1.一种基于跨主机异常行为识别的复杂网络攻击检测方法,其特征在于,包括如下步骤:
1) 主机内异常行为检测:首先采集主机内核日志数据构建主机内关联图,然后采用图卷积网络抽取特征,最后采用自动编码机检测主机内关联图中的异常节点;
2) 主机间异常行为检测:首先采用网络流量日志数据构建主机间交互图,然后基于主机间交互图序列训练预测模型,最后根据预测差异检测主机间交互图中的异常边;
3) 跨主机网络攻击检测:首先根据主机内和主机间异常检测结果构建跨主机异常关联图,然后采用PageRank算法对异常分数进行传播,最后基于异常分数确认受攻击主机;
步骤3)中,跨主机复杂网络攻击检测的具体步骤如下:
3‑1) 跨主机异常关联图构建:给定时间点t、主机内数据采集时间跨度w、以及目标网络中的主机集合HS,构建跨主机异常关联图CG;
步骤3‑1)中跨主机异常关联图构建步骤如下:
3‑1‑1) 根据每台主机在时间点t –w到t之间的系统日志数据,构建关联图rIAGk;
3‑1‑2) 基于步骤3‑1‑1) 中的关联图rIAGk,根据步骤1‑5)检测关联图rIAGk中的异常节点,并根据步骤1‑6)为每台主机进行异常打分,异常分数记为sk;
3‑1‑3) 采集时间点t – w到t之间的主机间交互图,形成主机间交互图序列Dt =
3‑1‑4) 根据步骤2‑4)检测时间点t的主机间的交互异常;
3‑1‑5) 构建跨主机异常关联图CG;
3‑2) 异常分数传播:采用PageRank算法对跨主机异常关联图CG中每个节点的权重进行迭代式更新;
步骤3‑2)具体步骤如下:
3‑2‑1) 设置跨主机异常关联图CG中每个节点pk的初始权重PR(pk)为主机Hk的异常分数sk;
3‑2‑2) 对跨主机异常关联图CG中的每个节点pk,根据公式(3)更新其权重;其中,d为阻尼系数,NCG为CG中节点的数量,I(pk)为节点pk的所有入边对应的节点的集合,L(pi)为节点pi的出度;
(3)
3‑2‑3) 当本次迭代之后所有节点的权重变化量小于指定阈值,或迭代次数达到指定上限,则停止迭代,否则跳转到步骤3‑2‑2)重新开始迭代;
3‑3) 受攻击主机检测:将跨主机异常关联图CG中权重高于指定阈值的节点所代表的主机确认为受攻击主机,将一对有边相连的受攻击主机确认为攻击者的横向移动。
2.根据权利要求1所述的一种基于跨主机异常行为识别的复杂网络攻击检测方法,其特征在于,步骤1)中,主机内异常行为检测的具体步骤如下:
1‑1) 主机内良性关联图构建:采集主机正常运行过程中系统日志数据,构建关联图nIAGk;其中,关联图nIAGk的节点为系统实体,边为系统实体之间的交互事件;
1‑2) 节点初始特征抽取:对于关联图nIAGk中的每一个节点,初始特征向量为xi = [ai1, ai2, …, aiN];其中,aij为节点在关联图nIAGk中与其一跳邻居节点相连的边的集合中第j种类型边的数量;
1‑3) 节点语义特征抽取:采用图卷积神经网络对关联图nIAGk进行处理,更新关联图nIAGk每个节点的特征向量,得到每个节点的语义特征向量;
1‑4) 自动编码机训练:收集所有主机的关联图nIAGk中所有进程节点的语义特征向量,将上述语义特征向量输入自动编码机进行训练,输出重构向量;
1‑5) 主机内异常检测:采集实时系统日志数据构建关联图rIAGk;抽取关联图rIAGk中每个进程节点的语义特征向量yi,并输入至步骤1‑4)训练好的自动编码机,得到输出的重构向量zi;当语义特征向量yi与重构向量zi的差异大于指定阈值,则进程节点是异常节点;
1‑6) 主机内异常打分:根据公式(1)计算每个异常节点vi的异常分数,根据公式(2)计算主机Hk的异常分数;其中,B(Hk)代表主机Hk中异常节点的集合;
(1)
(2)
3.根据权利要求2所述的一种基于跨主机异常行为识别的复杂网络攻击检测方法,其特征在于,步骤2) 中,主机间异常行为检测的具体步骤如下:
2‑1) 主机间交互时序图构建:采集主机间网络交互的日志数据构建主机间交互图IRGt;在每一个离散的时间点t上,主机间交互图IRGt的节点为主机,边为在时间点t – 1和t之间不同主机之间的交互;则连续时间点的主机间交互图组织成主机间交互图的序列IRGS =
2‑2) 训练集构建:采用窗口大小为w、步长为1的滑动窗口对主机间交互图的序列进行分割,形成训练集SS,SS中每个训练样本St = (Dt, Lt);其中,Dt为St的数据部分,Lt 为St的标签部分;
2‑3) 主机间交互图预测模型训练:基于训练集SS训练一个预测模型,根据连续w个主机间交互图预测下一个主机间交互图;
2‑4) 主机间异常检测:根据步骤2‑1)生成时间点t之前的w个主机间交互图Dt=
4.根据权利要求3所述的一种基于跨主机异常行为识别的复杂网络攻击检测方法,其特征在于,步骤2‑3)中预测模型的结构包括如下4层:输入层:采用主机间交互图的边集合的邻接矩阵IRAk作为输入;
卷积层:将每个IRAk输入一个卷积神经网络,生成特征矩阵CMk;
循环层:将连续的t个特征矩阵CMk输入一个LSTM,生成特征矩阵RM;
输出层:将RM输入一个全连接神经网络,生成预测的时间点t的邻接矩阵pIRAt。