JP7494240B2 - Ａｉによるネットワーク攻撃防御システムおよびその方法 - Google Patents

Ａｉによるネットワーク攻撃防御システムおよびその方法 Download PDF

Info

Publication number
JP7494240B2
JP7494240B2 JP2022054899A JP2022054899A JP7494240B2 JP 7494240 B2 JP7494240 B2 JP 7494240B2 JP 2022054899 A JP2022054899 A JP 2022054899A JP 2022054899 A JP2022054899 A JP 2022054899A JP 7494240 B2 JP7494240 B2 JP 7494240B2
Authority
JP
Japan
Prior art keywords
feature
unit
information
packet
training
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
JP2022054899A
Other languages
English (en)
Other versions
JP2023147418A (ja
Inventor
育承 頼
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.)
Ecolux Technology Co Ltd
Original Assignee
Ecolux 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 Ecolux Technology Co Ltd filed Critical Ecolux Technology Co Ltd
Priority to JP2022054899A priority Critical patent/JP7494240B2/ja
Publication of JP2023147418A publication Critical patent/JP2023147418A/ja
Application granted granted Critical
Publication of JP7494240B2 publication Critical patent/JP7494240B2/ja
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Landscapes

  • Data Exchanges In Wide-Area Networks (AREA)
  • Computer And Data Communications (AREA)

Description

本発明は、攻撃行為のあるネットワークパケットをＡＩ(人工知能)モデルで迅速に認識することができ、それをフィルタリングすることができる上に、認証による大量の演算資源の消耗を回避することができる、ＡＩによるネットワーク攻撃防御システムおよびその方法に関する。
インターネットの急速な発展に伴い、情報の送信を加速させたほか、産業行為も多く変えられている。インターネット上でのセキュリティを確保するために、どのようにすれば、ネットワークを攻撃から守るかが大きな課題となっている。従来のネットワークを攻撃から守る手段は、攻撃が発生してからパケットの解析を開始するのが一般的である。インターネットの送信方式の多様化により、従来の単一型のサイバー攻撃行為は、複合式あるいは全く新しい攻撃方式に転換し始めた。
従来では、DDoS攻撃を防御する手段は、主に、CDNによるトラフィックの疎通と組み合わせて経験法則によって、DDoS攻撃による危害を緩和することであるが、CDNの主な設計意図は、機器を増設することによって、より高いトラフィックのサービスでサービス品質を高め、収入を増やすことである。しかし、CDNによってDDoS攻撃を緩和することは、ユーザに巨大なコストを与え、しかも大量の人力資源を必要とし、攻撃形態を分析し、規則を制定し、かつ規則間の衝突を避けなければならないため、この方法を用いた防御方法は、あまりに受動的であり、防御範囲はかなり限られている。
また、ネットワーク機器がハッキングされることを避けるために、TLSのようなプロトコルで認証を行い接続相手の身元を確認する業者もあるが、クラッカーは、プロトコルの演算に時間がかかるという特性を利用して、通信機器の演算資源を大量に消耗し、通信機器をマヒさせる目的を達成している。
また、従来では、悪質トラフィックの侵入をフィルタリングする方法もあり、主に、パケットを濾過検知機器に導入し、前記濾過検知機器は、パケットをトラフィック画像に転換する必要があり、そして既知の悪質トラフィックパケットのモデル画像をトラフィック画像と照合分析し、トラフィック画像がモデル画像に一致するかどうかを判断するが、前記従来の方法は、まず、悪質トラフィックパケットのモデル画像から引き起こしたフィルタリングプロセスの増加を知る必要があった以外に、そのパケットをトラフィック画像に転換する過程においてその稼動効率を消耗する一方、画像照合上にも照合効率を高めて精確な照合を行う必要があり、それに対し、機器を増設して稼動効率を高める必要があり、また、その濾過検知の機器も、悪質パケットの変化に応じてトラフィック画像と悪質トラフィックパケットのモデル画像を変えなければならず、照合分析上に迷惑になる。
ここで、前記の問題を効果的に解決するために、本発明の主な目的は、攻撃行為のあるネットワークパケットをＡＩモデルで迅速に認識することができ、それをフィルタリングすることができる上、単独で認証の使用による大量の演算資源の消耗を回避できる、ＡＩによるネットワーク攻撃防御システムおよびその方法を提供することにある。
本発明のもう一つの目的は、コストを大幅に低下させることができる、ＡＩによるネットワーク攻撃防御システムおよびその方法を提供することにある。
前記目的を達成するために、本発明は、ユーザ端末データを有し、少なくとも１つのネットワークパケットが生成された少なくとも１つのユーザ端末と、前記ユーザ端末に接続し、少なくとも一つのユーザ濾過データベースを有し、前記ネットワークパケットを受信すると共に、前記ユーザ濾過データベースによって前記ネットワークパケットを認証装置に送信するか、または、そのネットワークパケットをフィルタリングするパケット濾過ユニットを備えたネットワーク機器と、を含み、前記認証装置は、前記ネットワークパケットを受信し、前記ネットワークパケットを生成するユーザ端末に認証を行うと共に、認証結果によって前記ネットワークパケットをサーバ機器に送信する、ＡＩによるネットワーク攻撃防御システムを提供する。
本発明に係るＡＩによるネットワーク攻撃防御システムの一実施形態では、前記ネットワーク機器は、前記パケット濾過ユニットに接続し、前記認証装置に送信されたネットワークパケットを取得するパケット取得ユニットと、前記パケット取得ユニットに接続し、前記ネットワークパケットを記憶するパケット記憶ユニットと、前記パケット記憶ユニットに接続し、前記ネットワークパケットを取得すると共に少なくとも一つの特徴テンプレートで前記ネットワークパケットを解析し、前記ネットワークパケットの行為特徴情報およびパケット情報を生成する特徴取得ユニットと、前記特徴取得ユニットに接続し、前記行為特徴情報および前記パケット情報を記憶する特徴記憶ユニットと、前記特徴取得ユニットに接続し、その行為特徴情報を受信すると共に、ＡＩモデルで前記ネットワークパケットの行為特徴情報が正常かまたは悪質であるかを判断して特徴情報結果を生成し、悪質なネットワークパケットの特徴情報結果を前記パケット濾過ユニットに送信し、前記パケット濾過ユニットは、前記特徴記憶ユニットのパケット情報をさらに受信し、前記特徴情報結果およびパケット情報によって悪質なネットワークパケットを生成するユーザ端末データを前記ユーザ濾過データベースに記憶する処理ユニットと、をさらに含む。
本発明に係るＡＩによるネットワーク攻撃防御システムの一実施形態では、前記ネットワーク機器は、特徴自動標記ユニットと、特徴自動標記記憶ユニットとをさらに含み、前記特徴自動標記ユニットは、前記特徴記憶ユニットに接続し、前記特徴記憶ユニットにおける行為特徴情報を取得すると共に標記を行うことで、前記行為特徴情報には特徴自動分類標記を有させ、前記特徴自動標記記憶ユニットは、前記特徴自動標記ユニットに接続し、前記行為特徴情報および所属する特徴自動分類標記を記憶し、かつ前記特徴自動標記記憶ユニットはトレーニングユニットに接続し、前記トレーニングユニットのトレーニング対象モデルは、前記行為特徴情報および所属する特徴自動分類標記を取得すると共にトレーニング済みモデルを生成する。
本発明に係るＡＩによるネットワーク攻撃防御システムの一実施形態では、前記ネットワーク機器は、前記トレーニングユニットおよび正確特徴標記記憶ユニットに接続された照合ユニットを有し、前記正確特徴標記記憶ユニットに少なくとも一つのトレーニング特徴情報および前記トレーニング特徴情報の特徴正確分類標記が記憶され、前記照合ユニットは、前記正確特徴標記記憶ユニットのトレーニング特徴情報および特徴正確分類標記を取得し、前記トレーニングユニットは、前記トレーニング済みモデルを前記照合ユニットに出力し、前記トレーニング済みモデルは、前記トレーニング特徴情報を取得すると共にトレーニング情報結果を出力し、前記照合ユニットは、前記トレーニング情報結果とトレーニング特徴情報および特徴正確分類標記とを照合し、前記トレーニング済みモデルを最適化するか、前記トレーニング済みモデルを前記処理ユニットに出力するかを決定する。
本発明に係るＡＩによるネットワーク攻撃防御システムの一実施形態では、前記ネットワーク機器は、最適化ユニットをさらに含み、前記最適化ユニットが前記照合ユニットに接続され、前記照合ユニットが前記トレーニング済みモデルを最適化することを決定するときに最適化を実行する。
本発明に係るＡＩによるネットワーク攻撃防御システムの一実施形態では、前記最適化ユニットは、前記特徴自動標記ユニットにさらに接続し、前記照合ユニットが前記トレーニング済みモデルを最適化することを決定するときに、前記最適化ユニットは、前記特徴自動標記ユニットを最適化し、前記特徴自動標記ユニットは、他の一組の特徴自動分類標記を生成する。
本発明に係るＡＩによるネットワーク攻撃防御システムの一実施形態では、前記最適化ユニットは、前記特徴取得ユニットにさらに接続し、前記照合ユニットが前記トレーニング済みモデルを最適化することを決定するときに、前記最適化ユニットは、前記特徴取得ユニットに他の特徴テンプレートを使用させ、前記特徴取得ユニットは、他の特徴テンプレートによって他の行為特徴情報を生成する。
本発明は、少なくとも一つのユーザ端末により一つのネットワーク機器に少なくとも一つのネットワークパケットを生成するステップと、前記ネットワーク機器のパケット濾過ユニットが前記ネットワークパケットを受信すると共に、ユーザ濾過データベースによって前記ネットワークパケットを認証装置に送信するか、またはそのネットワークパケットをフィルタリングするステップと、前記認証装置が前記ネットワークパケットを受信し、前記ネットワークパケットを生成したユーザ端末に対して認証を行い、そして認証結果によって前記ネットワークパケットをサーバ機器に送信するステップと、を含む、ＡＩによるネットワーク攻撃防御方法を提供する。
本発明に係るＡＩによるネットワーク攻撃防御方法の一実施形態では、前記認証装置が前記ネットワークパケットを受信し、前記ネットワークパケットを生成したユーザ端末に対し認証を行い、そして認証結果によって前記ネットワークパケットをサーバ機器に送信するステップは、パケット取得ユニットが、前記パケット濾過ユニットによって前記認証装置に送信されたネットワークパケットを取得する過程と、パケット記憶ユニットが前記パケット取得ユニットにより取得したネットワークパケットを記憶し、特徴取得ユニットによって前記パケット記憶ユニットのネットワークパケットを取得すると共に、少なくとも一つの特徴テンプレートで前記ネットワークパケットを解析し、前記ネットワークパケットの行為特徴情報およびパケット情報を生成して特徴記憶ユニットに記憶する過程と、処理ユニットのＡＩモデルは、前記ネットワークパケットの行為特徴情報が正常または悪質であるかを判断し、特徴情報結果を生成する過程と、前記処理ユニットが悪質なネットワークパケットの特徴情報結果を前記パケット濾過ユニットに送信し、前記パケット濾過ユニットが前記特徴記憶ユニットのパケット情報をさらに受信し、前記パケット濾過ユニットが前記特徴情報結果およびパケット情報によって悪質なネットワークパケットを生成したユーザ端末データを前記ユーザ濾過データベースに記憶する過程と、を含む。
本発明に係るＡＩによるネットワーク攻撃防御方法の一実施形態では、前記特徴取得ユニットがパケット記憶ユニットのネットワークパケットを取得し、少なくとも１つの特徴テンプレートで前記ネットワークパケットを解析し、前記ネットワークパケットの行為特徴情報およびパケット情報を生成するステップは、前記特徴記憶ユニットが前記特徴取得ユニットの行為特徴情報を記憶し、さらに特徴自動標記ユニットが特徴記憶ユニットにおける行為特徴情報を取得すると共に標記を行うことで、前記行為特徴情報には特徴自動分類標記を有するようにする過程と、さらに前記特徴自動標記記憶ユニットが前記行為特徴情報および所属する特徴自動分類標記を記憶し、トレーニングユニットのトレーニング対象モデルで前記行為特徴情報および所属の特徴自動分類標記を取得すると共に、トレーニング済みモデルを生成する過程と、照合ユニットに前記トレーニング済みモデルが出力され、前記照合ユニットが正確特徴標記記憶ユニットのトレーニング特徴情報および特徴正確分類標記をさらに取得する過程と、前記トレーニング済みモデルは、前記トレーニング特徴情報を取得し、トレーニング情報結果を出力する過程と、前記照合ユニットが前記トレーニング情報結果とトレーニング特徴情報および特徴正確分類標記とを照合し、前記トレーニング済みモデルを最適化するか、前記トレーニング済みモデルを前記処理ユニットに出力するかを決定する過程と、を含む。
本発明に係るＡＩによるネットワーク攻撃防御方法の一実施形態では、前記照合ユニットが前記トレーニング情報結果とトレーニング特徴情報および特徴正確分類標記を照合し、前記トレーニング済みモデルを最適化すると決定したステップは、最適化ユニットが前記特徴自動標記ユニットを最適化し、前記特徴自動標記ユニットがさらに前記特徴記憶ユニットにおける行為特徴情報を取得すると共に標記を行うことで、前記行為特徴情報にはもう一組の特徴自動分類標記を有するようにする過程と、前記特徴自動標記記憶ユニットが前記行為特徴情報および所属するもう一組の特徴自動分類標記を記憶する過程と、前記トレーニングユニットのトレーニング対象モデルが前記行為特徴情報および所属の特徴自動分類標記を取得し、他のトレーニング済みモデルを出力する過程と、前記照合ユニットに前記他のトレーニング済みモデルが出力され、前記照合ユニットがトレーニング特徴情報および特徴正確分類標記を取得する過程と、前記他のトレーニング済みモデルが、前記トレーニング特徴情報を取得し、他のトレーニング情報結果を出力する過程と、前記照合ユニットが前記他のトレーニング情報結果とトレーニング特徴情報および特徴正確分類標記とを照合し、前記他のトレーニング済みモデルを前記処理ユニットに出力する過程と、を含む。
本発明に係るＡＩによるネットワーク攻撃防御方法の一実施形態では、前記照合ユニットが前記トレーニング情報結果とトレーニング特徴情報および特徴正確分類標記とを照合し、前記トレーニング済みモデルを最適化すると決定するステップは、最適化ユニットから前記特徴取得ユニットに接続する過程と、前記最適化ユニットが、前記特徴取得ユニットに他の特徴テンプレートを使用させ、前記特徴取得ユニットが他の特徴テンプレートによって他の行為特徴情報を生成する過程と、前記特徴自動標記ユニットがさらに前記特徴記憶ユニットにおける他の行為特徴情報を取得すると共に標記を行うことで、前記行為特徴情報にはもう一組の特徴自動分類標記を有させる過程と、前記特徴自動標記記憶ユニットが前記行為特徴情報および所属するもう一組の特徴自動分類標記を記憶する過程と、前記トレーニングユニットのトレーニング対象モデルが前記行為特徴情報および所属の特徴自動分類標記を取得し、他のトレーニング済みモデルを出力する過程と、前記照合ユニットに前記他のトレーニング済みモデルが出力され、前記照合ユニットがトレーニング特徴情報および特徴正確分類標記を取得する過程と、前記他のトレーニング済みモデルが前記トレーニング特徴情報を取得し、他のトレーニング情報結果を出力する過程と、前記照合ユニットが前記他のトレーニング情報結果とトレーニング特徴情報および特徴正確分類標記とを照合し、前記他のトレーニング済みモデルを前記処理ユニットに出力する過程と、を含む。
本発明に係るＡＩによるネットワーク攻撃防御システムのシステムアーキテクチャ概略図である。 本発明に係るＡＩによるネットワーク攻撃防御システムのシステムアーキテクチャ実施概略図である。 本発明に係るＡＩによるネットワーク攻撃防御システムの他のシステムアーキテクチャ実施概略図である。 本発明の行為特徴情報の内容概略図である。 本発明に係るＡＩによるネットワーク攻撃防御システムの他のシステムアーキテクチャ最適化態様の実施概略図である。 本発明に係るＡＩによるネットワーク攻撃防御方法のフローチャートである。 本発明に係るＡＩによるネットワーク攻撃防御方法の更なるフローチャートである。 本発明に係るＡＩによるネットワーク攻撃防御方法において照合を行うフローチャートである。 本発明に係るＡＩによるネットワーク攻撃防御方法において最適化するフローチャートである。 本発明に係るＡＩによるネットワーク攻撃防御方法おいて他の最適化を行うフローチャートである。
本発明の上記目的ならびその構造および機能的特徴については、添付図面の好ましい実施例に基づいて説明される。
図１および図２を参照すると、本発明に係るＡＩによるネットワーク攻撃防御システムのシステムアーキテクチャ概略図、およびシステムアーキテクチャ実施概略図である。図から明らかなように、前記ＡＩによるネットワーク攻撃防御システム１は、少なくとも１つのユーザ端末２と、認証装置３と、サーバ機器４と、ネットワーク機器５とを含み、前記認証装置３、サーバ機器４およびネットワーク機器５は、それぞれ個別に設置した装置または単一の装置内に統合された装置であり、前記ネットワーク機器５は、ネットワークを介して前記ユーザ端末２と認証装置３との間に接続され、前記ユーザ端末２は、ユーザ端末データを有し、少なくとも１つのネットワークパケットＰ１が生成され、前記認証装置３が前記サーバ機器４に接続され、前記認証装置３は、ルータ(router)、ゲートウェイ(gateway)、中継機器(repeater)またはブリッジ(bridge)であってよいが、これらに限定されない。
前記ネットワーク機器５は、パケット濾過ユニット５１を有し、前記パケット濾過ユニット５１は、少なくとも１つのユーザ濾過データベース５１１を有し、前記ユーザ濾過データベース５１１には悪質なパケットデータを送信可能な少なくとも１つのユーザ端末データが記録され、前記パケット濾過ユニット５１は、ユーザ端末２から認証装置３を流れたネットワークパケットＰ１を取得し、前記パケット濾過ユニット５１は、前記ネットワークパケットＰ１を受信した後、まず、そのユーザ濾過データベース５１１におけるユーザ端末データよってフィルタリングする。ネットワークパケットＰ１を送信したユーザ端末２が悪質なパケットデータとして記録されたユーザ端末データである場合、前記パケット濾過ユニット５１は、そのネットワークパケットＰ１をフィルタリングし、逆にネットワークパケットＰ１を送信したユーザ端末２が悪質なパケットデータとして記録されたユーザ端末データでない場合、前記パケット濾過ユニット５１は、取得したネットワークパケットＰ１を前記認証装置３に送信し、前記認証装置３は、前記ネットワークパケットＰ１を受信し、前記ネットワークパケットＰ１を生成したユーザ端末２に対し認証を行い、認証結果に基づいて前記ネットワークパケットＰ１をサーバ機器４に送信する。前記認証装置３は、主に、トランスポート・レイヤー・セキュリティ(Transport Layer Security、TLS)またはセキュア・ソケッツ・レイヤー(Secure Sockets Layer、SSL)のようなセキュリティプロトコル接続または他の認証方式で認証を行うため、その認証装置３は、そのネットワークパケットＰ１を送信したユーザ端末２に対して認証を行い、前記認証装置３の認証が成功すると、前記認証装置３は、サーバ機器４にネットワークパケットＰ１を送信し、前記認証装置３の認証が失敗すると、前記サーバ機器４に前記ネットワークパケットＰ１を送信しない。
よって、前記ＡＩによるネットワーク攻撃防御システム１は、攻撃行為のあるネットワークパケットＰ１を迅速に認識してフィルタリングすることができ、このように機器の増設や複雑な機器の構築を必要とせず、設置コストを低下させるほか、認証装置３が悪質なネットワークパケットＰ１を生成したユーザ端末２の悪質攻撃によって大量の演算資源を消耗する問題の発生を回避することができ、サーバ機器４に送信されたパケットが正常なパケットとなるまでに、認証装置３でさらなるフィルタリングを行うことで、サイバー攻撃を阻止する。
また、図３を参照すると、本発明に係るＡＩによるネットワーク攻撃防御システムの他のシステムアーキテクチャ実施概略図であり、前記ネットワーク機器５は、さらに、順次接続されたパケット取得ユニット５２と、パケット記憶ユニット５２１と、特徴取得ユニット５３と、処理ユニット５４とを含み、前記処理ユニット５４は、前記パケット濾過ユニット５１に接続されている。
前記認証装置３は、ネットワークパケットＰ１をサーバ機器４に送信すると共に、前記パケット取得ユニット５２は、認証装置３に送信されたネットワークパケットＰ１を取得し、前記パケット取得ユニット５２は、取得したネットワークパケットＰ１を前記パケット記憶ユニット５２１に記憶し、前記特徴取得ユニット５３は、前記パケット記憶ユニット５２１におけるネットワークパケットＰ１を取得し、そして、前記特徴取得ユニット５３は、少なくとも一つの特徴テンプレート５３１で前記ネットワークパケットＰ１を解析し、前記ネットワークパケットＰ１の行為特徴情報Ｉ１およびパケット情報Ｉ２を生成する。ここで、前記特徴テンプレート５３１は、それぞれのネットワークパケットＰ１、一定数のネットワークパケットＰ１、または一定時間帯に取得したネットワークパケットＰ１によって分析し、行為特徴情報Ｉ１を取得する。この特徴テンプレート５３１は、例えば、図４に示すように、ユーザ端末２またはサーバ機器４のネットワークパケットＰ１の送信プロトコル、取得数量、ヘッダ情報、送信ポート(ポート)、送信時間、パケットコンテンツ、送信速度、送信方向、TCPフラグの回数、受信端、パケット数、パケットサイズ、到着間隔(inter arrival time)、データストリームアクティビティ時間、データストリームアイドル時間などを含む。また、この特徴取得ユニット５３は、特徴テンプレート５３１によって、このネットワークパケットＰ１の行為特徴情報Ｉ１をさらに取得する。また、図４に示すように、行為特徴情報Ｉ１および特徴テンプレート５３１のコンテンツであり、行為特徴情報Ｉ１は、量子化データ、行列または画像の組である。特徴テンプレート５３１は、図４の実施例における４組を限定するものではない。
その中、前記特徴取得ユニット５３は、前記行為特徴情報Ｉ１およびパッケージ情報Ｉ２を生成した後、前記特徴取得ユニット５３は、前記処理ユニット５４にその行為特徴情報Ｉ１を送信し、特徴記憶ユニット５３２に前記行為特徴情報Ｉ１およびパッケージ情報Ｉ２を送信して記憶する。前記パッケージ情報Ｉ２のコンテンツは、ネットワークパッケージＰ１のIPアドレス(Internet Protocol Address 、IP Address)および対応の行為特徴情報Ｉ１であり、前記特徴記憶ユニット５３２は、前記パケット濾過ユニット５１に接続し、前記処理ユニット５４のＡＩモデル５４１は、前記ネットワークパッケージＰ１の行為特徴情報Ｉ１が正常か悪質であるかを判断し、特徴情報結果Ｒ１を生成する。ここで、前記ＡＩモデル５４１は、ＡＩアルゴリズム(Artificial Intelligence)より構成され、ＡＩアルゴリズムは、人工ニューラルネットワーク、 決定木、センサ、サポートベクターマシン、総合学習、次元削減および距離学習、クラスタリング、ベイズ分類器、または順伝播型ニューラルネットワーク(Feed Forward Neural Network )などであってよいが、これらだけではない。その処理ユニット５４は、パケット濾過ユニット５１に悪質なネットワークパケットＰ１の特徴情報結果Ｒ１を送信し、前記パケット濾過ユニット５１は前記特徴情報結果Ｒ１を受信し、前記パケット濾過ユニット５１は、前記特徴記憶ユニット５３２のパケット情報Ｉ２をさらに受信し、前記パケット濾過ユニット５１は、前記特徴情報結果Ｒ１およびパケット情報Ｉ２によって、悪質なネットワークパケットを生成したユーザ端末データを知り、前記パケット濾過ユニット５１は、悪質なネットワークパケットのユーザ端末データをユーザ濾過データベース５１１に記憶することによって、前記悪質なネットワークパケットＰ１を生成したユーザ端末２は、再び前記サーバ機器４にネットワークパケットＰ１を送信したとき、前記パケット濾過ユニット５１は前記ネットワークパケットＰ１を取得すると共に、まず前記ユーザ濾過データベース５１１のユーザ端末データによってフィルタリングする。一方、処理ユニット５４のＡＩモデル５４１は、前記ネットワークパケットＰ１の行為特徴情報Ｉ１が正常であると判断し、前記特徴情報結果Ｒ１を生成し、前記パケット濾過ユニット５１は、正常なネットワークパケットＰ１を生成したユーザ端末２が生成するネットワークパケットＰ１を前記認証装置３に送信し、前記認証装置３の認証が成功すると、前記認証装置３は、サーバ機器４にネットワークパケットＰ１を送信し、例えば、ＡＩモデル５４１は、行為特徴情報Ｉ１が攻撃特徴または正常特徴であると判断し、その後、特徴情報結果Ｒ１(行為特徴情報Ｉ１は攻撃または正常である)をパケット濾過ユニット５１に送信し、パケット濾過ユニット５１は、特徴結果情報Ｒ１とパケット情報Ｉ２によって前記パケットのIPアドレス(Internet Protocol Address 、IPAddress)および攻撃特徴であるかどうかを取得し、前記特徴結果情報Ｒ１が攻撃であると、パケットのIPアドレス(Internet Protocol Address 、IPAddress)である悪質のネットワークパケットのユーザ端末データをユーザ濾過データベース５１１に記憶しブラックリストとしてリストされ、将来、同一のIPアドレス(Internet Protocol Address 、IPAddress)のパケットは、パケット濾過ユニット５１によってフィルタリングされ、これによって、前記ＡＩによるネットワーク攻撃防御システム１は、ＡＩモデル５４１で攻撃行為のあるネットワークパケットＰ１を迅速に認識かつフィルタリングすることができ、このように機器の増設や複雑な機器の構築を必要とせず、設置コストを低下することができるほか、前記認証装置３は、認証前の段階で、前記ＡＩモデル５４１によって、特徴テンプレート５３１に解析された行為特徴情報Ｉ１に基づいて正常なネットワークパケットＰ１か、悪質のネットワークパケットＰ１であるかを判断し、さらに悪質のネットワークパケットＰ１を生成したユーザ端末２の悪質の攻撃によって大量の演算資源を消耗する問題の発生を回避することができる。
さらに、前記ネットワーク機器５は、特徴自動標記ユニット５５と、特徴自動標記記憶ユニット５５１と、トレーニングユニット５６と、照合ユニット５７と、正確特徴標記記憶ユニット５８と、最適化ユニット５９とをさらに含む。
前記特徴自動標記ユニット５５は、前記特徴記憶ユニット５３２に接続し、前記特徴自動標記ユニット５５は、特徴記憶ユニット５３２における行為特徴情報Ｉ１を取得し、前記特徴自動標記ユニット５５は、その行為特徴情報Ｉ１に対し標記を行い、前記行為特徴情報Ｉ１に特徴自動分類標記Ｃ１を有させる。さらに言えば、特徴自動標記ユニット５５によって行為特徴情報Ｉ１を正常特徴または悪質特徴に分類する。その中、特徴自動標記ユニット５５は、分類アルゴリズムを有する分類器であり、分類アルゴリズムは論理回帰、決定木、サポートベクターマシン(SVM)、ナイーブベイズ、近隣アルゴリズム(KNN)などであってよいが、これらだけではない。前記特徴自動標記ユニット５５は、前記特徴自動標記記憶ユニットに前記行為特徴情報Ｉ１および所属の特徴自動分類標記Ｃ１を送信する。前記特徴自動標記記憶ユニットに前記行為特徴情報Ｉ１および所属の特徴自動分類標記Ｃ１が記憶され、前記トレーニングユニット５６が前記特徴自動標記記憶ユニットに接続し、前記トレーニングユニット５６は、前記特徴自動標記記憶ユニットにおける行為特徴情報Ｉ１および所属の特徴自動分類標記Ｃ１を取得する。また、前記トレーニングユニット５６は、トレーニング対象モデル５６１を有し、ここで、前記トレーニング対象モデル５６１は、ＡＩアルゴリズム(Artificial Intelligence)より構成される。前記トレーニングユニット５６は、前記トレーニング対象モデル５６１によって前記行為特徴情報Ｉ１および所属の特徴自動分類標記Ｃ１を取得し、前記トレーニング対象モデル５６１は、前記行為特徴情報Ｉ１および所属の特徴自動分類標記Ｃ１によってトレーニング済みモデル５６２を生成する。
前記照合ユニット５７は、前記トレーニングユニット５６、正確特徴標記記憶ユニット５８および前記最適化ユニット５９に接続し、前記正確特徴標記記憶ユニット５８に少なくとも一つのトレーニング特徴情報Ｉ３および前記トレーニング特徴情報Ｉ３の特徴正確分類標記Ｃ２が記憶される。ここで、前記トレーニング特徴情報Ｉ３および特徴正確分類標記Ｃ２は、すべてシステム外に生成し、予め正確特徴標記記憶ユニット５８に記憶したデータであり、その中、前記トレーニング特徴情報Ｉ３は行為特徴情報に相当し、前記特徴正確分類標記Ｃ２は、前記トレーニング特徴情報Ｉ３が正常特徴または攻撃特徴であることを示す。トレーニング特徴情報Ｉ３および特徴正確分類標記Ｃ２は、人工または装置で生成し標記することができ、さらにいえば、前記特徴正確分類標記Ｃ２の分類は正確であると、標準答えとなり、前記照合ユニット５７に前記トレーニングユニット５６のトレーニング済みモデル５６２を出力し、前記照合ユニット５７は、正確特徴標記記憶ユニット５８のトレーニング特徴情報Ｉ３および特徴正確分類標記Ｃ２を取得し、前記トレーニング済みモデル５６２は、照合ユニット５７において前記トレーニング特徴情報Ｉ３を取得し、トレーニング情報結果を出力する。前記照合ユニット５７は、前記トレーニング情報結果とトレーニング特徴情報Ｉ３および特徴正確分類標記Ｃ２とを照合し、前記照合ユニット５７は、前記トレーニング情報結果Ｒ２とトレーニング特徴情報Ｉ３および特徴正確分類標記Ｃ２間の分類標記が一致するかどうかを照合すれば、前記トレーニング情報結果Ｒ２とトレーニング特徴情報Ｉ３および特徴正確分類標記Ｃ２の一致率が設定値より高い場合に、前記照合ユニット５７は、前記トレーニング済みモデル５６２を前記処理ユニット５４に出力し、前記トレーニング済みモデル５６２により前記ＡＩモデル５４１を更新する。一方、前記トレーニング結果Ｒ２とトレーニング特徴情報Ｉ３および特徴正確分類標記Ｃ２の一致率が設定値より低い場合、照合ユニットは、トレーニング済みモデル５６２を最適化することを決定し、例えば、２つのトレーニング特徴情報(Ａ)および(Ｂ)を予め設定し、(Ａ)に対応する特徴正確分類標記は正常(○)、(Ｂ)に対応する特徴正確分類標記は攻撃(Ｘ)とし、トレーニング済みモデル５６２に(Ａ)、(Ｂ)が入力された後、トレーニング済みモデル５６２は、トレーニング特徴情報(Ａ)のトレーニング情報結果を正常(○)として出力し、トレーニング特徴情報(Ｂ)のトレーニング情報結果は正常(○)であり、この場合、照合ユニット５７は、トレーニング情報結果および特徴正確分類標記を照合し、本例の(Ａ)のトレーニング情報結果は正常(○)であり、特徴正確分類標記が正常(○)であり、設定に符合し、(Ｂ)のトレーニング情報結果は正常(○)であるが、特徴正確分類標記が攻撃(Ｘ)であり、設定に符合しない。そのトレーニング済みモデル５６２の判断の正確さは５０%であり、設定値が９０%より大きい必要がある場合、照合ユニットは、前記特徴自動標記ユニット５５を調整することを決定し、設定値は９０%より大きい場合に限らず、実際の状況によって調整できる。前記最適化ユニット５９は、前記特徴自動標記ユニット５５を最適化し、前記最適化ユニット５９は、分類アルゴリズムを利用して最適化を実行し、前記特徴自動標記ユニット５５は、他のアルゴリズム或は置換標記パラメータによって前記行為特徴情報Ｉ１に対しもう一組の特徴自動分類標記Ｃ１を生成し、前記特徴自動標記記憶ユニット５５１は、前記行為特徴情報Ｉ１および所属するもう一組の特徴自動分類標記Ｃ１を記憶する。また、トレーニングユニット５６のトレーニング対象モデル５６１は、前記行為特徴情報Ｉ１および所属する特徴自動分類標記Ｃ１を取得し、他のトレーニング済みモデル５６２を前記照合ユニット５７に出力する。
前記照合ユニット５７は、前記正確特徴標記記憶ユニット５８のトレーニング特徴情報Ｉ３および特徴正確分類標記Ｃ２をさらに取得し、前記トレーニング済みモデル５６２は、照合ユニット５７において前記トレーニング特徴情報Ｉ３を取得し、他のトレーニング情報結果を出力する。前記照合ユニット５７は、前記他のトレーニング情報結果とトレーニング特徴情報Ｉ３および特徴正確分類標記Ｃ２とを照合し、前記照合ユニット５７は、前記他のトレーニング情報結果とトレーニング特徴情報Ｉ３および特徴正確分類標記Ｃ２の間の分類標記が一致するかどうかを照合すると、前記トレーニング情報結果とトレーニング特徴情報Ｉ３および特徴正確分類標記Ｃ２の一致率が設定値より高い場合、前記照合ユニット５７は、前記他のトレーニング済みモデル５６２を前記処理ユニット５４に出力し、前記トレーニング済みモデル５６２により前記ＡＩモデル５４１を更新する。一方、前記トレーニング情報結果とトレーニング特徴情報Ｉ３および特徴正確分類標記Ｃ２の一致率が設定値より低いときに、前記照合ユニットは、トレーニング情報結果とトレーニング特徴情報Ｉ３および特徴正確分類標記Ｃ２の一致率が設定値より高くなるまで、再び前記特徴自動分類標記Ｃ１を調整する。
また、図５を参照すると、本発明に係るＡＩによるネットワーク攻撃防御システムの他のシステムアーキテクチャの最適化態様実施概略図であり、前記最適化ユニット５９は、別の最適化態様を有し、前記最適化ユニット５９は前記特徴取得ユニットに接続され、前記照合ユニット５７が前記トレーニング済みモデル５６２を最適化すると決定するときに、前記最適化ユニット５９は、前記特徴取得ユニット５３に他の特徴テンプレート５３１を使用させ、前記特徴取得ユニット５３は、他の特徴テンプレート５３１によって他の行為特徴情報Ｉ１を生成し、前記最適化ユニット５９は前記特徴テンプレート５３１の数量または項目を変更し、前記特徴取得ユニット５３は、特徴テンプレート５３１によってさらに前記ネットワークパケットＰ１の他の行為特徴情報Ｉ１を取得し、前記特徴自動標記ユニット５５が他の行為特徴情報Ｉ１から他の組の特徴自動分類標記Ｃ１を生成させる。
本実施形態の稼働過程を明確に説明するために、図６をさらに参照し、図６は、本発明に係るＡＩによるネットワーク攻撃防御方法のフローチャートである。ＡＩによるネットワーク攻撃防御方法は、以下のステップを含む。
ステップＳ１では、ユーザ端末がネットワーク機器へのネットワークパケットを生成する。
ステップＳ２では、前記ネットワーク機器のパケット濾過ユニットは、前記ネットワークパケットを受信し、ユーザ濾過データベースによって前記ネットワークパケットを認証装置に送信するか、そのネットワークパケットをフィルタリングする。前記パケット濾過ユニット５１は前記ユーザ濾過データベース５１１を有し、前記ユーザ濾過データベースに悪質なパケットデータを送信した少なくとも１つのユーザ端末データが記録され、前記パケット濾過ユニット５１は、ユーザ端末２から認証装置３を流れたネットワークパケットＰ１を取得し、前記パケット濾過ユニット５１は、前記ネットワークパケットＰ１を取得した後、まずユーザ濾過データベース５１１のユーザ端末データによってフィルタリングし、ネットワークパケットＰ１を送信したユーザ端末２が悪質なパケットデータとして記録されたユーザ端末データでない場合、前記パケット濾過ユニット５１は、取得したネットワークパケットＰ１を前記認証装置３に送信し、そうでなければ、ステップＳ２１に進む。パケット濾過ユニットは、ネットワークパケットをフィルタリングし、接続を終了する。ネットワークパケットＰ１を送信したユーザ端末２が悪質なパケットデータとして記録されたユーザ端末データである場合、前記パケット濾過ユニット５１は、そのネットワークパケットＰ１をフィルタリングし、前記ユーザ端末２の接続を終了する。
ステップＳ３では、前記認証装置は、前記ネットワークパケットを受信し、前記ネットワークパケットを生成したユーザ端末に対して認証を行い、認証結果によって前記ネットワークパケットをサーバ機器に送信する。その中、前記認証装置３は、ネットワークパケットＰ１を送信したユーザ端末２に対して認証を行うことができ、前記認証装置３の認証が成功すると、前記認証装置３は、ネットワークパケットＰ１をサーバ機器４に送信し、そうでなければ、ステップＳ３１に進む。認証装置は、ネットワークパケットの送信を停止しかつ接続を終了し、前記認証装置３の認証が失敗すれば、前記ネットワークパケットＰ１は前記サーバ機器４に送信しない。
よって、前記ＡＩによるネットワーク攻撃防御システム１は、攻撃行為のあるネットワークパケットＰ１を迅速に認識してフィルタリングすることができ、このように機器の増設や複雑な機器の構築を必要とせず、設置コストを低下させ、さらに認証装置３を利用してさらなる認証を行い、悪質のあるネットワークパケットＰ１を生成したユーザ端末２の悪質のある攻撃によって大量の演算資源を消耗する問題の発生を回避できる。
また、図７を参照すると、本発明に係るＡＩによるネットワーク攻撃防御方法の更なるフローチャートである。ここで、ステップＳ３の次には、以下のステップが含まれる。
ステップＳ４では、パケット取得ユニットは、前記パケット濾過ユニットにより認証装置に送信されたネットワークパケットを取得する。前記認証装置３は、ネットワークパケットＰ１をサーバ機器４に送信すると共に、前記パケット取得ユニット５２は、認証装置３に送信したネットワークパケットＰ１を取得する。
ステップＳ５では、パケット記憶ユニットは、前記パケット取得ユニットが取得したネットワークパケットを記憶し、特徴取得ユニットによってパケット記憶ユニットのネットワークパケットを取得し、特徴テンプレートで前記ネットワークパケットを解析し、前記ネットワークパケットの行為特徴情報およびパケット情報を生成し、特徴記憶ユニットに記憶する。前記パケット取得ユニット５２は、取得したネットワークパケットＰ１を前記パケット記憶ユニット５２１内に記憶し、前記特徴取得ユニット５３は、前記パケット記憶ユニット５２１のネットワークパケットＰ１を取得し、前記特徴取得ユニット５３は、特徴テンプレート５３１で前記ネットワークパケットＰ１を解析して前記ネットワークパケットＰ１の行為特徴情報Ｉ１およびパケット情報Ｉ２を生成し、前記特徴取得ユニット５３が生成した行為特徴情報Ｉ１およびパケット情報Ｉ２は、特徴記憶ユニット５３２に記憶される。
ステップＳ６では、前記処理ユニットのＡＩモデルは、前記ネットワークパケットの行為特徴情報が正常か悪質であるかを判断し、特徴情報結果を生成する。その中、前記特徴取得ユニット５３は、前記行為特徴情報Ｉ１を生成した後、前記特徴取得ユニット５３は、その行為特徴情報Ｉ１を前記処理ユニット５４に送信し、前記処理ユニット５４のＡＩモデル５４１は、前記ネットワークパケットＰ１の行為特徴情報Ｉ１が正常なネットワークパケットＰ１か、悪質なネットワークパケットＰ１であるかを判断し、特徴情報結果Ｒ１を生成する。
ステップＳ７では、前記処理ユニットは、悪質なネットワークパケットの特徴情報結果をパケット濾過ユニットに送信し、前記パケット濾過ユニットは、前記パケット情報を受信し、前記パケット濾過ユニットは、前記特徴情報結果および前記パケット情報によって悪質なネットワークパケットを生成したユーザ端末データをユーザ濾過データベースに記憶する。前記パケット濾過ユニット５１は、前記特徴情報結果Ｒ１を受信し、パケット濾過ユニット５１は、前記特徴記憶ユニットのパケット情報Ｉ２を受信し、前記パケット濾過ユニット５１は、前記特徴情報結果Ｒ１(行為特徴情報Ｉ１は攻撃または正常である)およびパケット情報Ｉ２(前記行為特徴情報Ｉ１および前記行為特徴情報Ｉ１に対応したIPアドレス、ＩＰ)によって悪質なネットワークパケットのユーザ端末データ(すなわち、行為特徴情報Ｉ１に対応したIPアドレス、ＩＰ)を生成し、前記パケット濾過ユニット５１は、悪質なネットワークパケットＰ１を生成したユーザ端末２のパケット情報をユーザ濾過データベース５１１に記憶し、前記悪質なネットワークパケットＰ１を生成したユーザ端末２に再びネットワークパケットＰ１を前記サーバ機器４に送信させたとき、前記パケット濾過ユニット５１は、前記ネットワークパケットＰ１を取得すると共に、まずそのユーザ濾過データベース５１１のユーザ端末データによってフィルタリングを行う。一方、前記処理ユニット５４のＡＩモデル５４１は、前記ネットワークパケットＰ１の行為特徴情報Ｉ１が正常と判断され、特徴情報結果Ｒ１を生成すると、パケット濾過ユニット５１は、正常ネットワークパケットＰ１を生成したユーザ端末２が生成したネットワークパケットＰ１を前記認証装置３に送信する。
よって、ＡＩによるネットワーク攻撃防御システム１は、ＡＩモデル５４１で攻撃行為のあるネットワークパケットＰ１を迅速に認識かつフィルタリングすることができ、このように機器の増設や複雑な機器の構築を必要とせず、設置コストを低下する上に、前記認証装置３は、認証段階で、前記ＡＩモデル５４１を用いて、特徴テンプレート５３１に解析される行為特徴情報Ｉ１に基づいて正常なネットワークパケットＰ１か、悪質のネットワークパケットＰ１であるかを判断でき、さらに前記特徴情報結果Ｒ１によって悪質なネットワークパケットＰ１を生成したユーザ端末２をユーザ濾過データベース５１１に記憶し、悪質なネットワークパケットＰ１を生成したユーザ端末２の悪質攻撃によって大量の演算資源を消耗する問題の発生を回避することができる。
また、図８を参照すると、本発明に係るＡＩによるネットワーク攻撃防御方法において照合を行うフローチャートである。前記特徴取得ユニット５３がパケット記憶ユニット５２１のネットワークパケットＰ１を取得し、特徴テンプレート５３１で前記ネットワークパケットＰ１を解析し、前記ネットワークパケットＰ１の行為特徴情報Ｉ１およびパケット情報Ｉ２を生成するステップは、以下のステップを含む。
ステップＳ４１では、特徴記憶ユニットは、前記特徴取得ユニットの行為特徴情報を記憶し、さらに、特徴自動標記ユニットは、特徴記憶ユニットの行為特徴情報を取得すると共に標記を行い、前記行為特徴情報に特徴自動分類標記を有させる。前記特徴記憶ユニット５３２は、前記特徴取得ユニット５３が生成した行為特徴情報Ｉ１を記憶し、前記特徴自動標記ユニット５５は、特徴記憶ユニット５３２の行為特徴情報Ｉ１を取得し、前記特徴自動標記ユニット５５は、前記行為特徴情報Ｉ１が特徴自動分類標記Ｃ１を有するようにその行為特徴情報Ｉ１を標記する。
ステップＳ４２では、特徴自動標記記憶ユニットは、前記行為特徴情報および所属する特徴自動分類標記を記憶し、トレーニングユニットのトレーニング対象モデルが前記行為特徴情報および所属する特徴自動分類標記を取得し、トレーニング済みモデルを生成する。前記特徴自動標記ユニット５５は、前記行為特徴情報Ｉ１および所属する特徴自動分類標記Ｃ１を前記自動標記記憶ユニットに送信し、前記自動標記記憶ユニットには、前記行為特徴情報Ｉ１および所属する特徴自動分類標記Ｃ１が記憶され、前記トレーニングユニット５６は、前記自動標記記憶ユニットの行為特徴情報Ｉ１および所属する特徴自動分類標記Ｃ１を取得し、前記トレーニングユニット５６は、前記トレーニング対象モデル５６１により前記行為特徴情報Ｉ１および所属する特徴自動分類標記Ｃ１を取得し、前記トレーニング対象モデル５６１は、前記行為特徴情報Ｉ１および所属する特徴自動分類標記Ｃ１によってトレーニング済みモデル５６２を生成する。
ステップＳ４３では、照合ユニットに前記トレーニング済みモデルが出力され、前記照合ユニットは、前記正確特徴標記記憶ユニットのトレーニング特徴情報および特徴正確分類標記を取得し、前記トレーニング済みモデル５６２は、前記照合ユニットに出力され、前記照合ユニット５７は、前記正確特徴標記記憶ユニット５８のトレーニング特徴情報Ｉ３および特徴正確分類標記Ｃ２を取得する。
ステップＳ４４では、前記トレーニング済みモデルは、前記トレーニング特徴情報を取得すると共にトレーニング情報結果を出力する。前記トレーニング済みモデル５６２は、照合ユニット５７において前記トレーニング特徴情報Ｉ３を取得してトレーニング情報結果を出力する。
ステップＳ４５では、照合ユニットは、これらのトレーニング情報結果とトレーニング特徴情報および特徴正確分類標記とを照合することにより、トレーニング済みモデルを最適化するか、またはトレーニング済みモデルを処理ユニットに出力するかを決定する。前記照合ユニット５７は、前記トレーニング情報結果とトレーニング特徴情報Ｉ３および特徴正確分類標記Ｃ２とを照合し、前記照合ユニット５７は、前記トレーニング情報結果とトレーニング特徴情報Ｉ３および特徴正確分類標記Ｃ２の間の分類標記が一致するかどうかを照合すれば、前記トレーニング情報結果とトレーニング特徴情報Ｉ３および特徴正確分類標記Ｃ２の一致率が設定値より高い場合、前記照合ユニット５７は、前記トレーニング済みモデル５６２を前記処理ユニット５４に出力する。
また、図９を参照すると、本発明に係るＡＩによるネットワーク攻撃防御方法において最適化するフローチャートである。照合ユニット５７がこれらのトレーニング情報結果Ｒ２をトレーニング特徴情報Ｉ３および特徴正確分類標記Ｃ２と照合して、トレーニング済みモデル５６２を最適化すると決定するステップは、以下のステップを含む。
ステップＳ４５１１では、最適化ユニットは、前記特徴自動標記ユニットを最適化し、前記特徴自動標記ユニットは、前記行為特徴情報に他の一組の特徴自動分類標記を有させるように、特徴記憶ユニットの行為特徴情報を取得して標記を行う。前記トレーニング情報結果とトレーニング特徴情報Ｉ３および特徴正確分類標記Ｃ２との一致率が設定値より低い場合、前記照合ユニット５７は、前記トレーニング済みモデル５６２を最適化することを決定し、前記最適化ユニット５９は、前記特徴自動標記ユニット５５を最適化し、前記最適化ユニットは、分類アルゴリズムを利用して最適化を実行することで、前記特徴自動標記ユニット５５に他のアルゴリズムまたは置換標記パラメータによって前記行為特徴情報Ｉ１に対して他の組の特徴自動分類標記Ｃ１を生成させる。
ステップＳ４５１２では、この特徴自動標記記憶ユニットは、この行為特徴情報と所属する他の特徴自動分類標記を記憶する。前記特徴自動標記記憶ユニット５５１は、前記行為特徴情報Ｉ１および所属する他の特徴自動分類標記Ｃ１を記憶する。
ステップＳ４５１３では、前記トレーニングユニットのトレーニング対象モデルは、前記行為特徴情報および所属する特徴自動分類標記を取得し、他のトレーニング済みモデルを出力する。前記トレーニングユニット５６のトレーニング対象モデル５６１は、前記行為特徴情報Ｉ１および所属する特徴自動分類標記Ｃ１を取得し、他のトレーニング済みモデル５６２を出力する。
ステップＳ４５１４では、前記他のトレーニング済みモデルは、照合ユニットに出力し、前記照合ユニットは、正確特徴標記記憶ユニットのトレーニング特徴情報および特徴正確分類標記を取得する。前記トレーニングユニット５６の他のトレーニング済みモデル５６２は、前記照合ユニット５７に出力し、前記照合ユニット５７は、前記正確特徴標記記憶ユニット５８のトレーニング特徴情報Ｉ３および特徴正確分類標記Ｃ２を取得する。
ステップＳ４５１５では、前記他のトレーニング済みモデルは、前記トレーニング特徴情報を取得し、他のトレーニング情報結果を出力する。前記他のトレーニング済みモデル５６２は、照合ユニット５７において前記トレーニング特徴情報Ｉ３を取得し、他のトレーニング情報結果を出力する。
ステップＳ４５１６では、照合ユニットは、前記他のトレーニング情報結果とトレーニング特徴情報および特徴正確分類標記とを照合し、前記他のトレーニング済みモデルを前記処理ユニットに出力する。前記照合ユニット５７は、前記他のトレーニング情報結果とトレーニング特徴情報Ｉ３および特徴正確分類標記Ｃ２とを照合し、前記照合ユニット５７は前記他のトレーニング情報結果とトレーニング特徴情報Ｉ３および特徴正確分類標記Ｃ２の間の分類標記が一致するかどうかを照合すれば、前記トレーニング情報結果とトレーニング特徴情報Ｉ３および特徴正確分類標記Ｃ２の一致率が設定値より高い場合、前記照合ユニット５７は、前記他のトレーニング済みモデル５６２を前記処理ユニット５４に出力し、前記トレーニング済みモデル５６２によって前記ＡＩモデル５４１を更新し、そうでなければ、前記他のトレーニング情報結果とトレーニング特徴情報Ｉ３および特徴正確分類標記Ｃ２の一致率が設定値より低い場合、前記照合ユニット５７は、トレーニング情報結果とトレーニング特徴情報Ｉ３および特徴正確分類標記Ｃ２の一致率が設定値より高くなるまで、前記特徴自動分類標記Ｃ１を再調整する。
また、図１０を参照すると、本発明に係るＡＩによるネットワーク攻撃防御方法おいてさらに最適化するフローチャートである。照合ユニット５７がこれらのトレーニング情報結果Ｒ２をトレーニング特徴情報Ｉ３および特徴正確分類標記Ｃ２と照合し、トレーニング済みモデル５６２を最適化すると決定するステップは、以下のステップを含む。
ステップＳ４５２１では、最適化ユニットが前記特徴取得ユニットに接続される。前記最適化ユニット５９が前記特徴取得ユニット５３に接続される。
ステップＳ４５２２では、最適化ユニットは、前記特徴取得ユニットに他の特徴テンプレートを使用させ、前記特徴取得ユニットは他の特徴テンプレートによって他の行為特徴情報を生成する。前記照合ユニット５７が前記トレーニング済みモデル５６２を最適化することを決定すると、前記最適化ユニット５９は、前記特徴取得ユニット５３に他の特徴テンプレート５３１を使用させ、前記特徴取得ユニット５３は、他の特徴テンプレート５３１によって他の行為特徴情報Ｉ１を生成し、前記最適化ユニット５９は、前記特徴テンプレート５３１の数または項目を変更し、前記特徴取得ユニット５３は、特徴テンプレート５３１によってさらに前記ネットワークパケットＰ１の他の行為特徴情報Ｉ１を取得する。
ステップＳ４５２３では、前記特徴自動標記ユニットは、特徴記憶ユニットの他の行為特徴情報を取得して標記を行うことで、前記行為特徴情報にもう一組の特徴自動分類標記を有させる。この特徴自動標記ユニット５５に、他の行為特徴情報Ｉ１からもう一組の特徴自動分類標記Ｃ１を生成させる。
ステップＳ４５２４では、この特徴自動標記記憶ユニットは、この行為特徴情報と所属する他の組の特徴自動分類標記を記憶する。前記特徴自動標記記憶ユニット５５１は、前記行為特徴情報Ｉ１および所属するもう一組の特徴自動分類標記Ｃ１を記憶する。
ステップＳ４５２５では、前記トレーニングユニットのトレーニング対象モデルは、前記行為特徴情報および所属する特徴自動分類標記を取得し、他のトレーニング済みモデルを出力する。前記トレーニングユニット５６のトレーニング対象モデル５６１は、前記行為特徴情報Ｉ１および所属する特徴自動分類標記Ｃ１を取得し、他のトレーニング済みモデル５６２を出力する。
ステップＳ４５２６では、前記他のトレーニング済みモデルは、前記照合ユニットに出力し、前記照合ユニットは、トレーニング特徴情報および特徴正確分類標記を取得する。前記トレーニングユニット５６の他のトレーニング済みモデル５６２は、前記照合ユニットに出力し、前記照合ユニット５７は、前記正確特徴標記記憶ユニット５８のトレーニング特徴情報Ｉ３および特徴正確分類標記Ｃ２を取得する。
ステップＳ４５２７では、前記他のトレーニング済みモデルは、前記トレーニング特徴情報を取得し、他のトレーニング情報結果を出力する。他のトレーニング済みモデル５６２は、照合ユニット５７において、前記トレーニング特徴情報Ｉ３を取得すると共に、他のトレーニング情報結果を出力する。
ステップＳ４５２８では、照合ユニットは、前記他のトレーニング情報結果とトレーニング特徴情報および特徴正確分類標記とを照合すると共に、前記他のトレーニング済みモデルを前記処理ユニットに出力する。前記照合ユニット５７は、前記他のトレーニング情報結果とトレーニング特徴情報Ｉ３および特徴正確分類標記Ｃ２とを照合し、前記照合ユニット５７が前記他のトレーニング情報結果とトレーニング特徴情報Ｉ３および特徴正確分類標記Ｃ２の間の分類標記が一致するかどうかを照合すれば、前記トレーニング情報結果とトレーニング特徴情報Ｉ３および特徴正確分類標記Ｃ２の一致率が設定値より高い場合、前記照合ユニット５７は、前記他のトレーニング済みモデル５６２を前記処理ユニット５４に出力し、前記トレーニング済みモデル５６２によって前記ＡＩモデル５４１を更新し、そうでなければ、前記他のトレーニング情報結果とトレーニング特徴情報Ｉ３および特徴正確分類標記Ｃ２の一致率が設定値より低い場合、前記照合ユニット５７は、トレーニング情報結果とトレーニング特徴情報Ｉ３および特徴正確分類標記Ｃ２の一致率が設定値より高くなるまで、前記特徴自動分類標記Ｃ１を再調整する。
よって、前記ＡＩによるネットワーク攻撃防御システム１は、ＡＩモデル５４１で攻撃行為のあるネットワークパケットＰ１を迅速に認識かつフィルタリングすることができ、このように機器の増設や複雑な機器の構築を必要とせず、設置コストを低下する上に、前記認証装置３は認証段階で、前記ＡＩモデル５４１によって、特徴テンプレート５３１に解析される行為特徴情報Ｉ１に基づいて正常なネットワークパケットＰ１または悪質なネットワークパケットＰ１と判断でき、さらに前記特徴情報結果Ｒ１によって悪質なネットワークパケットＰ１を生成したユーザ端末２をユーザ濾過データベース５１１に記憶し、悪質なネットワークパケットＰ１を生成したユーザ端末２の悪質攻撃によって大量の演算資源を消耗する問題の発生を避けることができる。
以上、本発明を詳細に説明したが、上述で説明されたものは、本発明の１つの好ましい実施例にすぎず、本発明の実施範囲を限定するものではなく、すなわち本発明の請求範囲によって行う均等変化と修飾などは、本発明の特許請求範囲に属するべきである。
１ ＡＩによるネットワーク攻撃防御システム
２ ユーザ端末
３ 認証装置
４ サーバ機器
５ ネットワーク機器
５１ パケット濾過ユニット
５１１ ユーザ濾過データベース
５２ パケット取得ユニット
５２１ パケット記憶ユニット
５３ 特徴取得ユニット
５３１ 特徴テンプレート
５３２ 特徴記憶ユニット
５４ 処理ユニット
５４１ ＡＩモデル
５５ 特徴自動標記ユニット
５５１ 特徴自動標記記憶ユニット
５６ トレーニングユニット
５６１ トレーニング対象モデル
５６２ トレーニング済みモデル
５７ 照合ユニット
５８ 正確特徴標記記憶ユニット
５９ 最適化ユニット
Ｐ１ ネットワークパケット
Ｉ１ 行為特徴情報
Ｉ２ パケット情報
Ｒ１ 特徴情報結果
Ｃ１ 特徴自動分類標記
Ｉ３ トレーニング特徴情報
Ｃ２ 特徴正確分類標記
Ｓ１～Ｓ７ ステップ
Ｓ４１～Ｓ４５ ステップ
Ｓ４５１１～Ｓ４５１６ ステップ
Ｓ４５２１～Ｓ４５２８ ステップ

Claims (10)

  1. ユーザ端末データを有すると共に、少なくとも１つのネットワークパケットが生成された少なくとも１つのユーザ端末と、
    前記ユーザ端末に接続し、少なくとも一つのユーザ濾過データベースを有し、前記ネットワークパケットを受信すると共に、前記ユーザ濾過データベースにより前記ネットワークパケットを認証装置に送信するか、または、そのネットワークパケットをフィルタリングするパケット濾過ユニットを備えたネットワーク機器と、を含むＡＩによるネットワーク攻撃防御システムにおいて、
    前記認証装置は、前記ネットワークパケットを受信し、前記ネットワークパケットを生成するユーザ端末に認証を行うと共に、認証結果によって前記ネットワークパケットをサーバ機器に送信し、
    前記ネットワーク機器は、
    前記パケット濾過ユニットに接続し、前記認証装置に送信されたネットワークパケットを取得するパケット取得ユニットと、
    前記パケット取得ユニットに接続し、前記ネットワークパケットを記憶するパケット記憶ユニットと、
    前記パケット記憶ユニットに接続し、前記ネットワークパケットを取得すると共に少なくとも一つの特徴テンプレートで前記ネットワークパケットを解析し、前記ネットワークパケットの行為特徴情報およびパケット情報を生成する特徴取得ユニットと、
    前記特徴取得ユニットに接続し、前記行為特徴情報および前記パケット情報を記憶する特徴記憶ユニットと、
    前記特徴取得ユニットに接続し、その行為特徴情報を受信すると共に、ＡＩモデルで前記ネットワークパケットの行為特徴情報が正常かまたは悪質であるかを判断して特徴情報結果を生成し、悪質なネットワークパケットの特徴情報結果を前記パケット濾過ユニットに送信し、前記パケット濾過ユニットは、前記特徴記憶ユニットのパケット情報をさらに受信し、前記特徴情報結果およびパケット情報によって悪質なネットワークパケットを生成するユーザ端末データを前記ユーザ濾過データベースに記憶する処理ユニットと、をさらに含む、
    ことを特徴とするＡＩによるネットワーク攻撃防御システム。
  2. 前記ネットワーク機器は、特徴自動標記ユニットと、特徴自動標記記憶ユニットとをさらに含み、
    前記特徴自動標記ユニットは、前記特徴記憶ユニットに接続し、前記特徴記憶ユニットにおける行為特徴情報を取得すると共に標記を行うことで、前記行為特徴情報には特徴自動分類標記を有させ、
    前記特徴自動標記記憶ユニットは、前記特徴自動標記ユニットに接続し、前記行為特徴情報および所属する特徴自動分類標記を記憶し、かつ前記特徴自動標記記憶ユニットはトレーニングユニットに接続し、
    前記トレーニングユニットのトレーニング対象モデルは、前記行為特徴情報および所属する特徴自動分類標記を取得すると共にトレーニング済みモデルを生成する、ことを特徴とする請求項１に記載のＡＩによるネットワーク攻撃防御システム。
  3. 前記ネットワーク機器は、前記トレーニングユニットおよび正確特徴標記記憶ユニットに接続された照合ユニットを有し、
    前記正確特徴標記記憶ユニットには、少なくとも一つのトレーニング特徴情報および前記トレーニング特徴情報の特徴正確分類標記が記憶され、
    前記照合ユニットは、前記正確特徴標記記憶ユニットのトレーニング特徴情報および特徴正確分類標記を取得し、
    前記トレーニングユニットは、前記トレーニング済みモデルを前記照合ユニットに出力し、
    前記トレーニング済みモデルは、前記トレーニング特徴情報を取得すると共にトレーニング情報結果を出力し、
    前記照合ユニットは、前記トレーニング情報結果とトレーニング特徴情報および特徴正確分類標記とを照合し、前記トレーニング済みモデルを最適化するか、前記トレーニング済みモデルを前記処理ユニットに出力するかを決定する、ことを特徴とする請求項２に記載のＡＩによるネットワーク攻撃防御システム。
  4. 前記ネットワーク機器は、最適化ユニットをさらに含み、
    前記最適化ユニットは、前記照合ユニットに接続され、前記照合ユニットが前記トレーニング済みモデルを最適化することを決定するときに最適化を実行する、ことを特徴とする請求項３に記載のＡＩによるネットワーク攻撃防御システム。
  5. 前記最適化ユニットは、前記特徴自動標記ユニットにさらに接続し、
    前記照合ユニットが前記トレーニング済みモデルを最適化することを決定するときに、前記最適化ユニットは、前記特徴自動標記ユニットを最適化し、前記特徴自動標記ユニットは、他の一組の特徴自動分類標記を生成する、ことを特徴とする請求項４に記載のＡＩによるネットワーク攻撃防御システム。
  6. 前記最適化ユニットは、前記特徴取得ユニットにさらに接続し、
    前記照合ユニットが前記トレーニング済みモデルを最適化することを決定するときに、前記最適化ユニットは、前記特徴取得ユニットに他の特徴テンプレートを使用させ、前記特徴取得ユニットは、他の特徴テンプレートによって他の行為特徴情報を生成する、ことを特徴とする請求項４に記載のＡＩによるネットワーク攻撃防御システム。
  7. 少なくとも一つのユーザ端末により一つのネットワーク機器に少なくとも一つのネットワークパケットを生成するステップと、
    前記ネットワーク機器のパケット濾過ユニットは、前記ネットワークパケットを受信すると共に、ユーザ濾過データベースにより前記ネットワークパケットを認証装置に送信するか、またはそのネットワークパケットをフィルタリングするステップと、
    前記認証装置は、前記ネットワークパケットを受信し、前記ネットワークパケットを生成したユーザ端末に対して認証を行い、そして認証結果により前記ネットワークパケットをサーバ機器に送信するステップと、を含み、
    前記認証装置が前記ネットワークパケットを受信し、前記ネットワークパケットを生成したユーザ端末に対し認証を行い、そして認証結果によって前記ネットワークパケットをサーバ機器に送信するステップは、
    パケット取得ユニットが、前記パケット濾過ユニットによって前記認証装置に送信されたネットワークパケットを取得する過程と、
    パケット記憶ユニットが前記パケット取得ユニットにより取得したネットワークパケットを記憶し、特徴取得ユニットによって前記パケット記憶ユニットのネットワークパケットを取得すると共に、少なくとも一つの特徴テンプレートで前記ネットワークパケットを解析し、前記ネットワークパケットの行為特徴情報およびパケット情報を生成して特徴記憶ユニットに記憶する過程と、
    処理ユニットのＡＩモデルは、前記ネットワークパケットの行為特徴情報が正常または悪質であるかを判断し、特徴情報結果を生成する過程と、
    前記処理ユニットが悪質なネットワークパケットの特徴情報結果を前記パケット濾過ユニットに送信し、前記パケット濾過ユニットが前記特徴記憶ユニットのパケット情報をさらに受信し、前記パケット濾過ユニットが前記特徴情報結果およびパケット情報によって悪質なネットワークパケットを生成したユーザ端末データを前記ユーザ濾過データベースに記憶する過程と、を含む、
    ことを特徴とするＡＩによるネットワーク攻撃防御方法。
  8. 前記特徴取得ユニットがパケット記憶ユニットのネットワークパケットを取得し、少なくとも１つの特徴テンプレートで前記ネットワークパケットを解析し、前記ネットワークパケットの行為特徴情報およびパケット情報を生成するステップは、
    前記特徴記憶ユニットが前記特徴取得ユニットの行為特徴情報を記憶し、さらに特徴自動標記ユニットが前記特徴記憶ユニットにおける行為特徴情報を取得すると共に標記を行うことで、前記行為特徴情報には特徴自動分類標記を有するようにする過程と、
    さらに特徴自動標記記憶ユニットが前記行為特徴情報および所属する特徴自動分類標記を記憶し、トレーニングユニットのトレーニング対象モデルで前記行為特徴情報および所属の特徴自動分類標記を取得すると共に、トレーニング済みモデルを生成する過程と、
    照合ユニットに前記トレーニング済みモデルが出力され、前記照合ユニットが正確特徴標記記憶ユニットのトレーニング特徴情報および特徴正確分類標記をさらに取得する過程と、
    前記トレーニング済みモデルは、前記トレーニング特徴情報を取得し、トレーニング情報結果を出力する過程と、
    照合ユニットが前記トレーニング情報結果とトレーニング特徴情報および特徴正確分類標記とを照合し、前記トレーニング済みモデルを最適化するか、前記トレーニング済みモデルを前記処理ユニットに出力するかを決定する過程と、を含む、ことを特徴とする請求項７に記載のＡＩによるネットワーク攻撃防御方法。
  9. 前記照合ユニットが前記トレーニング情報結果とトレーニング特徴情報および特徴正確分類標記を照合し、前記トレーニング済みモデルを最適化すると決定したステップは、
    最適化ユニットが前記特徴自動標記ユニットを最適化し、前記特徴自動標記ユニットがさらに前記特徴記憶ユニットにおける行為特徴情報を取得すると共に標記を行うことで、前記行為特徴情報にはもう一組の特徴自動分類標記を有するようにする過程と、
    前記特徴自動標記記憶ユニットが前記行為特徴情報および所属するもう一組の特徴自動分類標記を記憶する過程と、
    前記トレーニングユニットのトレーニング対象モデルが前記行為特徴情報および所属の特徴自動分類標記を取得し、他のトレーニング済みモデルを出力する過程と、
    前記照合ユニットに前記他のトレーニング済みモデルが出力され、前記照合ユニットがトレーニング特徴情報および特徴正確分類標記を取得する過程と、
    前記他のトレーニング済みモデルが、前記トレーニング特徴情報を取得し、他のトレーニング情報結果を出力する過程と、
    前記照合ユニットが前記他のトレーニング情報結果とトレーニング特徴情報および特徴正確分類標記とを照合し、前記他のトレーニング済みモデルを前記処理ユニットに出力する過程と、を含む、ことを特徴とする請求項８に記載のＡＩによるネットワーク攻撃防御方法。
  10. 前記照合ユニットが前記トレーニング情報結果とトレーニング特徴情報および特徴正確分類標記とを照合し、前記トレーニング済みモデルを最適化すると決定するステップは、
    最適化ユニットから前記特徴取得ユニットに接続する過程と、
    前記最適化ユニットが、前記特徴取得ユニットに他の特徴テンプレートを使用させ、前記特徴取得ユニットが他の特徴テンプレートによって他の行為特徴情報を生成する過程と、
    前記特徴自動標記ユニットがさらに前記特徴記憶ユニットにおける他の行為特徴情報を取得すると共に標記を行うことで、前記行為特徴情報にはもう一組の特徴自動分類標記を有させる過程と、
    前記特徴自動標記記憶ユニットが前記行為特徴情報および所属するもう一組の特徴自動分類標記を記憶する過程と、
    前記トレーニングユニットのトレーニング対象モデルが前記行為特徴情報および所属の特徴自動分類標記を取得し、他のトレーニング済みモデルを出力する過程と、
    前記照合ユニットに前記他のトレーニング済みモデルが出力され、前記照合ユニットがトレーニング特徴情報および特徴正確分類標記を取得する過程と、
    前記他のトレーニング済みモデルが前記トレーニング特徴情報を取得し、他のトレーニング情報結果を出力する過程と、
    前記照合ユニットが前記他のトレーニング情報結果とトレーニング特徴情報および特徴正確分類標記とを照合し、前記他のトレーニング済みモデルを前記処理ユニットに出力する過程と、を含む、ことを特徴とする請求項８に記載のＡＩによるネットワーク攻撃防御方法。
JP2022054899A 2022-03-30 2022-03-30 Ａｉによるネットワーク攻撃防御システムおよびその方法 Active JP7494240B2 (ja)

Priority Applications (1)

Application Number Priority Date Filing Date Title
JP2022054899A JP7494240B2 (ja) 2022-03-30 2022-03-30 Ａｉによるネットワーク攻撃防御システムおよびその方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
JP2022054899A JP7494240B2 (ja) 2022-03-30 2022-03-30 Ａｉによるネットワーク攻撃防御システムおよびその方法

Publications (2)

Publication Number Publication Date
JP2023147418A JP2023147418A (ja) 2023-10-13
JP7494240B2 true JP7494240B2 (ja) 2024-06-03

Family

ID=88288999

Family Applications (1)

Application Number Title Priority Date Filing Date
JP2022054899A Active JP7494240B2 (ja) 2022-03-30 2022-03-30 Ａｉによるネットワーク攻撃防御システムおよびその方法

Country Status (1)

Country Link
JP (1) JP7494240B2 (ja)

Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2004320636A (ja) 2003-04-18 2004-11-11 Nippon Telegr & Teleph Corp <Ntt> ＤｏＳ攻撃元検出方法、ＤｏＳ攻撃阻止方法、セッション制御装置、ルータ制御装置、プログラムおよびその記録媒体
JP2008504737A (ja) 2004-06-23 2008-02-14 クゥアルコム・インコーポレイテッド ネットワークパケットの効率的な分類
JP2017152852A (ja) 2016-02-23 2017-08-31 株式会社日立製作所 通信システム、通信装置、および通信システムの通信制御方法
CN111262832A (zh) 2020-01-08 2020-06-09 北京工业大学 云环境下融合信任和学习的DDoS攻击发现方法
JP2020135816A (ja) 2019-02-26 2020-08-31 株式会社日立製作所 不正通信検知装置および不正通信検知プログラム

Patent Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2004320636A (ja) 2003-04-18 2004-11-11 Nippon Telegr & Teleph Corp <Ntt> ＤｏＳ攻撃元検出方法、ＤｏＳ攻撃阻止方法、セッション制御装置、ルータ制御装置、プログラムおよびその記録媒体
JP2008504737A (ja) 2004-06-23 2008-02-14 クゥアルコム・インコーポレイテッド ネットワークパケットの効率的な分類
JP2017152852A (ja) 2016-02-23 2017-08-31 株式会社日立製作所 通信システム、通信装置、および通信システムの通信制御方法
JP2020135816A (ja) 2019-02-26 2020-08-31 株式会社日立製作所 不正通信検知装置および不正通信検知プログラム
CN111262832A (zh) 2020-01-08 2020-06-09 北京工业大学 云环境下融合信任和学习的DDoS攻击发现方法

Also Published As

Publication number Publication date
JP2023147418A (ja) 2023-10-13

Similar Documents

Publication Publication Date Title
US9009830B2 (en) Inline intrusion detection
AlEroud et al. Identifying cyber-attacks on software defined networks: An inference-based intrusion detection approach
Phan et al. OpenFlowSIA: An optimized protection scheme for software-defined networks from flooding attacks
Lin et al. Application classification using packet size distribution and port association
Phan et al. A novel hybrid flow-based handler with DDoS attacks in software-defined networking
US20170364576A1 (en) Classification of security rules
US20150052606A1 (en) Method and a system to detect malicious software
Samarakoon et al. 5g-nidd: A comprehensive network intrusion detection dataset generated over 5g wireless network
US7574594B2 (en) Network authentication based on inter-packet gap characteristics
Ali et al. Novel three-tier intrusion detection and prevention system in software defined network
CN109768981B (zh) 一种在sdn架构下基于机器学习的网络攻击防御方法和系统
US20150372978A1 (en) Methods and apparatus for denial of service resistant policing of packets
CN112769623A (zh) 边缘环境下的物联网设备识别方法
Yang et al. Bayesian neural network based encrypted traffic classification using initial handshake packets
CN114091020A (zh) 基于特征分组和多模型融合的对抗攻击防御方法及系统
CN116346418A (zh) 基于联邦学习的DDoS检测方法及装置
KR102083028B1 (ko) 네트워크 침입탐지 시스템
CN114866310A (zh) 一种恶意加密流量检测方法、终端设备及存储介质
JP2013070325A (ja) 通信システム、通信装置、サーバ、通信方法
CN108667804B (zh) 一种基于SDN架构的DDoS攻击检测及防护方法和系统
Fenil et al. Towards a secure software defined network with adaptive mitigation of dDoS attacks by machine learning approaches
CN108650237B (zh) 一种基于存活时间的报文安全检查方法及系统
JP7494240B2 (ja) Ａｉによるネットワーク攻撃防御システムおよびその方法
CN111786967B (zh) DDoS攻击的防御方法、系统、节点及存储介质
CN108881241B (zh) 一种面向软件定义网络的动态源地址验证方法

Legal Events

Date Code Title Description
A621 Written request for application examination

Free format text: JAPANESE INTERMEDIATE CODE: A621

Effective date: 20221219

A131 Notification of reasons for refusal

Free format text: JAPANESE INTERMEDIATE CODE: A131

Effective date: 20240206

A521 Request for written amendment filed

Free format text: JAPANESE INTERMEDIATE CODE: A523

Effective date: 20240418

RD02 Notification of acceptance of power of attorney

Free format text: JAPANESE INTERMEDIATE CODE: A7422

Effective date: 20240418

TRDD Decision of grant or rejection written
A01 Written decision to grant a patent or to grant a registration (utility model)

Free format text: JAPANESE INTERMEDIATE CODE: A01

Effective date: 20240430

A61 First payment of annual fees (during grant procedure)

Free format text: JAPANESE INTERMEDIATE CODE: A61

Effective date: 20240522

R150 Certificate of patent or registration of utility model

Ref document number: 7494240

Country of ref document: JP

Free format text: JAPANESE INTERMEDIATE CODE: R150