[发明专利]一种恶意机器流量识别方法及系统

说明书

本发明设计了一种恶意机器流量识别方法及系统，针对国网等互联网侧APP可能出现的用户访问次数和频率大幅增加，带来恶意流量识别困难的问题，采用深度学习技术动态划分可疑流量，并对流量使用隐性马尔可夫链预测用户访问行为，达到了有针对性地分析并识别恶意机器流量、为恶意流量的处理提供准确的定位的效果。

技术领域

本发明涉及电力数据安全领域，更具体地涉及一种恶意机器流量识别方法及系统。

背景技术

恶意机器流量识别是通过对业务系统流量进行实时监测，精准找出其中恶意爬虫、自动机、模拟器等伪造真实用户发起的业务请求，这些流量通过在应用层攻击业务系统的网站、App或是API，对企业造成经济上的巨大损失。本申请通过一种识别方法分析并识别恶意机器流量，从而可以对这些并非由真实用户发出的业务请求进行限制，降低电力金融业务开展过程中的数据安全风险。恶意流量识别方法通过在流量中提取特征信息，根据预设的特征条件判断流量是否为恶意的。

电力作为一种特殊的商品，其市场的供求变化远较其他商品市场频繁，价格的波动性远超过其他的商品市场。对电力金融风险的研究是目前国内外研究电力市场的热点。

对于如何判断恶意还是合理的用户访问，我们把对网络资源的访问当成一个离散事件。网络bot请求资源时，时间间隔上存在不同：人是依据主观需求对目标资源进行点击触发，而bot是程序设定好的，例如间隔多久，或者伪造随机时间触发等。形象化描述就是比如一个购物网站，用户访问的路径可能为先登录，或者不登录直接进入主页搜索商品，或者逛街一样的浏览首页上的商品，查看类似商品选择购买或者不购买，最后退出。这就是一个合理的访问。假如一个访问一直在访问某类商品的价格，它是一个不合理的访问。

深度学习是Hinton在2006年提出一个一种新的机器学习模型，这种模型是一种通过多层神经网络对样本进行训练的新的机器学习方法。这种方法通过模拟人类大脑对事物进行学习分析的方式来构建一个神经网络，主要用来对历史数据之间的关系进行描述和解释，适用于本项目基于电力大数据的信用风险模型的构建。近年来，深度学习成为机器学习、人工智能领域新兴研究方法，在语音、图像、文本、金融等大数据分析领域被广泛应用，并取得了令人瞩目的成绩。相比于传统神经网络模型，如果传统神经网络模型具有2层及以上的网络结构，则在训练过程中非常容易出现局部最优化的缺点，但是同样网络结构的深度学习模型则不会出现这样的问题。与传统神经网络相比，深度学习模型更适合于处理具有非线性的特征数据，通过多层的特征映射从图片、声音、文本、数据库等输入数据中提取有助于理解数据本身所代表含义的有效数据特征表示。深度学习模型的每一层提取数据的一个或者多个不同方面的特征，并且将提取的特征作为下一层的输入数据，通过不断组合这些低层的数据特征从而形成更加高层的数据抽象特征。深度学习模型的优势还在与可以更好地表示复杂的高维函数，寻找历史数据内部的真正关系，对他们进行描述和解释。目前国内外研究中常用的深度学习模型主要有受限玻尔兹曼机模型(Restricted BoltzmannMachine，RBM)、卷积神经网络(Convolutional Neural Networks，CNNs)、循环神经网络模型(Recurrent Neural Networks，RNNs)、对抗神经网络(Generative AdversarialNetworks，GANs)、长短时记忆网络等。

现有技术中，往往通过静态特征分类和动态签名分类两种方式对恶意机器流量进行判别，以在判断出结果的基础上阻拦恶意流量进入自身。其中，静态特征分类的方式只是简单的是否拥有完全相同的特征来作为分类标准，只需简单的加壳或混淆就达到目标效果，已逐渐被淘汰；动态签名则利用管理人员人工提取得到的恶意流量特征进行聚类分析，并旨在利用聚类分析结果实现对同一类恶意流量的分类，但由于严重依赖于人工提取得到的特征，且聚类分析准确率较低的问题，导致检测和分类结果十分不稳定。并且，恶意机器流量识别方法还存在以下问题：识别手段较为单一，只能在运营活动过程奖品数量、流量等角度去识别；识别规则依赖专家经验，寻找合适的专家资源是挑战。