[发明专利]基于异常行为监测和成员亲密度测量的陷阱网络检测方法

摘要

基于异常行为监测和成员亲密度测量的陷阱网络检测方法，步骤如下1)、网络事件监测；2)、网络异常事件监测；3)、网络用户亲密度测量；4)、网络事件风险系数计算；5)、网络陷阱预警。本发明的方法能够给用户提供可靠的安全保障，还不影响用户正常接入网络，用户既可以享受无处不在的网络带来的便利又不用担心随之而来的风险。

主权项

基于异常行为监测和成员亲密度测量的陷阱网络检测方法，其特征在于，步骤如下：1)、网络事件监测当用户要接入一个陌生网络的时候，该网络的服务器系统监测该网络产生的事件，事件被定义为向量Fc＝{F1,F2,F3...Fn}，n是属性的数量；这些属性包括事件发生的时间，地点，参与成员，金额的多维信息，然后在服务器数据库中更新事件的历史记录；由于不同属性对事件的影响也会有不同，属性的影响力将被量化为不同的权重：2)、网络异常事件监测计算当前事件向量和历史事件向量之间的距离，并将此作为网络事件异常系数；第一步：如果事件数量为1，那么网络异常事件系数计算公式为：Ca＝Dis(Fc，Fr)，其中，Dis(Fc，Fr)＝||aFc‑aFr||，其中，||·||代表向量之间的距离，Fr是历史事件属性；第二步：如果事件数量超过1，采用常见的聚类算法，将这些事件向量分为N类，并存储在数据服务器中，如果新的事件数量到达一个阈值后再进行重新聚簇；当监测到一个新事件后，计算新事件与每个簇中心的距离，这些距离中最短的一个将被设定为当前网络事件的异常系数，那么网络异常系数Ca＝argMin(D)，其中：D＝Dis(Fc，Firc)，i∈{1，2，3，...N}，N∈R，这里Firc代表第i个聚簇中心；3)网络用户亲密度测量根据步骤2判断出的异常事件，接着进一步测量该网络中所有向用户进行过推荐的成员M＝{m1，...}之间的亲密度；方法是，收集一段时间内这些成员之间的语音或者文本信息交流内容，语音则用语音识别技术转换为文本，利用Lovins算法进行主题合并和除梗预处理，将文本分割成为基本的词，通过统计词频，将文本转换成词频集合T:＝{(c1,w1),(c2,w2)…}，其中权重wi表示词ti在整个文本中出现的频率；根据具体事件的描述给出一个语义维度d，对于一个给定的片段c，其权值通过测量c和d之间的关联性得出：map(c,d)＝rel(c,d)；当rel(c,d)的值低于一个给定的阈值λ，将其置为0，以过滤噪音，而一段时间t的交谈的总分是对应文本中所有映射的语言片段的得分的总和：score(t)=Σ(ci,wi∈T)wimap(ci,d)]]>所有向用户进行过推荐的成员M＝{m1，...}之间的亲密度就是总分的平均值：closeness(M,t)=score(t)|M|;]]>4)网络事件风险系数计算根据步骤3的计算结果，综合网络异常事件系数和网络成员间亲密度系数来计算网络风险系数：Rt＝WtCa+(1‑Wt)closeness(M，t)其中，Rt是陷阱网络的风险系数，Ca是网络异常事件系数，Wt是Ca的权重；5)网络陷阱预警根据步骤4的计算结果，设定多个阈值来判定风险的级别，同时根据风险系数Rt来向用户发出警告信息或者对他提出建议；第一级别风险：如果风险系数的值低于0.2，这代表着该网络符合历史网络事件，人们可以信任这个网络；第二级别风险：如果风险系数级别的值在0.2和0.5之间，那么用户就需要在安全模式下接入这个网络，并且要有选择地接受信息；第三级别风险：如果风险系数级别的值在0.5至0.8之间，那就表明这个网络中包含重大风险，用户需要限制与网络其它成员的联系，系统也会在每次信息交换时发出警告信息；第四级别风险：如果风险系数值高于0.8，那就表明这个网络完全不可信任，系统会终止接入该网络并且发出积极警告。