREA)
  • Software Systems (AREA)
  • General Engineering & Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Evolutionary Computation (AREA)
  • Artificial Intelligence (AREA)
  • General Health & Medical Sciences (AREA)
  • Computing Systems (AREA)
  • Mathematical Physics (AREA)
  • Molecular Biology (AREA)
  • Computer Security & Cryptography (AREA)
  • Computational Linguistics (AREA)
  • Biophysics (AREA)
  • Health & Medical Sciences (AREA)
  • Biomedical Technology (AREA)
  • Computer Hardware Design (AREA)
  • Evolutionary Biology (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Probability & Statistics with Applications (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Alarm Systems (AREA)
  • Information Retrieval, Db Structures And Fs Structures Therefor (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)

Abstract

本发明涉及安全数据解析方法技术领域，具体为一种安全数据解析方法及系统，包括以下步骤：动态和实时的安全数据解析，整合异构数据源，智能和自动化的分析响应，深度用户行为和社交媒体分析。本发明中，通过动态和实时的安全数据解析，及时发现潜在威胁并快速响应，提高了安全团队应对安全威胁的效率和时效性。改进方案整合不同数据源的数据，与关联系统数据结合，提供全面且深入的安全视角。结合机器学习和人工智能技术，智能解析和预测安全数据，提高准确性。通过深度用户行为和社交媒体分析，早期识别内部威胁和异常行为，采取防范措施。利用高质量威胁情报源和先进数据分析算法，提供精确及时的威胁预警，支持提前防御。

Description

一种安全数据解析方法及系统
技术领域
本发明涉及安全数据解析方法技术领域，尤其涉及一种安全数据解析方法及系统。
背景技术
安全数据解析方法是指对安全领域中的数据进行分析和解释的方法论和技术。这些数据可能包括来自网络安全事件、入侵检测系统、日志文件、安全设备、网络流量等各种安全相关的信息。常见的集中安全数据解析方法包括日志分析、数据挖掘、可视化分析、威胁情报分析、机器学习和人工智能、剖析网络流量，这些方法通常结合使用，以提供更全面和准确的安全分析结果。
在现有安全数据解析方法的实际使用过程中，要依赖于批量处理和离线分析，无法提供实时的威胁检测和响应能力。在处理大量数据时，可能存在延迟或遗漏关键事件的情况。且现有方案通常只关注各类安全日志和网络流量数据的分析，而忽略了其他重要的安全数据源，如用户行为、威胁情报等。这种缺乏综合性的分析可能导致安全团队无法全面了解和识别安全威胁。现有方案往往无法及时适应新型的安全威胁和攻击模式。由于缺乏自适应和智能化的分析能力，现有方案在面对未知的威胁时可能表现出较低的准确性和预测能力。现有方案通常采用传统的数据挖掘方法，对大规模的安全数据进行分析。这些算法可能面临效率低下、耗时过长的问题，限制了大规模数据的快速分析和挖掘。现有方案在可视化分析方面的能力较为有限，可能无法充分展示安全数据的多个视角和关联关系。这可能导致安全团队难以从可视化结果中全面理解和发现隐藏的威胁模式。
发明内容
本发明的目的是解决现有技术中存在的缺点，而提出的一种安全数据解析方法及系统。
为了实现上述目的，本发明采用了如下技术方案：一种安全数据解析方法，包括以下步骤：
步骤1，动态和实时的安全数据解析；
步骤2，整合异构数据源；
步骤3，智能和自动化的分析响应；
步骤4，深度用户行为和社交媒体分析；
步骤5，精确和及时的威胁情报分析；
步骤6，多视角的可视化分析表达。
作为本发明的进一步方案，所述动态和实时的安全数据解析的步骤具体为：
实时数据采集；
数据预处理；
实时威胁检测和分析；
自适应分析和安全策略调整；
数据挖掘和可视化分析；
所述实时数据采集具体为，使用安全信息和事件管理系统SIEM，实时收集来自系统、网络和应用程序的安全事件日志和网络流量数据，包括登录日志、网络传输日志、入侵检测系统IDS/入侵防御系统IPS报警、防火墙日志；
所述数据预处理包括数据清洗、格式转换、去除冗余信息，数据标准化；
所述实时威胁检测和分析具体为，使用实时威胁情报、基于规则的检测、异常检测和随机森林算法对安全数据进行检测和分析，以快速发现潜在的威胁和异常行为；
所述自适应分析和安全策略调整具体为，与实时威胁检测和分析相结合，通过自适应分析技术实时监测系统的安全状态，使用行为分析技术对用户和实体的行为进行建模和分析，识别异常行为，根据监测到的安全状态，自动调整安全策略，并通知相关人员进行安全事件响应，所述安全策略包括防火墙规则、访问控制策略；
所述数据挖掘和可视化分析具体为，利用数据挖掘技术，对用户行为和社交媒体数据进行深度分析，以识别和预测潜在的威胁，采用具体为Grafana的数据可视化工具用于多维度的可视化分析，发现隐藏的模式和趋势。
作为本发明的进一步方案，所述整合异构数据源的步骤具体为：
确定数据源和数据类型；
数据提取；
数据整合；
上下文信息集成；
所述确定数据源和数据类型具体为，整合包括日志、网络流量和威胁情报的不同数据源，获取数据源的格式、结构、内容、安全信息；
所述数据提取具体为，使用ELK Stack工具，根据每个数据源的特点和API，提取数据并将其导入到集中式存储系统；
所述数据整合具体为，对数据进行重新格式化、标准化，将数据整合到统一的数据模型中，使其能够进行跨数据源的查询和分析；
所述上下文信息集成与包括身份验证、访问控制的其他关联系统数据进行集成，以提供更详细的上下文信息，将安全事件数据与相关的用户身份、权限信息、网络拓扑关系关联。
作为本发明的进一步方案，所述智能和自动化的分析响应的步骤具体为：
特征提取和选择；
模型训练和评估；
威胁预测和异常检测；
自动化响应系统；
自动化改进和优化；
所述特征提取和选择具体为，从准备好的数据中提取特征，进行特征选择，选择对于预测和分类任务最具相关性和预测能力的特征；
所述模型训练和评估具体为，使用半监督学习方法训练逻辑回归模型，并对训练好的模型进行评估和验证；
所述自动化响应系统具体为，根据预测结果和异常检测的输出，设计和实施自动化响应系统，包括自动部署防御机制、封禁恶意IP地址、发送警报通知安全团队，通过自动响应系统，快速、准确地响应潜在的安全威胁；
所述自动化改进和优化包括模型更新、添加新的特征、调整算法参数。
作为本发明的进一步方案，所述深度用户行为和社交媒体分析的步骤具体为：
收集用户的行为数据、社交媒体平台数据；
用户行为分析；
社交媒体数据分析；
数据异常检测和威胁识别；
威胁预测和预防措施；
所述用户的行为数据包括登录活动、操作记录、文件访问、网络流量，所述社交媒体平台数据包括用户发布的内容、互动行为、关系网络；
所述用户行为分析具体为，使用K均值聚类算法，将用户分组为不同的行为模式，并检测与常规行为模式不符的异常行为，使用决策树分类算法，构建模型以自动识别威胁行为；
所述社交媒体数据分析具体为，采用文本挖掘和自然语言处理技术，通过关键词提取、情感分析、主题建模方法，分析用户的发布内容，发现潜在的负面情绪、威胁言论或私密信息；
所述数据异常检测和威胁识别具体为，利用循环神经网络，在用户行为数据和社交媒体数据中，检测出不符合正常行为模式或潜在威胁的用户行为或社交媒体内容，提供预警和警示；
所述威胁预测和预防措施具体为，基于分析的结果和识别的威胁线索，建立威胁模型，使用机器学习算法进行威胁预测，通过监测用户行为和社交媒体活动，提前发现潜在的安全事件，采取相应的预防措施，包括增强用户访问控制、加强监测和审核机制、加强数据保护、隐私保护。
作为本发明的进一步方案，所述精确和及时的威胁情报分析的步骤具体为：
威胁情报收集；
威胁情报分析；
威胁评估和优先级排序；
威胁预警和通知；
持续改进和反馈循环；
所述威胁情报收集具体为，收集包括公开的安全公告、黑客论坛、恶意软件样本、网络情报来源的威胁情报，威胁情报包含已知的攻击模式、漏洞信息、恶意软件特征；
所述威胁情报分析具体为，使用聚类分析、关联规则挖掘、文本分类、实体关系抽取技术，发现隐藏的威胁模式、关联的攻击行为和受影响的系统或实体；
所述威胁评估和优先级排序具体为，根据严重性、可信度和可观察性，对分析出的威胁进行评估和排序，将其分为优先级不同的类别；
所述威胁预警和通知具体为，根据威胁情报的分析结果，生成精确并及时的威胁预警信息，通过包括安全信息和事件管理系统、电子邮件通知、即时消息的通信渠道发送给关键人员或安全团队；
所述持续改进和反馈循环具体为，持续监控威胁情报的质量和有效性，并根据实际反馈不断优化分析过程和算法模型，包括对威胁情报源的评估、更新数据分析模型以适应新出现的威胁类型。
作为本发明的进一步方案，所述多视角的可视化分析表达的步骤具体为：
可视化需求定义；
可视化设计；
数据可视化开发；
结果解释和洞察提取；
决策和行动。
作为本发明的进一步方案，所述可视化需求分析具体为，基于时间趋势、关联关系视角，明确安全团队的需求和目标；
所述可视化设计具体为，根据需求定义和数据特点，使用包括折线图、柱状图、热力图、地图的图表形式，以及包括过滤器、下钻菜单的交互式组件，设计可视化布局和界面；
所述数据可视化开发具体为，使用可视化工具编码和开发可视化仪表板、报表或交互式界面，将数据转化为图表、图形和可视化元素，根据不同的视角和维度，将分析结果以多个图表展示；
所述结果解释和洞察提取具体为，通过可视化界面，解释和解读分析结果，提取数据中的洞察和模式，并通过过滤、排序、聚焦操作探索数据；
所述决策和行动具体为，基于可视化分析的结果和洞察，识别潜在的威胁、漏洞或异常行为，并制定相应的应对策略和措施，包括强化安全措施、更新和修补系统、加强监测和警报机制、增强响应能力、定期演练和评估。
一种安全数据解析系统包括实时数据采集预处理模块、实时威胁检测和分析模块、自适应分析和安全策略调整模块、数据挖掘和可视化分析模块、异构数据源整合模块、分析响应模块、深度用户行为和社交媒体分析模块、威胁情报分析模块、可视化分析表达模块。
作为本发明的进一步方案，所述实时数据采集预处理模块的功能项包括实时数据采集、数据预处理；
所述实时威胁检测和分析模块的功能项包括实时威胁情报获取、规则引擎和算法检测、威胁分析和相关性分析；
所述自适应分析和安全策略调整模块的功能项包括自适应分析技术应用、系统安全状态监测、用户行为分析和异常检测、安全策略自动调整；
所述数据挖掘和可视化分析模块的功能项包括用户行为数据挖掘、社交媒体数据分析、可视化工具和技术应用、威胁和模式可视化展示；
所述异构数据源整合模块的功能项包括数据源识别和选择、数据提取和导入、数据格式化和标准化；
所述分析响应模块的功能项包括特征提取和选择、模型训练和评估、威胁预测和异常检测、自动化响应系统设计和实施、模型改进和优化；
所述深度用户行为和社交媒体分析模块的功能项包括用户行为数据收集、异常行为识别和模型构建、社交媒体数据收集和分析、威胁预测和预防措施；
所述威胁情报分析模块的功能项包括威胁情报收集和获取、威胁情报分析和挖掘、威胁评估和优先级排序、威胁预警和通知、持续改进和反馈循环；
所述可视化分析表达模块的功能项包括可视化需求定义和规划、可视化设计和布局、数据可视化开发和实现、结果解释和洞察提取、决策和行动支持。
与现有技术相比，本发明的优点和积极效果在于：
本发明中，通过动态和实时的安全数据解析，能够及时发现潜在威胁并进行快速响应，大幅度提高了安全团队应对安全威胁的效率和时效性，降低了风险。改进方案通过整合来自不同数据源的数据，并将它们与各类关联系统数据结合，提供了更全面且深入的安全视角。结合机器学习和人工智能技术，对安全数据进行智能解析和预测，进一步提高了安全分析的准确性，并降低了误报率。通过深度用户行为和社交媒体分析，可以更早、更全面地识别内部威胁和异常行为，提前采取防范措施。采用高质量的威胁情报源以及先进的数据分析和建模算法，使得威胁预警更为精确及时，为提前防御威胁提供了有力支持。采用从多个角度和纬度进行的可视化分析表达，使安全团队可以更加清楚、直观地理解数据，发现并关注到隐藏的模式和趋势。
附图说明
图1为本发明提出一种安全数据解析方法及系统的工作流程示意图；
图2为本发明提出一种安全数据解析方法及系统的步骤1细化流程图；
图3为本发明提出一种安全数据解析方法及系统的步骤2细化流程图；
图4为本发明提出一种安全数据解析方法及系统的步骤3细化流程图；
图5为本发明提出一种安全数据解析方法及系统的步骤4细化流程图；
图6为本发明提出一种安全数据解析方法及系统的步骤5细化流程图；
图7为本发明提出一种安全数据解析方法及系统的步骤6细化流程图；
图8为本发明提出一种安全数据解析方法及系统的系统框架示意图。
实施方式
为了使本发明的目的、技术方案及优点更加清楚明白，以下结合附图及实施例，对本发明进行进一步详细说明。应当理解，此处所描述的具体实施例仅仅用以解释本发明，并不用于限定本发明。
在本发明的描述中，需要理解的是，术语“长度”、“宽度”、“上”、“下”、“前”、“后”、“左”、“右”、“竖直”、“水平”、“顶”、“底”、“内”、“外”等指示的方位或位置关系为基于附图所示的方位或位置关系，仅是为了便于描述本发明和简化描述，而不是指示或暗示所指的装置或元件必须具有特定的方位、以特定的方位构造和操作，因此不能理解为对本发明的限制。此外，在本发明的描述中，“多个”的含义是两个或两个以上，除非另有明确具体的限定。
实施例
请参阅图1，本发明提供一种技术方案：一种安全数据解析方法，包括以下步骤：
步骤1，动态和实时的安全数据解析；
步骤2，整合异构数据源；
步骤3，智能和自动化的分析响应；
步骤4，深度用户行为和社交媒体分析；
步骤5，精确和及时的威胁情报分析；
步骤6，多视角的可视化分析表达。
首先，通过动态和实时的安全数据解析，可以及时发现和响应安全事件和威胁，提高对恶意活动的检测和响应能力。其次，整合来自异构数据源的安全数据能够提供更全面的分析视角，增加对安全事件的可见性和理解能力，从而更好地确定威胁和风险。同时，通过智能和自动化的分析响应，可以提高分析效率和准确性，并利用自动化系统快速识别威胁并采取相应的响应措施。此外，深度的用户行为和社交媒体分析能发现潜在的安全风险，提高对内部威胁和用户行为的监测和预防能力。精确和及时的威胁情报分析能够及时获取相关信息，并采取防御措施应对已知和未知的威胁。最后，通过多视角的可视化分析表达，可以直观地呈现安全数据分析结果，帮助决策者做出准确的决策和采取有效的行动。综上所述，这种安全数据解析方法能够提高安全防御水平和决策效果，增强对安全威胁的感知和应对能力。
请参阅图2，动态和实时的安全数据解析的步骤具体为：
实时数据采集；
数据预处理；
实时威胁检测和分析；
自适应分析和安全策略调整；
数据挖掘和可视化分析；
实时数据采集具体为，使用安全信息和事件管理系统SIEM，实时收集来自系统、网络和应用程序的安全事件日志和网络流量数据，包括登录日志、网络传输日志、入侵检测系统IDS/入侵防御系统IPS报警、防火墙日志；
数据预处理包括数据清洗、格式转换、去除冗余信息，数据标准化；
实时威胁检测和分析具体为，使用实时威胁情报、基于规则的检测、异常检测和随机森林算法对安全数据进行检测和分析，以快速发现潜在的威胁和异常行为；
自适应分析和安全策略调整具体为，与实时威胁检测和分析相结合，通过自适应分析技术实时监测系统的安全状态，使用行为分析技术对用户和实体的行为进行建模和分析，识别异常行为，根据监测到的安全状态，自动调整安全策略，并通知相关人员进行安全事件响应，安全策略包括防火墙规则、访问控制策略；
数据挖掘和可视化分析具体为，利用数据挖掘技术，对用户行为和社交媒体数据进行深度分析，以识别和预测潜在的威胁，采用具体为Grafana的数据可视化工具用于多维度的可视化分析，发现隐藏的模式和趋势。
首先，实时数据采集和预处理阶段能够及时获取来自系统、网络和应用程序的安全事件日志和网络流量数据，为后续的分析提供可靠的数据基础。其次，实时威胁检测和分析利用实时威胁情报和智能算法，可以快速发现潜在的威胁和异常行为，提高对安全事件的敏感度和响应速度。自适应分析和安全策略调整阶段通过自适应分析技术和行为分析，实时监测系统的安全状态，自动调整安全策略，提高对新型威胁的适应能力。数据挖掘和可视化分析利用数据挖掘技术和可视化工具，深入分析用户行为和社交媒体数据，发现隐藏的威胁模式和趋势，帮助决策者做出准确的决策和采取有效的行动。精确和及时的威胁情报分析将威胁情报与实时数据相结合，提供准确的威胁评估和优先级排序，加强对已知和未知威胁的防御能力。最后，多视角的可视化分析表达通过可视化工具和技术，将安全数据以图表、图形和仪表盘等形式展现，提供多维度的分析视角，帮助用户直观地理解和解释安全事件和威胁，支持决策和行动。综上所述，动态和实时的安全数据解析方法在实施过程中能够提升安全防御能力，加强对安全威胁的感知和处理能力，并为决策者提供准确而直观的数据支持。
请参阅图3，整合异构数据源的步骤具体为：
确定数据源和数据类型；
数据提取；
数据整合；
上下文信息集成；
确定数据源和数据类型具体为，整合包括日志、网络流量和威胁情报的不同数据源，获取数据源的格式、结构、内容、安全信息；
数据提取具体为，使用ELK Stack工具，根据每个数据源的特点和API，提取数据并将其导入到集中式存储系统；
数据整合具体为，对数据进行重新格式化、标准化，将数据整合到统一的数据模型中，使其能够进行跨数据源的查询和分析；
上下文信息集成与包括身份验证、访问控制的其他关联系统数据进行集成，以提供更详细的上下文信息，将安全事件数据与相关的用户身份、权限信息、网络拓扑关系关联。
首先，确定数据源和数据类型，包括日志、网络流量和威胁情报等不同数据源，并了解其格式、结构和内容，为后续的数据提取和整合做好准备。接下来，通过数据提取阶段，利用适当的工具和API提取数据，并将其导入到集中式存储系统。然后，进行数据整合，对提取的数据进行标准化和格式化处理，使其符合统一的数据模型，便于跨数据源的查询和分析。在上下文信息集成阶段，将与安全事件相关的其他关联系统数据（如身份验证、访问控制）进行集成，以提供更详细的上下文信息，帮助分析人员更全面地理解和评估安全风险。从实施角度分析，整合异构数据源的步骤使得分析人员能够获得更全面、准确的数据视角，促进综合查询和分析，支持智能化和自动化分析，提升安全防御的能力。综上所述，整合异构数据源的实施将为安全数据分析提供强力支持，加强对安全威胁的理解和应对能力。
请参阅图4，智能和自动化的分析响应的步骤具体为：
特征提取和选择；
模型训练和评估；
威胁预测和异常检测；
自动化响应系统；
自动化改进和优化；
特征提取和选择具体为，从准备好的数据中提取特征，进行特征选择，选择对于预测和分类任务最具相关性和预测能力的特征；
模型训练和评估具体为，使用半监督学习方法训练逻辑回归模型，并对训练好的模型进行评估和验证；
自动化响应系统具体为，根据预测结果和异常检测的输出，设计和实施自动化响应系统，包括自动部署防御机制、封禁恶意IP地址、发送警报通知安全团队，通过自动响应系统，快速、准确地响应潜在的安全威胁；
自动化改进和优化包括模型更新、添加新的特征、调整算法参数。
通过特征提取和选择阶段，从准备好的数据中提取与预测和分类任务相关的特征，并进行选择，以提高模型的准确性和效率。接下来，进行模型训练和评估，利用半监督学习和逻辑回归等方法训练模型并对其进行评估，以提高威胁检测和预测的能力，识别安全威胁和异常行为。在威胁预测和异常检测阶段，利用训练好的模型进行预测，并检测异常行为，以快速发现潜在的安全威胁。随后，通过设计和实施自动化响应系统，根据模型的预测结果和异常检测的输出，自动部署防御机制、封禁恶意IP地址、发送警报等，以实现快速准确的安全事件响应。最后，通过自动化改进和优化的步骤，包括模型更新、添加新特征和调整算法参数，不断提升系统的性能和准确性，以应对不断变化的安全威胁和需求。从实施角度分析，这些步骤能够提高安全事件处理的效率和准确性，增强威胁检测和预测能力，实现自动化响应，以及持续改进和优化系统性能。这将增强安全防御和应对能力，提升对安全威胁的感知和处理能力。
请参阅图5，深度用户行为和社交媒体分析的步骤具体为：
收集用户的行为数据、社交媒体平台数据；
用户行为分析；
社交媒体数据分析；
数据异常检测和威胁识别；
威胁预测和预防措施；
用户的行为数据包括登录活动、操作记录、文件访问、网络流量，社交媒体平台数据包括用户发布的内容、互动行为、关系网络；
用户行为分析具体为，使用K均值聚类算法，将用户分组为不同的行为模式，并检测与常规行为模式不符的异常行为，使用决策树分类算法，构建模型以自动识别威胁行为；
社交媒体数据分析具体为，采用文本挖掘和自然语言处理技术，通过关键词提取、情感分析、主题建模方法，分析用户的发布内容，发现潜在的负面情绪、威胁言论或私密信息；
数据异常检测和威胁识别具体为，利用循环神经网络，在用户行为数据和社交媒体数据中，检测出不符合正常行为模式或潜在威胁的用户行为或社交媒体内容，提供预警和警示；
威胁预测和预防措施具体为，基于分析的结果和识别的威胁线索，建立威胁模型，使用机器学习算法进行威胁预测，通过监测用户行为和社交媒体活动，提前发现潜在的安全事件，采取相应的预防措施，包括增强用户访问控制、加强监测和审核机制、加强数据保护、隐私保护。
首先，通过收集用户的行为数据和社交媒体平台数据，可以全面了解用户行为和偏好，从而更好地满足他们的需求。然后，通过用户行为分析和社交媒体数据分析，我们可以发现异常行为和威胁，识别潜在的安全漏洞和恶意活动，并及时采取预防措施或触发警报，确保用户和系统的安全。此外，通过深度挖掘社交媒体内容，我们可以分析用户发布的内容，识别负面情绪、威胁言论或私密信息，为保护用户的隐私和安全提供及时的干预和响应。此外，利用数据异常检测和威胁识别，我们可以实时预测潜在的威胁，并采取相应的预防措施，保护网络和用户的安全。最后，通过增强访问控制、加强监测和审核机制、加强数据保护和隐私保护，我们可以进一步强化系统的安全性和可信度。综上所述，实施深度用户行为和社交媒体分析的步骤将全面了解用户行为、发现异常行为和威胁、深度挖掘社交媒体内容、实时预测和预防威胁，并加强系统的安全防护能力，保护用户隐私和安全。
请参阅图6，精确和及时的威胁情报分析的步骤具体为：
威胁情报收集；
威胁情报分析；
威胁评估和优先级排序；
威胁预警和通知；
持续改进和反馈循环；
威胁情报收集具体为，收集包括公开的安全公告、黑客论坛、恶意软件样本、网络情报来源的威胁情报，威胁情报包含已知的攻击模式、漏洞信息、恶意软件特征；
威胁情报分析具体为，使用聚类分析、关联规则挖掘、文本分类、实体关系抽取技术，发现隐藏的威胁模式、关联的攻击行为和受影响的系统或实体；
威胁评估和优先级排序具体为，根据严重性、可信度和可观察性，对分析出的威胁进行评估和排序，将其分为优先级不同的类别；
威胁预警和通知具体为，根据威胁情报的分析结果，生成精确并及时的威胁预警信息，通过包括安全信息和事件管理系统、电子邮件通知、即时消息的通信渠道发送给关键人员或安全团队；
持续改进和反馈循环具体为，持续监控威胁情报的质量和有效性，并根据实际反馈不断优化分析过程和算法模型，包括对威胁情报源的评估、更新数据分析模型以适应新出现的威胁类型。
首先，从威胁情报收集开始，通过获取多渠道的威胁情报，能够提供全面的威胁信息，为后续的分析和评估打下坚实基础。接着，在威胁情报分析阶段，利用各种技术手段，包括聚类分析、关联规则挖掘和文本分类，可以发现隐藏的威胁模式并识别关联的攻击行为和受影响的系统或实体。这有助于提前发现未知的攻击技术或漏洞，为应对威胁做好准备。在威胁评估和优先级排序阶段，根据严重程度、可信度和可观察性等指标，对威胁进行评估和排序，以决定优先处理和响应的威胁。这有助于有效利用资源，并最大程度地减少潜在风险和损失。通过威胁预警和通知，根据威胁情报的分析结果生成精确且及时的预警信息，并及时传达给关键人员或安全团队，以便他们能够迅速采取应对措施。最后，在持续改进和反馈循环中，通过监控威胁情报质量和实际反馈，不断优化分析过程和算法模型，以适应变化的威胁环境，提高威胁情报分析的准确性和实用性。综上所述，实施精确和及时的威胁情报分析步骤能够全面收集威胁情报，发现隐藏的威胁模式，评估和优先级排序威胁，进行实时威胁预警和通知，并持续改进和反馈循环，从而提高组织对威胁的识别能力和应对效率，降低潜在的风险对组织的影响。
请参阅图7，多视角的可视化分析表达的步骤具体为：
可视化需求定义；
可视化设计；
数据可视化开发；
结果解释和洞察提取；
决策和行动。
可视化需求分析具体为，基于时间趋势、关联关系视角，明确安全团队的需求和目标；
可视化设计具体为，根据需求定义和数据特点，使用包括折线图、柱状图、热力图、地图的图表形式，以及包括过滤器、下钻菜单的交互式组件，设计可视化布局和界面；
数据可视化开发具体为，使用可视化工具编码和开发可视化仪表板、报表或交互式界面，将数据转化为图表、图形和可视化元素，根据不同的视角和维度，将分析结果以多个图表展示；
结果解释和洞察提取具体为，通过可视化界面，解释和解读分析结果，提取数据中的洞察和模式，并通过过滤、排序、聚焦操作探索数据；
决策和行动具体为，基于可视化分析的结果和洞察，识别潜在的威胁、漏洞或异常行为，并制定相应的应对策略和措施，包括强化安全措施、更新和修补系统、加强监测和警报机制、增强响应能力、定期演练和评估。
首先，通过准确理解需求，确保可视化分析与安全团队的目标一致，提高分析结果的可用性和适应性。其次，通过直观呈现数据，使用合适的图表形式和交互式组件，将数据转化为可视化元素，提高数据理解和分析的效率。接下来，通过开发交互式界面，让用户能够与数据进行交互，探索和分析数据，获取更深入的洞察和模式。然后，在结果解释和洞察提取阶段，通过可视化界面解释和解读分析结果，从多个视角观察数据，产生对安全情况的理解。最后，在基于分析结果的决策和行动阶段，识别潜在的威胁、漏洞或异常行为，并制定应对策略和措施，加强安全措施、更新系统、加强监测和警报机制，以提高整体的安全性和抵御能力。综上所述，实施多视角的可视化分析表达步骤对于理解需求、呈现数据、探索洞察、解释结果以及做出决策和行动方面都能带来显著的有益效果，帮助安全团队更好地应对威胁并提升安全防护水平。
请参阅图8，一种安全数据解析系统包括实时数据采集预处理模块、实时威胁检测和分析模块、自适应分析和安全策略调整模块、数据挖掘和可视化分析模块、异构数据源整合模块、分析响应模块、深度用户行为和社交媒体分析模块、威胁情报分析模块、可视化分析表达模块。
实时数据采集预处理模块的功能项包括实时数据采集、数据预处理；
实时威胁检测和分析模块的功能项包括实时威胁情报获取、规则引擎和算法检测、威胁分析和相关性分析；
自适应分析和安全策略调整模块的功能项包括自适应分析技术应用、系统安全状态监测、用户行为分析和异常检测、安全策略自动调整；
数据挖掘和可视化分析模块的功能项包括用户行为数据挖掘、社交媒体数据分析、可视化工具和技术应用、威胁和模式可视化展示；
异构数据源整合模块的功能项包括数据源识别和选择、数据提取和导入、数据格式化和标准化；
分析响应模块的功能项包括特征提取和选择、模型训练和评估、威胁预测和异常检测、自动化响应系统设计和实施、模型改进和优化；
深度用户行为和社交媒体分析模块的功能项包括用户行为数据收集、异常行为识别和模型构建、社交媒体数据收集和分析、威胁预测和预防措施；
威胁情报分析模块的功能项包括威胁情报收集和获取、威胁情报分析和挖掘、威胁评估和优先级排序、威胁预警和通知、持续改进和反馈循环；
可视化分析表达模块的功能项包括可视化需求定义和规划、可视化设计和布局、数据可视化开发和实现、结果解释和洞察提取、决策和行动支持。
首先，实时数据采集预处理模块能够及时获取安全数据并进行预处理，确保数据的及时性和准确性，为后续的分析和决策提供可靠的基础。实时威胁检测和分析模块结合实时威胁情报获取、规则引擎和算法检测等功能，能够快速识别和分析威胁，帮助安全团队及时采取行动应对。自适应分析和安全策略调整模块结合自适应分析技术和用户行为分析等能力，可以根据实时的安全状态和用户行为模式，自动调整和优化安全策略，提高安全防护的精准性和适应性。数据挖掘和可视化分析模块结合用户行为数据挖掘和社交媒体数据分析等技术，可以发现隐藏的威胁和模式，同时利用可视化工具和技术展示分析结果，帮助安全团队直观理解数据和洞察威胁。异构数据源整合模块提供了对多个数据源的识别、提取和标准化等功能，使得系统能够综合多种来源的数据进行分析，提高分析的全面性和准确性。分析响应模块结合特征提取、模型训练和自动化响应系统设计等能力，能够快速识别威胁并自动触发相应的响应措施，提升安全响应的效率和准确性。深度用户行为和社交媒体分析模块结合用户行为和社交媒体数据的收集和分析，可以更好地了解用户的行为习惯和社交模式，预测潜在的安全威胁并制定预防措施。威胁情报分析模块结合威胁情报的收集和分析，能够及时获取关键的威胁信息并进行评估和排序，提供重要的预警和通知，支持持续的改进和反馈循环。最后，可视化分析表达模块结合可视化需求定义和设计、数据可视化开发和结果解释等能力，提供直观的结果展示和洞察提取，帮助安全团队理解分析结果并支持决策和行动。综合而言，这种安全数据解析系统的整合能够提升安全团队的分析能力、加强威胁检测和响应能力、改进安全策略和决策支持，并最终提升整体的安全防护水平。
工作原理：首先，在实时数据采集预处理阶段，系统从不同的数据源中实时采集安全数据，并对其进行格式化和清洗等预处理操作。接下来，在实时威胁检测和分析阶段，系统获取实时的威胁情报，并利用规则引擎和算法检测和分析采集到的数据，同时进行威胁分析和相关性分析。在自适应分析和安全策略调整阶段，系统应用自适应分析技术监测系统安全状态，分析用户行为并检测异常行为，然后根据分析结果自动调整安全策略。随后，在数据挖掘和可视化分析阶段，系统利用数据挖掘技术分析用户行为和社交媒体数据，然后利用可视化工具和技术将分析结果以图表、图形等形式展示，以帮助安全团队直观理解数据和威胁。在异构数据源整合阶段，系统识别和导入各种数据源，并对提取的数据进行格式化和标准化。在分析响应阶段，系统进行特征提取和模型训练，识别潜在的威胁和异常，然后自动触发相应的响应措施。深度用户行为和社交媒体分析阶段系统收集和分析用户行为数据，以及社交媒体数据，以预测潜在的安全威胁并采取预防措施。在威胁情报分析阶段，系统收集、分析和评估威胁情报，并根据优先级排序提供威胁预警和通知。最后，在可视化分析表达阶段，系统定义和规划可视化需求，进行可视化设计和布局，开发和实现数据可视化界面，并使用可视化分析结果支持决策和行动。通过这些步骤，该安全数据解析系统实现了从数据采集到威胁分析到决策支持的全面流程，提高了安全防护的能力和效果。
以上，仅是本发明的较佳实施例而已，并非对本发明作其他形式的限制，任何熟悉本专业的技术人员可能利用上述揭示的技术内容加以变更或改型为等同变化的等效实施例应用于其他领域，但是凡是未脱离本发明技术方案内容，依据本发明的技术实质对以上实施例所做的任何简单修改、等同变化与改型，仍属于本发明技术方案的保护范围。

Claims (9)

1.一种安全数据解析方法，其特征在于，包括以下步骤：
动态和实时的安全数据解析；
整合异构数据源；
智能和自动化的分析响应；
深度用户行为和社交媒体分析；
精确和及时的威胁情报分析；
多视角的可视化分析表达；
所述动态和实时的安全数据解析的步骤具体为：
实时数据采集；
数据预处理；
实时威胁检测和分析；
自适应分析和安全策略调整；
数据挖掘和可视化分析；
所述实时数据采集具体为，使用安全信息和事件管理系统SIEM，实时收集来自系统、网络和应用程序的安全事件日志和网络流量数据，包括登录日志、网络传输日志、入侵检测系统IDS/入侵防御系统IPS报警、防火墙日志；
所述数据预处理包括数据清洗、格式转换、去除冗余信息，数据标准化；
所述实时威胁检测和分析具体为，使用实时威胁情报、基于规则的检测、异常检测和随机森林算法对安全数据进行检测和分析，以快速发现潜在的威胁和异常行为；
所述自适应分析和安全策略调整具体为，与实时威胁检测和分析相结合，通过自适应分析技术实时监测系统的安全状态，使用行为分析技术对用户和实体的行为进行建模和分析，识别异常行为，根据监测到的安全状态，自动调整安全策略，并通知相关人员进行安全事件响应，所述安全策略包括防火墙规则、访问控制策略；
所述数据挖掘和可视化分析具体为，利用数据挖掘技术，对用户行为和社交媒体数据进行深度分析，以识别和预测潜在的威胁，采用具体为Grafana的数据可视化工具用于多维度的可视化分析，发现隐藏的模式和趋势。
2.根据权利要求1所述的安全数据解析方法，其特征在于，所述整合异构数据源的步骤具体为：
确定数据源和数据类型；
数据提取；
数据整合；
上下文信息集成；
所述确定数据源和数据类型具体为，整合包括日志、网络流量和威胁情报的不同数据源，获取数据源的格式、结构、内容、安全信息；
所述数据提取具体为，使用ELK Stack工具，根据每个数据源的特点和API，提取数据并将其导入到集中式存储系统；
所述数据整合具体为，对数据进行重新格式化、标准化，将数据整合到统一的数据模型中，使其能够进行跨数据源的查询和分析；
所述上下文信息集成与包括身份验证、访问控制的其他关联系统数据进行集成，以提供更详细的上下文信息，将安全事件数据与相关的用户身份、权限信息、网络拓扑关系关联。
3.根据权利要求1所述的安全数据解析方法，其特征在于，所述智能和自动化的分析响应的步骤具体为：
特征提取和选择；
模型训练和评估；
威胁预测和异常检测；
自动化响应系统；
自动化改进和优化；
所述特征提取和选择具体为，从准备好的数据中提取特征，进行特征选择，选择对于预测和分类任务最具相关性和预测能力的特征；
所述模型训练和评估具体为，使用半监督学习方法训练逻辑回归模型，并对训练好的模型进行评估和验证；
所述自动化响应系统具体为，根据预测结果和异常检测的输出，设计和实施自动化响应系统，包括自动部署防御机制、封禁恶意IP地址、发送警报通知安全团队，通过自动响应系统，快速、准确地响应潜在的安全威胁；
所述自动化改进和优化包括模型更新、添加新的特征、调整算法参数。
4.根据权利要求1所述的安全数据解析方法，其特征在于，所述深度用户行为和社交媒体分析的步骤具体为：
收集用户的行为数据、社交媒体平台数据；
用户行为分析；
社交媒体数据分析；
数据异常检测和威胁识别；
威胁预测和预防措施；
所述用户的行为数据包括登录活动、操作记录、文件访问、网络流量，所述社交媒体平台数据包括用户发布的内容、互动行为、关系网络；
所述用户行为分析具体为，使用K均值聚类算法，将用户分组为不同的行为模式，并检测与常规行为模式不符的异常行为，使用决策树分类算法，构建模型以自动识别威胁行为；
所述社交媒体数据分析具体为，采用文本挖掘和自然语言处理技术，通过关键词提取、情感分析、主题建模方法，分析用户的发布内容，发现潜在的负面情绪、威胁言论或私密信息；
所述数据异常检测和威胁识别具体为，利用循环神经网络，在用户行为数据和社交媒体数据中，检测出不符合正常行为模式或潜在威胁的用户行为或社交媒体内容，提供预警和警示；
所述威胁预测和预防措施具体为，基于分析的结果和识别的威胁线索，建立威胁模型，使用机器学习算法进行威胁预测，通过监测用户行为和社交媒体活动，提前发现潜在的安全事件，采取相应的预防措施，包括增强用户访问控制、加强监测和审核机制、加强数据保护、隐私保护。
5.根据权利要求1所述的安全数据解析方法，其特征在于，所述精确和及时的威胁情报分析的步骤具体为：
威胁情报收集；
威胁情报分析；
威胁评估和优先级排序；
威胁预警和通知；
持续改进和反馈循环；
所述威胁情报收集具体为，收集包括公开的安全公告、黑客论坛、恶意软件样本、网络情报来源的威胁情报，威胁情报包含已知的攻击模式、漏洞信息、恶意软件特征；
所述威胁情报分析具体为，使用聚类分析、关联规则挖掘、文本分类、实体关系抽取技术，发现隐藏的威胁模式、关联的攻击行为和受影响的系统或实体；
所述威胁评估和优先级排序具体为，根据严重性、可信度和可观察性，对分析出的威胁进行评估和排序，将其分为优先级不同的类别；
所述威胁预警和通知具体为，根据威胁情报的分析结果，生成精确并及时的威胁预警信息，通过包括安全信息和事件管理系统、电子邮件通知、即时消息的通信渠道发送给关键人员或安全团队；
所述持续改进和反馈循环具体为，持续监控威胁情报的质量和有效性，并根据实际反馈不断优化分析过程和算法模型，包括对威胁情报源的评估、更新数据分析模型以适应新出现的威胁类型。
6.根据权利要求1所述的安全数据解析方法，其特征在于，所述多视角的可视化分析表达的步骤具体为：
可视化需求定义；
可视化设计；
数据可视化开发；
结果解释和洞察提取；
决策和行动。
7.根据权利要求6所述的安全数据解析方法，其特征在于，所述可视化需求定义具体为，基于时间趋势、关联关系视角，明确安全团队的需求和目标；
所述可视化设计具体为，根据需求定义和数据特点，使用包括折线图、柱状图、热力图、地图的图表形式，以及包括过滤器、下钻菜单的交互式组件，设计可视化布局和界面；
所述数据可视化开发具体为，使用可视化工具编码和开发可视化仪表板、报表或交互式界面，将数据转化为图表、图形和可视化元素，根据不同的视角和维度，将分析结果以多个图表展示；
所述结果解释和洞察提取具体为，通过可视化界面，解释和解读分析结果，提取数据中的洞察和模式，并通过过滤、排序、聚焦操作探索数据；
所述决策和行动具体为，基于可视化分析的结果和洞察，识别潜在的威胁、漏洞或异常行为，并制定相应的应对策略和措施，包括强化安全措施、更新和修补系统、加强监测和警报机制、增强响应能力、定期演练和评估。
8.一种安全数据解析系统，应用于如权利要求1-7任一所述的一种安全数据解析方法，其特征在于，所述一种安全数据解析系统包括实时数据采集预处理模块、实时威胁检测和分析模块、自适应分析和安全策略调整模块、数据挖掘和可视化分析模块、异构数据源整合模块、分析响应模块、深度用户行为和社交媒体分析模块、威胁情报分析模块、可视化分析表达模块。
9.根据权利要求8所述的安全数据解析系统，其特征在于，所述实时数据采集预处理模块的功能项包括实时数据采集、数据预处理；
所述实时威胁检测和分析模块的功能项包括实时威胁情报获取、规则引擎和算法检测、威胁分析和相关性分析；
所述自适应分析和安全策略调整模块的功能项包括自适应分析技术应用、系统安全状态监测、用户行为分析和异常检测、安全策略自动调整；
所述数据挖掘和可视化分析模块的功能项包括用户行为数据挖掘、社交媒体数据分析、可视化工具和技术应用、威胁和模式可视化展示；
所述异构数据源整合模块的功能项包括数据源识别和选择、数据提取和导入、数据格式化和标准化；
所述分析响应模块的功能项包括特征提取和选择、模型训练和评估、威胁预测和异常检测、自动化响应系统设计和实施、模型改进和优化；
所述深度用户行为和社交媒体分析模块的功能项包括用户行为数据收集、异常行为识别和模型构建、社交媒体数据收集和分析、威胁预测和预防措施；
所述威胁情报分析模块的功能项包括威胁情报收集和获取、威胁情报分析和挖掘、威胁评估和优先级排序、威胁预警和通知、持续改进和反馈循环；
所述可视化分析表达模块的功能项包括可视化需求定义和规划、可视化设计和布局、数据可视化开发和实现、结果解释和洞察提取、决策和行动支持。
CN202310957056.5A 2023-08-01 2023-08-01 一种安全数据解析方法及系统 Active CN116662989B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202310957056.5A CN116662989B (zh) 2023-08-01 2023-08-01 一种安全数据解析方法及系统

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202310957056.5A CN116662989B (zh) 2023-08-01 2023-08-01 一种安全数据解析方法及系统

Publications (2)

Publication Number Publication Date
CN116662989A CN116662989A (zh) 2023-08-29
CN116662989B true CN116662989B (zh) 2024-04-09

Family

ID=87712248

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202310957056.5A Active CN116662989B (zh) 2023-08-01 2023-08-01 一种安全数据解析方法及系统

Country Status (1)

Country Link
CN (1) CN116662989B (zh)

Families Citing this family (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN116991932B (zh) * 2023-09-25 2023-12-15 济南卓鲁信息科技有限公司 一种基于人工智能的数据分析治理系统及其方法
CN117278335B (zh) * 2023-11-22 2024-04-09 深圳奥联信息安全技术有限公司 一种密码套件推选方法、装置、电子设备和存储介质
CN117744076B (zh) * 2024-02-06 2024-04-16 江苏开博科技有限公司 一种银行数据库系统入侵检测方法及系统
CN117807590B (zh) * 2024-03-01 2024-04-26 西安交通大学城市学院 基于人工智能的信息安全预测及监控系统及方法

Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN107196910A (zh) * 2017-04-18 2017-09-22 国网山东省电力公司电力科学研究院 基于大数据分析的威胁预警监测系统、方法及部署架构
CN110351277A (zh) * 2019-07-12 2019-10-18 李然 电力监控系统安全防护告警方法
CN110516138A (zh) * 2019-08-31 2019-11-29 武汉理工大学 一种基于多源自更新威胁情报库的食品安全事件预警系统
CN114936254A (zh) * 2022-05-12 2022-08-23 清华大学 云链融合机制下的食品安全大数据共享管理方法及系统

Patent Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN107196910A (zh) * 2017-04-18 2017-09-22 国网山东省电力公司电力科学研究院 基于大数据分析的威胁预警监测系统、方法及部署架构
CN110351277A (zh) * 2019-07-12 2019-10-18 李然 电力监控系统安全防护告警方法
CN110516138A (zh) * 2019-08-31 2019-11-29 武汉理工大学 一种基于多源自更新威胁情报库的食品安全事件预警系统
CN114936254A (zh) * 2022-05-12 2022-08-23 清华大学 云链融合机制下的食品安全大数据共享管理方法及系统

Also Published As

Publication number Publication date
CN116662989A (zh) 2023-08-29

Similar Documents

Publication Publication Date Title
US11336669B2 (en) Artificial intelligence cyber security analyst
CN116662989B (zh) 一种安全数据解析方法及系统
CN113965404B (zh) 一种网络安全态势自适应主动防御系统及方法
CN113486351A (zh) 一种民航空管网络安全检测预警平台
EP2487860B1 (en) Method and system for improving security threats detection in communication networks
CN112651006A (zh) 一种电网安全态势感知平台架构
US20230011004A1 (en) Cyber security sandbox environment
Kotenko et al. Systematic literature review of security event correlation methods
US20220360597A1 (en) Cyber security system utilizing interactions between detected and hypothesize cyber-incidents
Hosseini et al. Anomaly process detection using negative selection algorithm and classification techniques
CN112039862B (zh) 一种面向多维立体网络的安全事件预警方法
CN115996146B (zh) 数控系统安全态势感知与分析系统、方法、设备及终端
EP2936772B1 (en) Network security management
CN113642023A (zh) 数据安全检测模型训练、数据安全检测方法、装置及设备
US20230135660A1 (en) Educational Tool for Business and Enterprise Risk Management
US20230132703A1 (en) Capturing Importance In A Network Using Graph Theory
CN113904881B (zh) 一种入侵检测规则误报处理方法和装置
Kosamkar et al. Improved Intrusion detection system using C4. 5 decision tree and support vector machine
Gonaygunta Machine learning algorithms for detection of cyber threats using logistic regression
CN110149303B (zh) 一种党校的网络安全预警方法及预警系统
CN113709170A (zh) 资产安全运营系统、方法和装置
WO2023283356A1 (en) Cyber security system utilizing interactions between detected and hypothesize cyber-incidents
Wang et al. Combating alert fatigue with AlertPro: Context-aware alert prioritization using reinforcement learning for multi-step attack detection
CN117640142A (zh) 全流程安全运营威胁发现系统及方法
Xiao Malware Cyber Threat Intelligence System for Internet of Things (IoT) Using Machine Learning

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