申请/专利权人：金祺创(北京)技术有限公司

申请日：2024-03-13

公开（公告）日：2024-06-25

公开（公告）号：CN118250035A

主分类号：H04L9/40

分类号：H04L9/40;G06F18/2132;G06F18/2135;G06F18/2413;G06F18/2433;G06F18/25;G06N5/022;G06N7/01;G06N20/00

优先权：

专利状态码：在审-公开

法律状态：2024.06.25#公开

摘要：本发明提供一种基于堆叠模型的网络隐蔽信道检测方法及系统，涉及网络安全技术领域。方法包括：采集网络流量数据；对网络流量数据进行非线性降维，提取网络流量数据中的非线性特征；对非线性特征线性降维，得到属于标签类别的异常数据特征；构建基于k近邻算法的异常数据分类模型；构建基于异常数据分类模型的分类准确率的混合损失函数；以混合损失函数作为目标函数，对堆叠模型中进行基于贝叶斯算法的超参数寻优；采集实时网络流量数据；将实时网络流量数据输入至寻优后的堆叠模型进行分类，提取实时网络流量数据中的异常数据类别；根据异常数据类别对异常数据类别所对应的异常数据进行数据溯源，获取网络隐蔽信道。提高网络隐蔽信道检测准确性。

主权项：1.一种基于堆叠模型的网络隐蔽信道检测方法，其特征在于，所述堆叠模型包括依次连接的非线性特征提取模型、线性特征提取模型和异常数据分类模型，方法包括：S1：采集网络流量数据；S2：通过基于核主成分分析算法的非线性特征提取模型对所述网络流量数据进行非线性降维，提取所述网络流量数据中的非线性特征；S3：通过基于线性判别分析算法的线性特征提取模型对所述非线性特征进行有监督线性降维，得到属于标签类别的异常数据特征，其中，所述标签类别包括多个攻击数据类型标签；S4：构建基于k近邻算法的异常数据分类模型，其中，所述k近邻算法的每一项均具有维度权重；S5：构建基于所述异常数据分类模型的分类准确率的混合损失函数，其中，所述混合损失函数包括交叉熵损失函数和均方误差损失函数；S6：以所述混合损失函数作为目标函数，对所述堆叠模型中进行基于贝叶斯算法的超参数寻优，其中，所述超参数包括k近邻算法中的邻居数量和所述维度权重；S7：采集实时网络流量数据；S8：将所述实时网络流量数据输入至寻优后的堆叠模型进行分类，提取所述实时网络流量数据中的异常数据类别；S9：根据所述异常数据类别对所述异常数据类别所对应的异常数据进行数据溯源，获取所述网络隐蔽信道。

全文数据：

权利要求：

百度查询： 金祺创(北京)技术有限公司 一种基于堆叠模型的网络隐蔽信道检测方法及系统

免责声明
1、本报告根据公开、合法渠道获得相关数据和信息，力求客观、公正，但并不保证数据的最终完整性和准确性。
2、报告中的分析和结论仅反映本公司于发布本报告当日的职业理解，仅供参考使用，不能作为本公司承担任何法律责任的依据或者凭证。

阅读全文 双屏查看 官方信息 专利公告 收藏专利 下载PDF 下载WORD