[发明专利]一种改进分类的网络攻击检测方法及系统

说明书

本发明提供一种改进分类的网络攻击检测方法及系统，可以基于历史访问数据，先训练分类器，根据训练好的分类器对不同频率的攻击数据进行分类，为不同分类构建不同的噪声模拟网络攻击模型，再使用真实网络攻击流量训练所述噪声模拟网络攻击模型。当噪声模拟网络攻击模型训练完毕后，将不同分类的噪声模拟网络攻击模型接入机器学习模块，作为机器学习模块的模拟攻击源，帮助提升机器学习模块检测的能力。

技术领域

本申请涉及网络安全技术领域，尤其涉及一种改进分类的网络攻击检测方法及系统。

背景技术

现有的统计分析和机器学习虽然能检测恶意软件、恶意代码、恶意行为等，但还存在两个不足：一是，训练过程中攻击数据不足，远远少于正常数据，尤其缺少极端频率的网络攻击数据；二是，随着技术的发展，攻击者的攻击手段也在不断改变，然而这些攻击数据不会提前公开，无法将它们用于模型训练，导致模型无法检测未知的攻击数据。

同时，网络攻击检测方法中常常会应用到分类器，而分类器也需要进行训练，才能更准确地分类网络数据。

因此，急需一种可以自我生成可使用的攻击数据，增强训练数据，提升检测模型性能的方法和系统。

发明内容

本发明的目的在于提供一种改进分类的网络攻击检测方法及系统，可以基于历史访问数据，先训练分类器，根据训练好的分类器对不同频率的攻击数据进行分类，为不同分类构建不同的噪声模拟网络攻击模型，再使用真实网络攻击流量训练所述噪声模拟网络攻击模型。当噪声模拟网络攻击模型训练完毕后，将不同分类的噪声模拟网络攻击模型接入机器学习模块，作为机器学习模块的模拟攻击源，帮助提升机器学习模块检测的能力。

第一方面，本申请提供一种改进分类的网络攻击检测方法，所述方法包括：

获取历史访问数据，对数据进行随机分组，创建若干个数据训练集；

确定分类器的待分类项，根据所述待分类项的特征，将所述若干个数据训练集输入分类器，统计在各类别下每个待分类项的各个特征属性的条件概率；

将各个分类项以及其条件概率输入分类器，输出待分类项与类别的映射关系；

训练好分类器之后，分析提取历史访问数据中的特征向量，输入分类器，得出历史访问数据中攻击数据与攻击类别的对应关系；

所述分类器为其中频率高于第一阈值的类别、或者频率低于第二阈值的类别的攻击数据打标；

基于打标的攻击数据、未打标的攻击数据的特征向量，分别构建第一噪声模拟网络攻击模型、第二噪声模拟网络攻击模型，应用两个模型可随机生成已知的各种类型的网络攻击以及多种网络攻击复合；

所述多种网络攻击复合包括同时具备若干种网络攻击的特征，或者连续进行若干种网络攻击，或变异网络攻击特征；

所述第一噪声模拟网络攻击模型、第二噪声模拟网络攻击模型，按照一定策略交替作为对抗性网络的生成器，所述生成器的输出流量不间断地与真实网络攻击流量一并送入判别器；

所述判别器根据两端输入的生成器输出流量和真实网络攻击流量，得出判别结果；如果判别结果为真时，表明生成器输出流量与真实网络攻击流量在特征向量上非常接近，判别器将相似度信息反馈给生成器；如果判别结果为假时，表明生成器输出流量与真实网络攻击流量在特征向量上差别很大，判别器将差别度信息、真实网络攻击流量的特征向量一并反馈给生成器；

所述生成器根据判别器的反馈结果调整第一噪声模拟网络攻击模型、第二噪声模拟网络攻击模型的参数，再次生成新的输出流量；

当判别器得到的判别结果为真的比率在预先设置的阈值范围内时，表明第一噪声模拟网络攻击模型、第二噪声模拟网络攻击模型训练完毕；