1.一种面向复杂网络攻击场景的异常检测方法,其特征在于,包括如下步骤:步骤1,将测试数据集内容划分为测试集和训练集;
步骤2,使用按时间分段处理数据的策略,将来源图分成若干子图,每个子图对应特定的时间区间;
步骤3,对步骤2构建的每一张子图构建属性异构子图,下面将简称为特征快照,每个节点将有一个特征数组,用于存储通过节点及其相邻边所累积的特征;
所述步骤3中特征数组构建方法是对于节点,定义两个边类型特征向量:,,分别表示节点v的出边特征向量以及入边特征向量;对于一个节点v的特征更新:对于每条与该节点连接的边,使用符号来表示边的类型,如果边是操作,且是出边,且从节点指向其他节点,那么这个操作将影响出边特征向量,反之是入边,即是从其他节点指向节点,那么这个操作将影响入边特征向量,因此针对每个节点,其边特征更新表示为以下公式(2)和(3):(2)
(3)
其中代表该节点出边特征,代表该节点入边特征;代表边的类型,代表采样该节点出边节点,代表采样该节点入边节点;而节点类型特征的更新,定义两个节点的节点类型特征,将通过与该节点相连接的其他节点类型进行统计更新,同时分别考虑出入边连接情况,将与该节点相连接的其他节点分类为出边节点和入边节点,具体更新得到公式 (4)和(5):(4)
(5)
其中代表节点类型;代表出边节点特征,代表入边节点特征;最后的关于节点的特征表示将拼接四个特征,如公式(6)所示:(6),其中表示当前节点总特征;
步骤4,对步骤3处理完成的特征快照进行模型训练,在训练过程中,针对每一张特征快照,初始化一个新的 HASGNet 模块,同时将冻结所有旧的HASGNet模块,建立新旧模块之间的横向连接,共享参数,若不存在旧模块则不执行冻结、连接操作;使用自适应批量归一化方法对输入数据进行归一化,使用3跳深度邻居采样,设置8头注意力层为节点邻居分配不同权重聚合特征,采用交叉熵损失函数计算损失,反向传播更新模型参数;
步骤5,使用步骤4训练生成的累积模型来验证当前待训练特征快照中的每个节点,同时设置可信阈值,当第一预测概率与第二预测概率的比值大于阈值的时候,则移除该节点,否则认为分类错误,保留节点,最后剩下节点作为新的特征快照执行步骤4;
步骤6,测试阶段,分别对测试集进行测试,计算相应指标。
2.根据权利要求1所述的一种面向复杂网络攻击场景的异常检测方法,其特征在于,所述步骤1中将测试数据集内容划分为测试集和训练集,其中训练集合中仅包含良性数据,测试集分为两类,全为良性数据的测试集和全为异常数据的测试集。
3.根据权利要求1所述的一种面向复杂网络攻击场景的异常检测方法,其特征在于,所述步骤2按时间分段处理数据的策略,假设G是整个子图集合,则划分后如公式(1),其中每张子图对应对应的时间段;
(1)
其中G代表整个子图集合,代表子图。
4.根据权利要求1所述的一种面向复杂网络攻击场景的异常检测方法,其特征在于,所述步骤4包括以下:步骤41对每一张特征快照将初始化一个新的HASGNet模块,同时将冻结所有旧的HASGNet模块,建立新旧模块之间的横向连接,共享参数,若不存在旧模块则不执行冻结、连接操作;
步骤42中单个HASGNet模块是一种结合邻居采样策略的图注意力神经网络,采用mini-batch分批采样策略,通过仅关注部分节点及其局部邻居,实现采样和计算;具体来说,使用对图的邻居节点进行多跳采样;对于给定的节点,采样一个子集; 是所有关于节点v的邻居节点的集合;是集合的子集;通过实现多跳传播采样邻居,来捕获更加高阶的依赖关系;通过设置 ,意味着进行3跳的邻居采样,每层的特征k的特征聚合过程表示为公式(7):(7),其中表示第k层中节点的更新特征,为待学习的权重矩阵,为激活函数,是注意力机制计算得到的权重,是邻居节点的特征;
步骤43采用了一种图注意力网络的变体来实现特征聚合,对于每个节点,特征聚合计算如公式(8)所示(8);其中为节点和节点之间的注意力系数,为当前的节点更新特征,而W为可学习的变换矩阵,注意力系数通过公式(9)计算得知:(9);其中是一个激活函数,代表注意力向量,、分别代表节点和的嵌入向量;
步骤44自定义批量归一化层通过动态更新均值和方差,其归一化过程在计算每个batch的均值和方差的时候,加入自适应学习率,在更新均值和方差的时候将结合当前批次数据的特征动态调整更新策略,描述为公式(10):(10),、分别为批次的均值和方差,和为可学习的缩放和偏移参数,为防止分母为0的小常数;
训练过程中,通过动态的调整均值、方差,这里引入自适应因子;如同公式(11)模型的全局统计量更新公式如(12)和(13):(11);
(12)
(13),
其中代表激活函数,代表取均值函数,为全局运行时均值,为全局运行时方差;
步骤45在推理阶段,模型不再计算当前批次的均值和方差,而是使用在训练时累积得到的和,如公式(14):(14)。
5.根据权利要求1所述的一种面向复杂网络攻击场景的异常检测方法,其特征在于,所述步骤5中设置的可信阈值,当第一预测概率与第二预测概率的比值大于阈值的时候,则移除该节点,否则认为分类错误,保留节点,最后剩下节点作为新的快照继续执行步骤4;其可信阈值判断如公式(15):(15),其中代表设定的阈值,代表第一预测概率,第二预测概率。
6.根据权利要求1所述的一种面向复杂网络攻击场景的异常检测方法,其特征在于,步骤6中要针对良性数据测试集和异常数据测试集分别展开测试工作,记录TN、TP、FN、FP,最后计算相关评价指标。