[发明专利]使用深度递归神经网络的上下文感知特征嵌入和序列日志数据的异常检测

说明书

本发明涉及使用深度递归神经网络的上下文感知特征嵌入和序列日志数据的异常检测。本文提供了用于基于序列预测将网络流量或操作日志的特征进行上下文嵌入以进行异常检测的技术。在实施例中，计算机具有检测异常网络流的预测性递归神经网络(RNN)。在实施例中，RNN将表示日志消息的稀疏特征向量按上下文转码为密集特征向量，该密集特征向量可以是预测性的或被用于生成预测性向量。在实施例中，图嵌入改善日志踪迹的特征嵌入。在实施例中，计算机从相关日志消息中检测独立的踪迹并对其进行特征编码。这些技术可以通过对网络分组流、日志消息和/或日志踪迹的上下文感知特征嵌入进行异常分析来检测恶意活动。

本申请是国际申请日为2019年7月23日、国家申请号为201980067519.2、发明名称为“使用深度递归神经网络的上下文感知特征嵌入和序列日志数据的异常检测”的进入中国国家阶段的PCT申请的分案申请。

相关申请的交叉引用

以下相关参考文献的全部内容通过引用并入：

·Juan Fernandez Peinador等人于2018年9月5日提交的标题为“MALICIOUSACTIVITY DETECTION BY CROSS-TRACE ANALYSIS AND DEEP LEARNING”的美国专利申请No.16/122,398。

·Zhou Guang-Tong Zhou等人于2018年9月5日提交的标题为“MALICIOUSNETWORK TRAFFIC FLOW DETECTION USING DEEP LEARNING”的美国专利申请No.16/122,664。

·Marc Lanctot等人于2017年5月19日提交的标题为“MEMORY-EFFICIENTBACKPROGATING THROUGHH TIME”的W.I.P.O.专利申请No.PCT/US2017/033698；

·Daniel Neil等人于2016年11月9日提交的标题为“MEMORY CELL UNIT ANDRECURRENT NEURAL NETWORK INCLUDING MULTIPLE MEMORY CELL UNITS”的美国专利申请No.15/347,501；

·Jun Zhang等人于2014年12月2日提交的标题为“AUTO-ENCODER ENHANCEDSELF-DIAGNOSTIC COMPONENTS FOR MODEL MONITORING”的美国专利申请No.14/558,700；以及

·Christopher M.Bishop的“EXACT CALCULATION OF THE HESSIAN MATRIXFORTHE MULTI-LAYER PERCEPTRON”，发表在Neural Computation 4第4期(1992年)第494-501页上。

技术领域

本公开涉及序列(sequence)异常检测。本文给出的是用于基于序列预测将网络流量或操作日志的特征进行上下文(contextual)嵌入以进行异常检测的技术。

背景技术

对于诸如企业和云数据中心之类的基于网络的系统，网络安全是一项重大挑战。这些系统是复杂且动态的，并且在不断演化的网络环境中运行。虽然从网络安全的角度来看越来越重要，但是分析主机之间流动的大量数据以及流量所伴随的分布式处理已超出人类安全专家的工作量。在一些方面，用一些技术或多或少都无法管理流量和活动分析。

网络数据的基本表示是作为网络分组承载的未经处理(raw)网络流量。大多数恶意活动发生在TCP/IP网络模型的应用层中，其中应用在主机之间传递网络分组的流。恶意活动的证据可以或多或少隐藏在分组的网络流内。