1.一种针对多尺度网络攻击的异常流量检测方法,其特征在于,具体按照以下步骤实施:S1,搭建MSA的网络环境,采集现实网络环境中的MSA数据,捕获该网络中传输的网络流量数据;
S2,将S1中捕获的网络流量数据转换成以csv文件组成的数据集,将数据集中的冗余的零值特征进行剔除,生成训练模型的网络模型数据集;
S3,对S2生成训练模型的网络模型数据集中的特征进行数值化、归一化操作,同时使用基于RF的特征选择方法对网络模型数据集进行特征选择;
S4,经过S3预处理后的网络模型数据集被构建为一个以网络流量为节点信息,流量相似性为边信息的图结构,节点之间连接边的权重为网络流量之间的余弦相似性;
S5,被S4构建的图结构输入至基于GNN的异常流量检测模型进行训练,基于GNN的异常流量检测模型拥有三个图卷积层GCN,提取网络流量的潜在特征信息,并更新节点表示,形成低维的特征向量表示作为分类器的输入;
S6,将低维的特征向量作为Sigmoid分类器的输入数据,得到网络入侵检测结果,异常流量检测模型通过提取异常流量信息,将网络流量分为正常流量和异常流量。
2.根据权利要求1所述的一种针对多尺度网络攻击的异常流量检测方法,其特征在于,步骤S1的具体做法为:S1.1,MSA的网络环境由两台Ubuntu 20.04节点充当攻击者节点和受害者服务器,一台Windows 10节点充当正常用户访问受害者服务器;
S1.2,攻击过程中攻击节点根据正常用户的访问频率调整攻击尺度,使得攻击行为隐藏在正常用户的网路访问行为之中,同时,TCPDump应用程序捕获受害者服务器与其他主机之前通信的网络流量,并将捕获的网络流量转储为pcap文件。
3.根据权利要求2所述的一种针对多尺度网络攻击的异常流量检测方法,其特征在于,步骤S2的具体做法为:S2.1,对步骤S1.2中转储的pcap文件进行转换,使用CIC FlowMeter工具将原始的pcap文件转化为以网络流量为基本单位的csv文件,csv文件存储每条网络流量的特征,包含ID,源IP,目的IP,源端口、目的端口信息;
S2.2,将csv文件中存在nan值和全为零值的流量行删除,缩减数据集规模,剔除无效数据,生成网络流量数据集。
4.根据权利要求3所述的一种针对多尺度网络攻击的异常流量检测方法,其特征在于,步骤S3的具体做法为:S3.1,将S2.2生成的网络流量数据集进一步缩减,首先,针对于符号特征,使用独热编码将符号特征映射为数值特征,保证模型训练过程中使用数值特征作为输入数据;
S3.2,对数值特征进行归一化,归一化过程采用Z-score数值特征归一化方法,其标准化为:其中,μ为样本均值,σ为样本标准差,x为原始的特征数据,将样本的均值调整为0,标准差调整为1,使数据中心化且标准化;
S3.3,采用基于RF的特征选择方法,该方法以原始的数据集作为输入,通过训练结果的准确性为每个特征赋予重要性得分,得分最高的特征是对分类模型贡献度最大的特征;RF由若干个决策树组成,每个决策树在训练过程中随机选择若干个特征作为训练特征,因此,每个决策树训练结果的准确率影响特征的重要性,经过特征选择后,模型数据集中的78个特征被缩减为18个特征,并且这18个特征将作为基于GNN的异常流量检测模型的输入。
5.根据权利要求4所述的一种针对多尺度网络攻击的异常流量检测方法,其特征在于,步骤S4的具体做法为:经过S3预处理后,数据集中流量的特征数量都为18,因此,将每个网络流量的特征作为节点特征,然后,针对两个节点的相似性构建节点之间的边特征,并以两个节点之间的余弦相似性作为边权重,余弦相似性的定义为,其中,v表示节点向量v,w表示向量w,为向量v的第i个特征,为向量w的第i个特征,n代表特征数量。
6.根据权利要求5所述的一种针对多尺度网络攻击的异常流量检测方法,其特征在于,步骤S5的具体做法为:基于GNN的异常流量检测模型包含三个GCN层,每一层都拥有不同的层数,第一层的输入维度为18,输出维度为128;第二层的输入维度为128,输出维度为64;第三层的输入维度为64,输出维度为32。
7.根据权利要求5所述的一种针对多尺度网络攻击的异常流量检测方法,其特征在于,步骤S6的具体做法为:在经过S5特征提取后,将低维的特征向量作为分类依据,并通过Sigmoid分类器将网络流量分为正常流量和异常流量。
8.一种计算机终端,包含存储器、处理器及存储在存储器并可在处理器上运行的计算机程序,其特征在于,所述处理器执行所述程序时实现如权利要求1-7中任意一项所述的一种针对多尺度网络攻击的异常流量检测方法。
9.一种计算机可读介质,其上存储有计算机程序,其特征在于,所述计算机程序被处理器执行可实现如权利要求1-7中任意一项所述的一种针对多尺度网络攻击的异常流量检测方法。