欢迎来到知嘟嘟! 联系电话:13336804447 卖家免费入驻,海量在线求购! 卖家免费入驻,海量在线求购!
知嘟嘟
我要发布
联系电话:13336804447
知嘟嘟经纪人
收藏
专利号: 2025113837173
申请人: 南通大学
专利类型:发明专利
专利状态:已下证
专利领域: 电通信技术
更新日期:2026-11-16
缴费截止日期: 暂无
价格&联系人
年费信息
委托购买

摘要:

权利要求书:

1.基于异常行为分析的计算机网络入侵检测系统,其特征在于,所述计算机网络入侵检测系统包括以下模块:数据采集模块,用于采集网络流量数据,对所述网络流量数据进行融合,得到融合网络流量数据;

特征提取模块,用于利用GGNN门控图神经网络对所述融合网络流量数据进行特征提取,得到特征网络流量数据;

所述特征提取模块包括以下子模块:

类型子模块,用于定义所述融合网络流量数据的实体节点和边类型,至少包括网络层节点、主机层节点、用户层节点、通信关系边、进程调用边和归属关系边;

编码子模块,用于对所述融合网络流量数据进行节点特征编码,包括网络节点特征向量,主机节点特征向量和用户节点特征向量,得到图结构流量数据;

定义所述图结构流量数据中的消息函数:

;

其中,表示节点在时间步的隐状态,表示节点在时间步的隐状态,表示边特征,包括时延和频次,表示训练参数,用于将拼接后的向量映射到维空间,为隐藏状态和的维度,表示向量拼接操作;更新子模块,用于定义所述GGNN门控图神经网络的门控更新机制如下:;

;

;

;

其中,表示更新门输出,控制旧隐状态与新候选状态的融合比例;表示Sigmoid激活函数,输出值在(0,1)之间;表示训练参数矩阵,作用于拼接向量;表示重置门输出,控制旧隐状态与新候选状态的影响程度;表示训练参数矩阵,作用于拼接向量;表示双曲正切激活函数,将输出值归一化到(-1,1);表示更新门输出,线性组合旧隐状态和新候选状态;表示训练参数矩阵,作用于拼接向量;表示元素级乘法;

得到子模块,用于利用所述GGNN门控图神经网络对所述图结构流量数据进行层级特征提取,得到特征网络流量数据;

模型建立模块,用于建立ST-Transformer时空联合检测模型,利用多目标粒子群优化算法对检测模型进行参数优化,得到目标ST-Transformer时空联合检测模型;

所述模型建立模块包括以下子模块:

构建子模块,用于基于双流时空注意力机制构建所述ST-Transformer时空联合检测模型;

空间特征提取子模块,用于利用改进的C2FDark主干网络,通过多尺度卷积提取目标空间特征,时间注意力融合子模块,用于构建动态空间关系图谱,通过图注意力机制捕捉非相邻节点的潜在关联,利用可变时间窗口机制对连续帧的时序依赖进行建模;

动态权重分配子模块,用于根据数据的流量特征调整空间与时间特征的融合权重,计算公式如下:;

其中,表示融合权重,表示Sigmoid激活函数,,和表示融合权重系数,用于衡量空间特征、时间特征和外部网络威胁的相对重要性;表示空间特征值,表示时间特征值,表示外部网络威胁值;

数据检测模块,用于将所述特征网络流量数据输入至所述目标ST-Transformer时空联合检测模型中进行检测,输出数据异常评分;

主动响应模块,用于系统根据所述数据异常评分的等级划分进行主动响应,所述主动响应至少包括动态蜜罐部署和资源隔离遏制。

2.如权利要求1所述的基于异常行为分析的计算机网络入侵检测系统,其特征在于,所述数据采集模块包括以下子模块:采集子模块,用于在网络边界部署FPGA加速探针,采集网络流量数据,所述网络流量数据至少包括网络流量包序列、主机进程调用链和用户操作行为图谱;

映射子模块,用于利用Lamport逻辑时钟将所述网络流量数据进行时间对齐,将对齐后的网络流量数据进行空间关联映射,得到初始网络流量数据;

融合子模块,用于对所述初始网络流量数据中的空间维度特征进行融合,对所述初始网络流量数据中的时空特征进行压缩,得到融合网络流量数据。

3.如权利要求1所述的基于异常行为分析的计算机网络入侵检测系统,其特征在于,所述模型建立模块还包括以下子模块:优化子模块,用于利用多目标粒子群优化算法对ST-Transformer时空联合检测模型的参数进行全局优化;

初始化子模块,用于初始化多目标粒子群优化算法的种群,所述种群为模型的优化参数集,至少包括:时空注意力头数、特征融合权重系数,和、时间窗口长度和学习率衰减因子;

调整子模块,用于利用非线性递减策略调整惯性权重和加速因子和,当种群多样性<0.3时,提升加速因子的基础值;

多目标粒子群优化算法的种群更新公式如下:

;

;

其中,表示在第次迭代时,粒子的速度,表示在第次迭代时,粒子的速度,表示在第次迭代时,粒子的位置,表示在第次迭代时,粒子的位置,和表示随机数,在(0,1)之间,表示粒子的个体历史最优位置;表示全局历史最优位置;

得到子模块,用于每代保留适应度Top10%的粒子进入下一代,对连续3代未更新的执行局部扰动,在邻域±10%内随机采样新粒子,迭代100次,得到算法的最优参数集合,将最优参数集合代入ST-Transformer时空联合检测模型中。

4.如权利要求1所述的基于异常行为分析的计算机网络入侵检测系统,其特征在于,所述数据检测模块还包括以下单元:数据输入单元,用于将所述特征网络流量数据输入至所述目标ST-Transformer时空联合检测模型中进行检测;

扫描提取单元,用于利用模型中的深度可分离卷积核扫描协议字段,提取TCP标志位组合模式,计算所述特征网络流量数据中的时间注意力和空间注意力;

散度计算单元,用于利用滑动窗口算法计算所述特征网络流量数据中的KL散度,当KL值>0.15持续3个窗口时触发粒子群算法对模型参数进行更新;

评分计算单元,用于利用t-SNE将高维特征投影至2D平面,并检测聚类中心的显著偏移,得到数据异常评分。

5.如权利要求1所述的基于异常行为分析的计算机网络入侵检测系统,其特征在于,所述主动响应模块还包括以下单元:等级划分单元,用于系统根据所述数据异常评分的等级划分进行主动响应,当评分≥80%时,在目标子网自动部署高交互蜜罐,当评分≥95%时,生成与攻击者指纹匹配的诱饵文档;

系统控制单元,用于对可疑进程进行控制,利用cgroups限制CPU使用率≤10%、内存≤100MB,通过seccomp阻断危险系统调用;

系统监控单元,用于对敏感目录启用写时复制机制,对关键配置文件设置inotify监控。

6.基于权利要求1-5中任意一项的基于异常行为分析的计算机网络入侵检测系统的检测方法,其特征在于,所述检测方法包括以下步骤:采集网络流量数据,对所述网络流量数据进行融合,得到融合网络流量数据;

利用GGNN门控图神经网络对所述融合网络流量数据进行特征提取,得到特征网络流量数据;

建立ST-Transformer时空联合检测模型,利用多目标粒子群优化算法对检测模型进行参数优化,得到目标ST-Transformer时空联合检测模型;

将所述特征网络流量数据输入至所述目标ST-Transformer时空联合检测模型中进行检测,输出数据异常评分;

系统根据所述数据异常评分的等级划分进行主动响应,所述主动响应至少包括动态蜜罐部署和资源隔离遏制。

7.如权利要求6所述的基于异常行为分析的计算机网络入侵检测方法,其特征在于,所述采集网络流量数据,对所述网络流量数据进行融合,得到融合网络流量数据,包括:在网络边界部署FPGA加速探针,采集网络流量数据,所述网络流量数据至少包括网络流量包序列、主机进程调用链和用户操作行为图谱;

利用Lamport逻辑时钟将所述网络流量数据进行时间对齐,将对齐后的网络流量数据进行空间关联映射,得到初始网络流量数据;

对所述初始网络流量数据中的空间维度特征进行融合,对所述初始网络流量数据中的时空特征进行压缩,得到融合网络流量数据。

8.如权利要求7所述的基于异常行为分析的计算机网络入侵检测方法,其特征在于,所述建立ST-Transformer时空联合检测模型,包括:基于双流时空注意力机制构建所述ST-Transformer时空联合检测模型;

利用改进的C2FDark主干网络,通过多尺度卷积提取目标空间特征;

构建动态空间关系图谱,通过图注意力机制捕捉非相邻节点的潜在关联,利用可变时间窗口机制对连续帧的时序依赖进行建模;

根据数据的流量特征调整空间与时间特征的融合权重,计算公式如下:;

其中,表示融合权重,表示Sigmoid激活函数,,和表示融合权重系数,用于衡量空间特征、时间特征和外部网络威胁的相对重要性;表示空间特征值,表示时间特征值,表示外部网络威胁值。