CN116915463B - 一种调用链数据安全分析方法、装置、设备及存储介质 - Google Patents
一种调用链数据安全分析方法、装置、设备及存储介质 Download PDFInfo
- Publication number
- CN116915463B CN116915463B CN202310875770.XA CN202310875770A CN116915463B CN 116915463 B CN116915463 B CN 116915463B CN 202310875770 A CN202310875770 A CN 202310875770A CN 116915463 B CN116915463 B CN 116915463B
- Authority
- CN
- China
- Prior art keywords
- call chain
- call
- analysis result
- chain log
- log
- 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
Links
- 238000004458 analytical method Methods 0.000 title claims abstract description 155
- 238000010234 longitudinal analysis Methods 0.000 claims abstract description 54
- 238000001514 detection method Methods 0.000 claims abstract description 41
- 230000002159 abnormal effect Effects 0.000 claims description 50
- 238000004422 calculation algorithm Methods 0.000 claims description 32
- 238000000034 method Methods 0.000 claims description 32
- 206010000117 Abnormal behaviour Diseases 0.000 claims description 16
- 238000004590 computer program Methods 0.000 claims description 16
- 238000005065 mining Methods 0.000 claims description 10
- 238000012502 risk assessment Methods 0.000 claims description 8
- 238000006243 chemical reaction Methods 0.000 claims description 3
- 238000012545 processing Methods 0.000 description 11
- 238000004891 communication Methods 0.000 description 8
- 230000008569 process Effects 0.000 description 6
- 230000008901 benefit Effects 0.000 description 5
- 238000010586 diagram Methods 0.000 description 5
- 239000000243 solution Substances 0.000 description 5
- 230000001419 dependent effect Effects 0.000 description 4
- 230000005856 abnormality Effects 0.000 description 3
- 238000010801 machine learning Methods 0.000 description 3
- 230000003287 optical effect Effects 0.000 description 3
- 238000013528 artificial neural network Methods 0.000 description 2
- 230000006399 behavior Effects 0.000 description 2
- 238000013135 deep learning Methods 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 230000006870 function Effects 0.000 description 2
- 230000010365 information processing Effects 0.000 description 2
- 230000003993 interaction Effects 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 238000012706 support-vector machine Methods 0.000 description 2
- 238000003491 array Methods 0.000 description 1
- 238000013473 artificial intelligence Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000000903 blocking effect Effects 0.000 description 1
- 230000001413 cellular effect Effects 0.000 description 1
- 239000002131 composite material Substances 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- 238000013527 convolutional neural network Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 238000002347 injection Methods 0.000 description 1
- 239000007924 injection Substances 0.000 description 1
- 239000004973 liquid crystal related substance Substances 0.000 description 1
- 230000007246 mechanism Effects 0.000 description 1
- 239000013307 optical fiber Substances 0.000 description 1
- 238000005457 optimization Methods 0.000 description 1
- 238000013450 outlier detection Methods 0.000 description 1
- 238000003672 processing method Methods 0.000 description 1
- 238000007637 random forest analysis Methods 0.000 description 1
- 230000000306 recurrent effect Effects 0.000 description 1
- 230000004044 response Effects 0.000 description 1
- 239000004065 semiconductor Substances 0.000 description 1
- 230000001953 sensory effect Effects 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 230000001960 triggered effect Effects 0.000 description 1
- 230000000007 visual effect Effects 0.000 description 1
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
-
- 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
- H04L41/12—Discovery or management of network topologies
-
- 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
- H04L63/20—Network architectures or network communication protocols for network security for managing network security; network security policies in general
-
- 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
- Y02D10/00—Energy efficient computing, e.g. low power processors, power management or thermal management
Landscapes
- Engineering & Computer Science (AREA)
- Computer Security & Cryptography (AREA)
- Computer Networks & Wireless Communication (AREA)
- Signal Processing (AREA)
- Computer Hardware Design (AREA)
- Computing Systems (AREA)
- General Engineering & Computer Science (AREA)
- Telephonic Communication Services (AREA)
- Debugging And Monitoring (AREA)
Abstract
本发明公开了一种调用链数据安全分析方法、装置、设备及存储介质，包括：实时采集业务系统对应的多个调用链日志，对各调用链日志中的统一资源定位URL特征进行分类，并根据分类结果确定各调用链日志对应的纵向分析结果；对各调用链日志中的内部服务调用关系进行异常检测，得到各调用链日志对应的横向分析结果；根据各调用链日志对应的纵向分析结果以及横向分析结果，确定各调用链日志对应的综合安全分析结果。本发明的技术方案可以实现准确、可靠、全面地对调用链数据进行安全分析，便于用户及时发现并应对潜在的安全威胁，提升了业务系统的安全性，降低了对调用链数据进行安全分析的成本。
Description
技术领域
本发明涉及网络安全技术领域，尤其涉及一种调用链数据安全分析方法、装置、设备及存储介质。
背景技术
随着信息技术的快速发展，计算机系统的应用范围越来越广泛，各行业的信息化建设更加完善。在信息系统和平台承载的业务操作逐渐增多的情况下，系统的安全保障工作更加重要，能否实现快速、正确地反映系统遇到的网络安全问题成为影响网络安全的重要因素。
现有技术中，通常通过安全人员进行安全事件分析。具体的，可以通过安全人员查询地址或用户信息，得到众多与安全事件相关的事件。然后，可以按照不同的维度(如目的地址和主机进程等)对查询结果进行统计分析。最后，可以通过安全人员对安全事件的相关事件、目的地址和主机进程等信息进行关联操作。
但是，通过安全人员进行安全分析的方法，过于依赖安全人员的历史经验，导致安全分析结果的准确性和可靠性不高。其次，通过现有技术，无法实现对包含大量网络设备的业务系统进行实时安全分析，且成本较高。最后，通过现有技术进行安全分析的全面性不足。
发明内容
本发明提供了一种调用链数据安全分析方法、装置、设备及存储介质，可以实现准确、可靠、全面地对调用链数据进行安全分析，便于用户及时发现并应对潜在的安全威胁，提升了业务系统的安全性，降低了对调用链数据进行安全分析的成本。
第一方面，本发明实施例提供了一种调用链数据安全分析方法，包括：
实时采集业务系统对应的多个调用链日志，对各调用链日志中的统一资源定位(Uniform Resource Locator，URL)特征进行分类，并根据分类结果确定各调用链日志对应的纵向分析结果；
对各调用链日志中的内部服务调用关系进行异常检测，得到各调用链日志对应的横向分析结果；
根据各调用链日志对应的纵向分析结果以及横向分析结果，确定各调用链日志对应的综合安全分析结果。
可选的，实时采集业务系统对应的多个调用链日志，包括：获取业务系统对应的网络拓扑结构信息，将网络拓扑结构信息转化为链路分析图；根据链路分析图，获取业务系统中网络设备对应的多个关联事件，并根据多个关联事件，生成多个调用链日志。
可选的，根据分类结果确定各调用链日志对应的纵向分析结果，包括：根据分类结果，确定各调用链日志对应的请求类型；如果调用链日志对应的请求类型为异常请求，则可以使用预设的异常检测算法，对调用链日志中URL特征的异常访问模式进行检测；根据检测结果，确定调用链日志对应的异常行为，并将异常行为作为纵向分析结果。
可选的，对各调用链日志中的内部服务调用关系进行异常检测，得到各调用链日志对应的横向分析结果，包括：将各调用链日志中的内部服务调用关系转化为序列数据；采用序列模式挖掘算法，根据预设的标准服务调用模式，在序列数据中识别正常服务调用序列；获取序列数据中，除正常服务调用序列之外的异常服务调用序列，并采用异常检测算法，识别异常服务调用序列对应的安全威胁信息；将安全威胁信息，作为调用链日志对应的横向分析结果。
可选的，根据各调用链日志对应的纵向分析结果以及横向分析结果，确定各调用链日志对应的综合安全分析结果，包括：将各调用链日志对应的纵向分析结果以及横向分析结果，按照预设的权重比例进行求和，得到各调用链日志对应的综合安全威胁分数。
可选的，在得到各调用链日志对应的综合安全威胁分数之后，还包括：将各调用链日志对应的综合安全威胁分数，与预设的分数阈值进行对比；如果综合安全威胁分数大于分数阈值，则生成调用链日志对应的安全警报以及风险评估报告。
第二方面，本发明实施例还提供了一种调用链数据安全分析装置，包括：
纵向分析模块，用于实时采集业务系统对应的多个调用链日志，对各调用链日志中的URL特征进行分类，并根据分类结果确定各调用链日志对应的纵向分析结果；
横向分析模块，用于对各调用链日志中的内部服务调用关系进行异常检测，得到各调用链日志对应的横向分析结果；
综合安全分析模块，用于根据各调用链日志对应的纵向分析结果以及横向分析结果，确定各调用链日志对应的综合安全分析结果。
第三方面，本发明实施例还提供了一种电子设备，该电子设备包括：
至少一个处理器；以及
与至少一个处理器通信连接的存储器；其中，
存储器存储有可被至少一个处理器执行的计算机程序，计算机程序被至少一个处理器执行，以使至少一个处理器能够执行本发明任一实施例提供的调用链数据安全分析方法。
第四方面，本发明实施例还提供了一种计算机可读存储介质，该计算机可读存储介质存储有计算机指令，计算机指令用于使处理器执行时实现本发明任一实施例提供的调用链数据安全分析方法。
本发明实施例提供的技术方案，通过实时采集业务系统对应的多个调用链日志，对各调用链日志中的URL特征进行分类，并根据分类结果确定各调用链日志对应的纵向分析结果；对各调用链日志中的内部服务调用关系进行异常检测，得到各调用链日志对应的横向分析结果；根据各调用链日志对应的纵向分析结果以及横向分析结果，确定各调用链日志对应的综合安全分析结果的技术手段，可以实现准确、可靠、全面地对调用链数据进行安全分析，便于用户及时发现并应对潜在的安全威胁，提升了业务系统的安全性，降低了对调用链数据进行安全分析的成本。
应当理解，本部分所描述的内容并非旨在标识本发明的实施例的关键或重要特征，也不用于限制本发明的范围。本发明的其它特征将通过以下的说明书而变得容易理解。
附图说明
为了更清楚地说明本发明实施例中的技术方案，下面将对实施例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是根据本发明实施例一提供的一种调用链数据安全分析方法的流程图；
图2是根据本发明实施例二提供的另一种调用链数据安全分析方法的流程图；
图3是根据本发明实施例三提供的另一种调用链数据安全分析方法的流程图；
图4是根据本发明实施例四提供的一种调用链数据安全分析装置的结构示意图；
图5是实现本发明实施例五提供的一种电子设备的结构示意图。
具体实施方式
为了使本技术领域的人员更好地理解本发明方案，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的实施例，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，都应当属于本发明保护的范围。
需要说明的是，本发明的说明书和权利要求书及上述附图中的术语“第一”、“第二”等是用于区别类似的对象，而不必用于描述特定的顺序或先后次序。应该理解这样使用的数据在适当情况下可以互换，以便这里描述的本发明的实施例能够以除了在这里图示或描述的那些以外的顺序实施。此外，术语“包括”和“具有”以及他们的任何变形，意图在于覆盖不排他的包含，例如，包含了一系列步骤或单元的过程、方法、系统、产品或设备不必限于清楚地列出的那些步骤或单元，而是可包括没有清楚地列出的或对于这些过程、方法、产品或设备固有的其它步骤或单元。
实施例一
图1是根据本发明实施例一提供的一种调用链数据安全分析方法的流程图，本实施例可适用于对调用链数据进行安全分析的情况，该方法可以由调用链数据安全分析装置来执行，该调用链数据安全分析装置可以采用硬件和/或软件的形式实现，该调用链数据安全分析装置可配置于电子设备如计算机中。
如图1所示，本实施例公开的一种调用链数据安全分析方法包括：
S110、实时采集业务系统对应的多个调用链日志，对各调用链日志中的URL特征进行分类，并根据分类结果确定各调用链日志对应的纵向分析结果。
在本实施例中，业务系统可以是通过多个网络设备共同作业实现的软件系统。所述网络设备可以包括路由器、交换机、集线器和网桥等。调用链日志是指在业务系统完成一次业务调用的过程中，将服务之间的调用信息(时间、接口、层次、结果等)打点到日志中，然后将所有的打点数据连接为一个树状链条，即产生一个调用链日志。
采集到业务系统对应的多个调用链日志后，可以获取各调用链日志中包括的URL特征，例如IP地址、端口、域名、路径，以及查询参数等。获取到上述URL特征后，可选的，可以根据预先确定的异常行为对应的URL特征，对调用链日志中包括的URL特征进行分类，然后根据分类结果确定各调用链日志对应的纵向分析结果。
其中，所述纵向分析结果，用于表征调用链日志对应的异常行为。
S120、对各调用链日志中的内部服务调用关系进行异常检测，得到各调用链日志对应的横向分析结果。
在本实施例中，内部服务调用关系可以是各调用链日志对应微服务之间的调用关系。所述横向分析结果，用于表征调用链日志中调用关系对应的异常检测结果。具体的，横向分析结果可以包括网络设备调用关系是否正常、网络设备调用关系是否异常、以及数据访问是否被授权等。
在一个具体的实施例中，可选的，获取到各调用链日志中的内部服务调用关系后，可以根据预设的异常行为对应的调用数据，对所述内部服务调用关系进行异常检测，并将检测结果作为调用链日志对应的横向分析结果。
S130、根据各调用链日志对应的纵向分析结果以及横向分析结果，确定各调用链日志对应的综合安全分析结果。
在本实施例中，综合安全分析结果可以用于反映各调用链日志对应的综合安全威胁程度。如果调用链日志对应的安全威胁程度较高，则可以向用户发送告警信息。或者，如果安全威胁程度较低，则可以自动忽略调用链对应的安全威胁。
在此步骤，具体的，可以根据横向分析结果和纵向分析结果，按照预设规则，确定综合安全分析结果。上述预设规则可以根据用户需求进行设置，例如，可以对纵向分析结果和横向分析结果进行赋值操作，然后可以对纵向分析结果和横向分析结果分别对应的数值进行四则运算，确定各调用链日志对应的综合分析结果。或者，可以首先判断横向分析结果和纵向分析结果对业务系统安全性的影响大小，然后将对业务系统影响大的分析结果作为综合分析结果。
这样设置的好处在于，通过根据纵向分析结果和横向分析结果，确定综合安全分析结果，可以使安全分析的角度更加全面，提高了对调用链数据进行安全分析的准确性和可靠性。
本实施例的技术方案，通过实时采集业务系统对应的多个调用链日志，对各调用链日志中的URL特征进行分类，并根据分类结果确定各调用链日志对应的纵向分析结果；对各调用链日志中的内部服务调用关系进行异常检测，得到各调用链日志对应的横向分析结果；根据各调用链日志对应的纵向分析结果以及横向分析结果，确定各调用链日志对应的综合安全分析结果的技术手段，解决了现有技术过于依赖安全人员的历史经验，导致安全分析结果准确性和可靠性不高的问题，提高了对调用链数据进行安全分析的准确性、可靠性和全面性，降低了对调用链数据进行安全分析的成本。其次，相比于现有技术无法对包含大量网络设备的业务系统进行实时安全分析，本实施例的技术方案提高了对调用链数据进行安全分析的实时性，便于用户及时发现并应对潜在的安全威胁，提升了业务系统的安全性。
实施例二
图2是根据本发明实施例二提供的另一种调用链数据安全分析方法的流程图，本实施例是基于上述各实施例的进一步优化与扩展，并可以与上述实施方式中各个可选技术方案结合。
如图2所示，本实施例公开的另一种调用链数据安全分析方法包括：
S210、获取业务系统对应的网络拓扑结构信息，将网络拓扑结构信息转化为链路分析图。
在本实施例中，网络拓扑结构信息可以用于反映业务系统中各网络设备，以及对应局域网之间的依赖关系。链路分析图用于反映业务系统中微服务之间的调用关系。
在此步骤，具体的，可以根据网络拓扑结构信息，将业务系统中的各调用对象以及被调用对象作为节点，然后根据各所述节点之间的调用关系以及调用数据，生成链路分析图。
S220、根据链路分析图，获取业务系统中网络设备对应的多个关联事件，并根据多个关联事件，生成多个调用链日志。
在本实施例中，关联事件可以是各网络设备对应的告警信息、流量、网络和主机事件等。
在此步骤，具体的，可以根据链路分析图，获取业务系统中网络设备的日志数据，通过分析上述日志数据，可以得到各网络设备对应的关联事件。之后，可以将单个网络设备、以及单个网络设备对应的关联事件作为一个整体，通过互联网协议(InternetProtocol，IP)地址、主机名称和用户名称等信息，对多个整体进行关联操作，生成调用链日志。
这样设置的好处在于，根据链路分析图，便于用户直观、全面地获取各网络设备对应的关联事件，提高了调用链日志的准确性。
S230、对各调用链日志中的URL特征进行分类。
在此步骤，具体的，可以采用机器学习算法对URL特征进行分类。上述机器学习算法可以包括支持向量机(Support Vector Machines，SVM)、随机森林和深度学习算法等。所述深度学习算法可以包括卷积神经网路、深度神经网络、循环神经网络和递归神经网络算法等。
S240、根据分类结果，确定各调用链日志对应的请求类型。
在本实施例中，请求类型可以包括正常请求和异常请求。异常请求可以包括异常网址访问、数据库注入、敏感文件探测和远程代码执行漏洞等。
示例性的，如果分类结果为调用链日志中的URL对应暴力网站，则可以确定该调用链日志对应的请求类型为异常请求。或者，如果分类结果为调用链日志中的URL对应经过认证的安全网站，则可以确定该调用链日志对应的请求类型为正常请求。
S250、如果调用链日志对应的请求类型为异常请求，则可以使用预设的异常检测算法，对调用链日志中URL特征的异常访问模式进行检测。
在本实施例中，预设的异常检测算法可以包括基于统计的离群点检测算法和时间序列异常检测算法等，本实施例对此并不进行限制。异常访问模式可以包括各网络设备之间的调用关系异常、调用持续时间异常和访问权限异常等。
S260、根据检测结果，确定调用链日志对应的异常行为，并将异常行为作为纵向分析结果。
在本实施例中，异常行为可以是与异常访问模式对应的行为。
S270、对各调用链日志中的内部服务调用关系进行异常检测，得到各调用链日志对应的横向分析结果。
S280、根据各调用链日志对应的纵向分析结果以及横向分析结果，确定各调用链日志对应的综合安全分析结果。
本实施例的技术方案，通过获取业务系统对应的网络拓扑结构信息，将网络拓扑结构信息转化为链路分析图；根据链路分析图，获取业务系统中网络设备对应的多个关联事件，并根据多个关联事件，生成多个调用链日志，对各调用链日志中的URL特征进行分类；根据分类结果，确定各调用链日志对应的请求类型；如果调用链日志对应的请求类型为异常请求，则可以使用预设的异常检测算法，对调用链日志中URL特征的异常访问模式进行检测；根据检测结果，确定调用链日志对应的异常行为，并将异常行为作为纵向分析结果；对各调用链日志中的内部服务调用关系进行异常检测，得到各调用链日志对应的横向分析结果；根据各调用链日志对应的纵向分析结果以及横向分析结果，确定各调用链日志对应的综合安全分析结果的技术手段，可以实现准确、可靠、全面地对调用链数据进行安全分析，便于用户及时发现并应对潜在的安全威胁，提升了业务系统的安全性，降低了对调用链数据进行安全分析的成本。
实施例三
图3是根据本发明实施例三提供的另一种调用链数据安全分析方法的流程图，本实施例是基于上述各实施例的进一步优化与扩展，并可以与上述实施方式中各个可选技术方案结合。
如图3所示，本实施例公开的另一种调用链数据安全分析方法包括：
S310、实时采集业务系统对应的多个调用链日志，对各调用链日志中的URL特征进行分类，并根据分类结果确定各调用链日志对应的纵向分析结果。
S320、将各调用链日志中的内部服务调用关系转化为序列数据。
在本实施例中，序列数据可以是按照内部服务调用关系，将调用链日志中的调用数据进行顺序排列后得到的数据。
这样设置的好处在于，通过进行序列数据转化，便于后续对内部服务调用关系进行安全分析，提高了对调用链数据进行安全分析的效率。
S330、采用序列模式挖掘算法，根据预设的标准服务调用模式，在序列数据中识别正常服务调用序列。
在本实施例中，序列模式挖掘算法可以用于对序列数据进行异常检测和异常行为分析。序列模式挖掘算法可以包括频繁模式挖掘算法和序列聚类算法等。正常服务调用序列可以是调用关系正常的序列。调用关系正常可以表现为调用逻辑正常和调用层次正常。调用层次正常可以包括不跨层次调用和不重复调用同一域名等。预设的标准服务调用模式可以作为识别正常服务调用序列的参照。
在此步骤，可选的，可以采用序列模式挖掘算法，分析预设的标准服务调用模式，建立服务调用模型。所述服务调用模型可以用于识别正常服务调用序列。具体的，可以将序列数据输入至服务调用模型中进行处理，输出正常服务调用序列对应的识别结果。
S340、获取序列数据中，除正常服务调用序列之外的异常服务调用序列，并采用异常检测算法，识别异常服务调用序列对应的安全威胁信息。
在本实施例中，安全威胁信息可以是对业务系统存在安全威胁的信息，例如，未授权的数据访问和异常的服务调用等。
S350、将安全威胁信息，作为调用链日志对应的横向分析结果。
S360、将各调用链日志对应的纵向分析结果以及横向分析结果，按照预设的权重比例进行求和，得到各调用链日志对应的综合安全威胁分数。
在此步骤，具体的，可以根据纵向分析结果和横向分析结果，建立综合安全分析模型。在综合安全分析模型中，可以按照预设的权重比例，分别对纵向分析结果对应数值和横向分析结果对应数值进行加权操作。然后，可以将加权后的纵向分析结果数值和横向分析结果数值相加，输出综合安全威胁分数。
这样设置的好处在于，通过计算综合安全威胁分数，可以使用户更加直观地获取各调用链数据对业务系统安全威胁程度。
S370、将各调用链日志对应的综合安全威胁分数，与预设的分数阈值进行对比。
S380、如果综合安全威胁分数大于分数阈值，则生成调用链日志对应的安全警报以及风险评估报告。
在本实施例中，可以通过响铃、震动和弹出文本框等方式向用户发送安全警报。如果调用链日志对应的综合安全威胁分数大于分数阈值，则可以认为存在威胁业务系统安全的风险。风险评估报告可以包括业务系统名称、风险发生位置，以及当前风险对业务系统的影响程度等。
这样设置的好处在于，通过安全警报，便于用户及时发现并处理业务系统中存在的风险。通过风险评估报告，可以使用户更加直观地了解调用链数据对业务系统安全威胁程度，提高了业务系统的安全性。
在一个可选的实施方式中，可以通过流式数据处理框架或事件处理引擎对调用链日志进行实时安全分析和威胁检测。上述流式数据处理框架可以包括分布式流式处理引擎Flink和流处理引擎(Apache Kafka Stream)等。然后，可以结合自动化响应机制，在检测到安全威胁时，可以触发响相应的安全措施。所述安全措施包括阻值异常请求和封禁异常的数据访问等。
本实施例的技术方案，通过实时采集多个调用链日志，对各调用链日志中的URL特征进行分类，确定纵向分析结果；将各调用链日志中的内部服务调用关系转化为序列数据；采用序列模式挖掘算法，根据预设的标准服务调用模式，在序列数据中识别正常服务调用序列；获取序列数据中，除正常服务调用序列之外的异常服务调用序列，并采用异常检测算法，识别异常服务调用序列对应的安全威胁信息；将安全威胁信息，作为调用链日志对应的横向分析结果；将各调用链日志对应的纵向分析结果以及横向分析结果，按照预设的权重比例进行求和，得到各调用链日志对应的综合安全威胁分数；将各调用链日志对应的综合安全威胁分数，与预设的分数阈值进行对比；如果综合安全威胁分数大于分数阈值，则生成调用链日志对应的安全警报以及风险评估报告的技术手段，解决了现有技术过于依赖安全人员的历史经验，导致安全分析结果的准确性和可靠性不高的问题，可以实现准确、可靠、全面地对调用链数据进行安全分析，便于用户及时发现并应对潜在的安全威胁，提升了业务系统的安全性，降低了对调用链数据进行安全分析的成本。其次，通过风险评估报告，便于用户直观、全面地了解业务系统对应的安全风险。
实施例四
图4为本发明实施例四提供的一种调用链数据安全分析装置的结构示意图，本实施例可适用于对调用链数据进行安全分析的情况，该调用链数据安全分析装置可以采用硬件和/或软件的形式实现，并可配置于电子设备如计算机中。
如图4所示，本实施例公开的调用链数据安全分析装置包括：
纵向分析模块41，用于实时采集业务系统对应的多个调用链日志，对各调用链日志中的统一资源定位URL特征进行分类，并根据分类结果确定各调用链日志对应的纵向分析结果；
横向分析模块42，用于对各调用链日志中的内部服务调用关系进行异常检测，得到各调用链日志对应的横向分析结果；
综合安全分析模块43，用于根据各调用链日志对应的纵向分析结果以及横向分析结果，确定各调用链日志对应的综合安全分析结果。
本实施例中的技术方案，通过实时采集业务系统对应的多个调用链日志，对各调用链日志中的统一资源定位URL特征进行分类，并根据分类结果确定各调用链日志对应的纵向分析结果；对各调用链日志中的内部服务调用关系进行异常检测，得到各调用链日志对应的横向分析结果；根据各调用链日志对应的纵向分析结果以及横向分析结果，确定各调用链日志对应的综合安全分析结果的技术手段，解决了现有技术过于依赖安全人员的历史经验，导致安全分析结果的准确性和可靠性不高的问题，可以实现准确、可靠、全面地对调用链数据进行安全分析，便于用户及时发现并应对潜在的安全威胁，提升了业务系统的安全性，降低了对调用链数据进行安全分析的成本。
可选的，纵向分析模块41包括：
链路分析图获取单元，用于获取业务系统对应的网络拓扑结构信息，将网络拓扑结构信息转化为链路分析图；
调用链日志生成单元，用于根据链路分析图，获取业务系统中网络设备对应的多个关联事件，并根据多个关联事件，生成多个调用链日志；
请求类型确定单元，用于根据分类结果，确定各调用链日志对应的请求类型；
异常访问模式检测单元，用于如果调用链日志对应的请求类型为异常请求，则可以使用预设的异常检测算法，对调用链日志中URL特征的异常访问模式进行检测；
纵向结果确定单元，用于根据检测结果，确定调用链日志对应的异常行为，并将异常行为作为纵向分析结果。
可选的，横向分析模块42包括：
序列数据转化单元，用于将各调用链日志中的内部服务调用关系转化为序列数据；
调用序列识别单元，用于采用序列模式挖掘算法，根据预设的标准服务调用模式，在序列数据中识别正常服务调用序列；
威胁信息识别单元，用于获取序列数据中，除正常服务调用序列之外的异常服务调用序列，并采用异常检测算法，识别异常服务调用序列对应的安全威胁信息；
横向结果确定单元，用于将安全威胁信息，作为调用链日志对应的横向分析结果。
可选的，综合安全分析模块43包括：
威胁分数获取单元，用于将各调用链日志对应的纵向分析结果以及横向分析结果，按照预设的权重比例进行求和，得到各调用链日志对应的综合安全威胁分数。
可选的，调用链数据安全分析装置还包括警报生成模块，该模块包括：
分数对比单元，用于将各调用链日志对应的综合安全威胁分数，与预设的分数阈值进行对比；
警报生成单元，用于如果综合安全威胁分数大于分数阈值，则生成调用链日志对应的安全警报以及风险评估报告。
本发明实施例所提供的威胁情报处理装置可执行本发明任意实施例所提供的威胁情报处理方法，具备执行方法相应的功能模块和有益效果。本实施例中未详尽描述的内容可以参考本申请任意方法实施例中的描述。
实施例五
图5示出了可以用来实施本发明的实施例的电子设备10的结构示意图。电子设备10旨在表示各种形式的数字计算机，诸如，膝上型计算机、台式计算机、工作台、个人数字助理、服务器、刀片式服务器、大型计算机、和其它适合的计算机。电子设备10还可以表示各种形式的移动装置，诸如，个人数字处理、蜂窝电话、智能电话、可穿戴设备(如头盔、眼镜、手表等)和其它类似的计算装置。本文所示的部件、它们的连接和关系、以及它们的功能仅仅作为示例，并且不意在限制本文中描述的和/或者要求的本发明的实现。
如图5所示，电子设备10包括至少一个处理器11，以及与至少一个处理器11通信连接的存储器，如只读存储器(ROM)12、随机访问存储器(RAM)13等，其中，存储器存储有可被至少一个处理器执行的计算机程序，处理器11可以根据存储在只读存储器(ROM)12中的计算机程序或者从存储单元18加载到随机访问存储器(RAM)13中的计算机程序，来执行各种适当的动作和处理。在RAM 13中，还可存储电子设备10操作所需的各种程序和数据。处理器11、ROM 12以及RAM 13通过总线14彼此相连。输入/输出(I/O)接口15也连接至总线14。
电子设备10中的多个部件连接至I/O接口15，包括：输入单元16，例如键盘、鼠标等；输出单元17，例如各种类型的显示器、扬声器等；存储单元18，例如磁盘、光盘等；以及通信单元19，例如网卡、调制解调器、无线通信收发机等。通信单元19允许电子设备10通过诸如因特网的计算机网络和/或各种电信网络与其他设备交换信息/数据。
处理器11可以是各种具有处理和计算能力的通用和/或专用处理组件。处理器11的一些示例包括但不限于中央处理单元(CPU)、图形处理单元(GPU)、各种专用的人工智能(AI)计算芯片、各种运行机器学习模型算法的处理器、数字信号处理器(DSP)、以及任何适当的处理器、控制器、微控制器等。处理器11执行上文所描述的各个方法和处理，例如调用链数据安全分析方法。
在一些实施例中，调用链数据安全分析方法可被实现为计算机程序，其被有形地包含于计算机可读存储介质，例如存储单元18。在一些实施例中，计算机程序的部分或者全部可以经由ROM 12和/或通信单元19而被载入和/或安装到电子设备10上。当计算机程序加载到RAM 13并由处理器11执行时，可以执行上文描述的调用链数据安全分析方法的一个或多个步骤。备选地，在其他实施例中，处理器11可以通过其他任何适当的方式(例如，借助于固件)而被配置为执行调用链数据安全分析方法。
本文中以上描述的系统和技术的各种实施方式可以在数字电子电路系统、集成电路系统、场可编程门阵列(FPGA)、专用集成电路(ASIC)、专用标准产品(ASSP)、芯片上系统的系统(SOC)、复杂可编程逻辑设备(CPLD)、计算机硬件、固件、软件、和/或它们的组合中实现。这些各种实施方式可以包括：实施在一个或者多个计算机程序中，该一个或者多个计算机程序可在包括至少一个可编程处理器的可编程系统上执行和/或解释，该可编程处理器可以是专用或者通用可编程处理器，可以从存储系统、至少一个输入装置、和至少一个输出装置接收数据和指令，并且将数据和指令传输至该存储系统、该至少一个输入装置、和该至少一个输出装置。
用于实施本发明的方法的计算机程序可以采用一个或多个编程语言的任何组合来编写。这些计算机程序可以提供给通用计算机、专用计算机或其他可编程数据处理装置的处理器，使得计算机程序当由处理器执行时使流程图和/或框图中所规定的功能/操作被实施。计算机程序可以完全在机器上执行、部分地在机器上执行，作为独立软件包部分地在机器上执行且部分地在远程机器上执行或完全在远程机器或服务器上执行。
在本发明的上下文中，计算机可读存储介质可以是有形的介质，其可以包含或存储以供指令执行系统、装置或设备使用或与指令执行系统、装置或设备结合地使用的计算机程序。计算机可读存储介质可以包括但不限于电子的、磁性的、光学的、电磁的、红外的、或半导体系统、装置或设备，或者上述内容的任何合适组合。备选地，计算机可读存储介质可以是机器可读信号介质。机器可读存储介质的更具体示例会包括基于一个或多个线的电气连接、便携式计算机盘、硬盘、随机存取存储器(RAM)、只读存储器(ROM)、可擦除可编程只读存储器(EPROM或快闪存储器)、光纤、便捷式紧凑盘只读存储器(CD-ROM)、光学储存设备、磁储存设备、或上述内容的任何合适组合。
为了提供与用户的交互，可以在电子设备上实施此处描述的系统和技术，该电子设备具有：用于向用户显示信息的显示装置(例如，CRT(阴极射线管)或者LCD(液晶显示器)监视器)；以及键盘和指向装置(例如，鼠标或者轨迹球)，用户可以通过该键盘和该指向装置来将输入提供给电子设备。其它种类的装置还可以用于提供与用户的交互；例如，提供给用户的反馈可以是任何形式的传感反馈(例如，视觉反馈、听觉反馈、或者触觉反馈)；并且可以用任何形式(包括声输入、语音输入或者、触觉输入)来接收来自用户的输入。
可以将此处描述的系统和技术实施在包括后台部件的计算系统(例如，作为数据服务器)、或者包括中间件部件的计算系统(例如，应用服务器)、或者包括前端部件的计算系统(例如，具有图形用户界面或者网络浏览器的用户计算机，用户可以通过该图形用户界面或者该网络浏览器来与此处描述的系统和技术的实施方式交互)、或者包括这种后台部件、中间件部件、或者前端部件的任何组合的计算系统中。可以通过任何形式或者介质的数字数据通信(例如，通信网络)来将系统的部件相互连接。通信网络的示例包括：局域网(LAN)、广域网(WAN)、区块链网络和互联网。
计算系统可以包括客户端和服务器。客户端和服务器一般远离彼此并且通常通过通信网络进行交互。通过在相应的计算机上运行并且彼此具有客户端-服务器关系的计算机程序来产生客户端和服务器的关系。服务器可以是云服务器，又称为云计算服务器或云主机，是云计算服务体系中的一项主机产品，以解决了传统物理主机与VPS服务中，存在的管理难度大，业务扩展性弱的缺陷。
应该理解，可以使用上面所示的各种形式的流程，重新排序、增加或删除步骤。例如，本发明中记载的各步骤可以并行地执行也可以顺序地执行也可以不同的次序执行，只要能够实现本发明的技术方案所期望的结果，本文在此不进行限制。
上述具体实施方式，并不构成对本发明保护范围的限制。本领域技术人员应该明白的是，根据设计要求和其他因素，可以进行各种修改、组合、子组合和替代。任何在本发明的精神和原则之内所作的修改、等同替换和改进等，均应包含在本发明保护范围之内。
Claims (7)
1.一种调用链数据安全分析方法，其特征在于，包括：
实时采集业务系统对应的多个调用链日志，对各调用链日志中的统一资源定位URL特征进行分类，并根据分类结果确定各调用链日志对应的纵向分析结果；
对各调用链日志中的内部服务调用关系进行异常检测，得到各调用链日志对应的横向分析结果；
根据各调用链日志对应的纵向分析结果以及横向分析结果，确定各调用链日志对应的综合安全分析结果；
其中，所述根据分类结果确定各调用链日志对应的纵向分析结果，包括：
根据所述分类结果，确定各调用链日志对应的请求类型；
如果所述调用链日志对应的请求类型为异常请求，则可以使用预设的异常检测算法，对所述调用链日志中URL特征的异常访问模式进行检测；
根据检测结果，确定所述调用链日志对应的异常行为，并将所述异常行为作为纵向分析结果；
所述对各调用链日志中的内部服务调用关系进行异常检测，得到各调用链日志对应的横向分析结果，包括：
将各调用链日志中的内部服务调用关系转化为序列数据；
采用序列模式挖掘算法，根据预设的标准服务调用模式，在所述序列数据中识别正常服务调用序列；
获取所述序列数据中，除正常服务调用序列之外的异常服务调用序列，并采用异常检测算法，识别异常服务调用序列对应的安全威胁信息；
将所述安全威胁信息，作为调用链日志对应的横向分析结果。
2.根据权利要求1所述的方法，其特征在于，实时采集业务系统对应的多个调用链日志，包括：
获取业务系统对应的网络拓扑结构信息，将所述网络拓扑结构信息转化为链路分析图；
根据所述链路分析图，获取所述业务系统中网络设备对应的多个关联事件，并根据所述多个关联事件，生成多个调用链日志。
3.根据权利要求1所述的方法，其特征在于，根据各调用链日志对应的纵向分析结果以及横向分析结果，确定各调用链日志对应的综合安全分析结果，包括：
将各调用链日志对应的纵向分析结果以及横向分析结果，按照预设的权重比例进行求和，得到各调用链日志对应的综合安全威胁分数。
4.根据权利要求3所述的方法，其特征在于，在得到各调用链日志对应的综合安全威胁分数之后，还包括：
将各所述调用链日志对应的综合安全威胁分数，与预设的分数阈值进行对比；
如果所述综合安全威胁分数大于分数阈值，则生成所述调用链日志对应的安全警报以及风险评估报告。
5.一种调用链数据安全分析装置，其特征在于，所述装置包括：
纵向分析模块，用于实时采集业务系统对应的多个调用链日志，对各调用链日志中的统一资源定位URL特征进行分类，并根据分类结果确定各调用链日志对应的纵向分析结果；
横向分析模块，用于对各调用链日志中的内部服务调用关系进行异常检测，得到各调用链日志对应的横向分析结果；
综合安全分析模块，用于根据各调用链日志对应的纵向分析结果以及横向分析结果，确定各调用链日志对应的综合安全分析结果；
其中，所述纵向分析模块包括:
请求类型确定单元，用于根据分类结果，确定各调用链日志对应的请求类型；
异常访问模式检测单元，用于如果调用链日志对应的请求类型为异常请求，则可以使用预设的异常检测算法，对调用链日志中URL特征的异常访问模式进行检测；
纵向结果确定单元，用于根据检测结果，确定调用链日志对应的异常行为，并将异常行为作为纵向分析结果；
所述横向分析模块包括：
序列数据转化单元，用于将各调用链日志中的内部服务调用关系转化为序列数据；
调用序列识别单元，用于采用序列模式挖掘算法，根据预设的标准服务调用模式，在所述序列数据中识别正常服务调用序列；
威胁信息识别单元，用于获取所述序列数据中，除正常服务调用序列之外的异常服务调用序列，并采用异常检测算法，识别异常服务调用序列对应的安全威胁信息；
横向结果确定单元，用于将所述安全威胁信息，作为调用链日志对应的横向分析结果。
6.一种电子设备，其特征在于，所述电子设备包括：
至少一个处理器；以及
与所述至少一个处理器通信连接的存储器；其中，
所述存储器存储有可被所述至少一个处理器执行的计算机程序，所述计算机程序被所述至少一个处理器执行，以使所述至少一个处理器能够执行权利要求1-4中任一项所述的调用链数据安全分析方法。
7.一种计算机可读存储介质，其特征在于，所述计算机可读存储介质存储有计算机指令，所述计算机指令用于使处理器执行时实现权利要求1-4中任一项所述的调用链数据安全分析方法。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202310875770.XA CN116915463B (zh) | 2023-07-17 | 2023-07-17 | 一种调用链数据安全分析方法、装置、设备及存储介质 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202310875770.XA CN116915463B (zh) | 2023-07-17 | 2023-07-17 | 一种调用链数据安全分析方法、装置、设备及存储介质 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN116915463A CN116915463A (zh) | 2023-10-20 |
| CN116915463B true CN116915463B (zh) | 2024-03-08 |
Family
ID=88362454
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202310875770.XA Active CN116915463B (zh) | 2023-07-17 | 2023-07-17 | 一种调用链数据安全分析方法、装置、设备及存储介质 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN116915463B (zh) |
Families Citing this family (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN117743093B (zh) * | 2023-12-20 | 2024-08-06 | 北京优特捷信息技术有限公司 | 一种调用链的数据质量评估方法、装置、设备及介质 |
Citations (9)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN109656792A (zh) * | 2018-11-02 | 2019-04-19 | 深圳市快付通金融网络科技服务有限公司 | 基于网络调用日志的应用性能分析方法、装置、计算机设备及存储介质 |
| CN110502494A (zh) * | 2019-08-30 | 2019-11-26 | 北京思维造物信息科技股份有限公司 | 日志处理方法、装置、计算机设备及存储介质 |
| CN110806959A (zh) * | 2019-10-30 | 2020-02-18 | 国云科技股份有限公司 | 一种分布式服务链追踪与日志聚合的方法 |
| CN111277578A (zh) * | 2020-01-14 | 2020-06-12 | 西安电子科技大学 | 加密流量分析特征提取方法、系统、存储介质、安全设备 |
| CN114185708A (zh) * | 2021-12-15 | 2022-03-15 | 中国农业银行股份有限公司 | 基于分布式链路追踪的数据分析方法、装置和电子设备 |
| CN115185794A (zh) * | 2022-06-27 | 2022-10-14 | 中国电信股份有限公司 | 服务调用链的分析方法、装置及电子设备 |
| CN115333966A (zh) * | 2022-08-11 | 2022-11-11 | 天翼数字生活科技有限公司 | 一种基于拓扑的Nginx日志分析方法、系统及设备 |
| CN115801372A (zh) * | 2022-11-09 | 2023-03-14 | 奇安信网神信息技术(北京)股份有限公司 | 一种链路追踪方法及装置 |
| CN116166505A (zh) * | 2023-02-22 | 2023-05-26 | 优维科技(深圳)有限公司 | 金融行业双态it架构的监控平台、方法、存储介质及设备 |
Family Cites Families (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US9509714B2 (en) * | 2014-05-22 | 2016-11-29 | Cabara Software Ltd. | Web page and web browser protection against malicious injections |
-
2023
- 2023-07-17 CN CN202310875770.XA patent/CN116915463B/zh active Active
Patent Citations (9)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN109656792A (zh) * | 2018-11-02 | 2019-04-19 | 深圳市快付通金融网络科技服务有限公司 | 基于网络调用日志的应用性能分析方法、装置、计算机设备及存储介质 |
| CN110502494A (zh) * | 2019-08-30 | 2019-11-26 | 北京思维造物信息科技股份有限公司 | 日志处理方法、装置、计算机设备及存储介质 |
| CN110806959A (zh) * | 2019-10-30 | 2020-02-18 | 国云科技股份有限公司 | 一种分布式服务链追踪与日志聚合的方法 |
| CN111277578A (zh) * | 2020-01-14 | 2020-06-12 | 西安电子科技大学 | 加密流量分析特征提取方法、系统、存储介质、安全设备 |
| CN114185708A (zh) * | 2021-12-15 | 2022-03-15 | 中国农业银行股份有限公司 | 基于分布式链路追踪的数据分析方法、装置和电子设备 |
| CN115185794A (zh) * | 2022-06-27 | 2022-10-14 | 中国电信股份有限公司 | 服务调用链的分析方法、装置及电子设备 |
| CN115333966A (zh) * | 2022-08-11 | 2022-11-11 | 天翼数字生活科技有限公司 | 一种基于拓扑的Nginx日志分析方法、系统及设备 |
| CN115801372A (zh) * | 2022-11-09 | 2023-03-14 | 奇安信网神信息技术(北京)股份有限公司 | 一种链路追踪方法及装置 |
| CN116166505A (zh) * | 2023-02-22 | 2023-05-26 | 优维科技(深圳)有限公司 | 金融行业双态it架构的监控平台、方法、存储介质及设备 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN116915463A (zh) | 2023-10-20 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| US11025674B2 (en) | Cybersecurity profiling and rating using active and passive external reconnaissance | |
| CN110399925B (zh) | 账号的风险识别方法、装置及存储介质 | |
| US12041091B2 (en) | System and methods for automated internet- scale web application vulnerability scanning and enhanced security profiling | |
| US20210092160A1 (en) | Data set creation with crowd-based reinforcement | |
| CN111309539A (zh) | 一种异常监测方法、装置和电子设备 | |
| CN113489713B (zh) | 网络攻击的检测方法、装置、设备及存储介质 | |
| CN108108288A (zh) | 一种日志数据解析方法、装置及设备 | |
| Elsayed et al. | PredictDeep: security analytics as a service for anomaly detection and prediction | |
| CN116915463B (zh) | 一种调用链数据安全分析方法、装置、设备及存储介质 | |
| US11695643B1 (en) | Statistical control rules for detecting anomalies in time series data | |
| CN116225769B (zh) | 一种系统故障根因的确定方法、装置、设备及介质 | |
| CN115204733A (zh) | 数据审计方法、装置、电子设备及存储介质 | |
| JP2016192185A (ja) | なりすまし検出システムおよびなりすまし検出方法 | |
| CN115189963A (zh) | 异常行为检测方法、装置、计算机设备及可读存储介质 | |
| CN117149486B (zh) | 告警和根因定位方法、模型训练方法、装置、设备及介质 | |
| CN116820826B (zh) | 一种基于调用链的根因定位方法、装置、设备及存储介质 | |
| CN115706669A (zh) | 网络安全态势预测方法及系统 | |
| CN117424743A (zh) | 一种数据处理方法、装置、电子设备及存储介质 | |
| EP4169223A1 (en) | Method and apparatus to detect scripted network traffic | |
| CN117609992A (zh) | 一种数据泄密检测方法、装置及存储介质 | |
| CN115829160B (zh) | 一种时序异常预测方法、装置、设备及存储介质 | |
| Lee et al. | Detecting anomaly teletraffic using stochastic self-similarity based on Hadoop | |
| CN116668264A (zh) | 一种告警聚类的根因分析方法、装置、设备及存储介质 | |
| CN110493254A (zh) | 工业云安全评估方法及装置 | |
| CN115277472A (zh) | 一种多维工控系统网络安全风险预警系统及方法 |
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 |