[发明专利]一种基于机器学习的日常访问模型实现方法及系统

说明书

技术领域

本发明涉及网络监控领域，尤其涉及一种基于机器学习的日常访问模型实现方法及系统。

背景技术

一般来说，若企业内部资产数量庞大，如前期没有做好访控规划，则会导致控制边界模糊，增加管理难度。且由于企业内部设备资产的不定性，存在一定的变更(例如增加或减少)频率，则会增大访控管理的繁琐度，如防火墙A把控办公区1区，现办公区1区增加数十台网络终端，此时若未能及时调整对应的管理策略，则会导致降低访控管理的精准度及提高误报率，甚至会导致网络访问异常。

因此，现有技术还有待于改进和发展。

发明内容

鉴于上述现有技术的不足，本发明的目的在于提供一种基于机器学习的日常访问模型实现方法及系统，旨在解决现有的网络访问管理方法精准度不高以及容易误报导致网络访问异常的问题。

本发明的技术方案如下：

一种基于机器学习的日常访问模型实现方法，其中，包括步骤：

A、设置流量自我学习的时间范围；

B、设置流量自我学习的网络终端范围与被访问的业务系统列表；

C、采集流量并分析流量；

D、形成流量分析结果；

E、创建流量模型的异常访问规则；

F、根据分析结果结合异常访问规则生成流量模型，通过所述流量模型对网络访问进行持续监控。

所述的基于机器学习的日常访问模型实现方法，其中，所述步骤C具体包括：

C1、通过蓝盾设备进行流量采集，并将采集到的流量原文保存为pcap格式；

C2、对pcap格式的流量原文进行数据分析，得到pcap分析输出结果。

所述的基于机器学习的日常访问模型实现方法，其中，所述步骤D包括：

根据所述pcap分析输出结果，形成包括源IP、目标IP、目标端口及访问时间的流量分析结果。

所述的基于机器学习的日常访问模型实现方法，其中，所述异常访问规则的规则字段包括：时间总长度、访问总次数及端口。

所述的基于机器学习的日常访问模型实现方法，其中，所述流量模型以目标IP为维度，聚合源IP、端口及源IP访问目标IP某端口的总次数。

一种基于机器学习的日常访问模型实现系统，其中，包括：

第一设置模块，用于设置流量自我学习的时间范围；

第二设置模块，用于设置流量自我学习的网络终端范围与被访问的业务系统列表；

采集分析模块，用于采集流量并分析流量；

分析结果形成模块，用于形成流量分析结果；

规则创建模块，用于创建流量模型的异常访问规则；

模型生成模块，用于根据分析结果结合异常访问规则生成流量模型，通过所述流量模型对网络访问进行持续监控。

所述的基于机器学习的日常访问模型实现方法，其中，所述采集分析模块具体包括：

采集单元，用于通过蓝盾设备进行流量采集，并将采集到的流量原文保存为pcap格式；

分析单元，用于对pcap格式的流量原文进行数据分析，得到pcap分析输出结果。

所述的基于机器学习的日常访问模型实现方法，其中，所述分析结果形成模块具体包括：

分析结果形成单元，用于根据所述pcap分析输出结果，形成包括源IP、目标IP、目标端口及访问时间的流量分析结果。

所述的基于机器学习的日常访问模型实现方法，其中，所述异常访问规则的规则字段包括：时间总长度、访问总次数及端口。

所述的基于机器学习的日常访问模型实现方法，其中，所述流量模型以目标IP为维度，聚合源IP、端口及源IP访问目标IP某端口的总次数。

有益效果：通过本发明的流量模型可对企业内部的实际流量情况进行机器学习，通过一定时间的自我学习，可得到符合企业内部实际的日常访问规律(网络终端对企业业务系统的访问规律)，安全管理员只需结合企业内部的实际访控要求针对实际访问规则进行微调即可，从而提高企业内部的异常访问的精准度。另外，通过本发明的日常访问模型可对安全设备策略进行优化或检测。

附图说明

图1为本发明一种基于机器学习的日常访问模型实现方法较佳实施例的流程图。

图2为本发明一种基于机器学习的日常访问模型实现系统较佳实施例的结果框图。

具体实施方式