[发明专利]面向大流量基于可信度的网络恶意行为检测方法

说明书

面向大流量基于可信度的网络恶意行为高速检测方法。本发明不需要提前训练一个恶意行为检测模型，通过实时分析用户的网络行为，设立滑动窗口，动态跟踪用户的行为习惯，基于用户给定的可信度，实时检测网络恶意行为。首先，选择若干特征点，将网络行为抽象为特征向量。网络恶意行为对应的特征向量组成恶意行为特征矩阵，时间窗内的用户正常行为对应的特征向量组成正常行为特征矩阵。其次，确定不一致性度量函数，计算正常特征矩阵的所有特征向量和未知网络行为的特征向量与恶意行为特征矩阵的不一致性得分。最后，计算该网络行为的统计量p‑value，若大于用户可接受的最大错误概率，则预测该行为是恶意行为。

【技术领域】：本发明属于计算机防病毒技术领域。

【背景技术】：网络恶意行为在不断的演化和变异，而且网络流量越来越大，隐藏在大量正常网络流量中的网络恶意行为越来越难以发现。机器学习技术被认为是海量恶意代码自动分析的重要方法，但是现有机器学习模型的退化问题比较严重。同时，随着数据量的增加，统计分析的计算复杂度越来越高，基于可信度的恶意行为检测方法的效率问题越来越突出。因此需要一种能够处理大流量网络数据，实时吸收新发现的知识，根据网络恶意行为知识库、用户正常行为知识库和用户可接受的最大错误概率，实时高速分析和检测恶意行为的方法。

【发明内容】：本发明目的是解决现有机器学习模型退化比较严重的问题和基于可信度的检测方法的效率较低的问题，提出一种通过实时的统计分析用户的网络行为和已知网络恶意行为，设立滑动窗口，动态跟踪用户的行为习惯，基于用户给定的可接受最大错误概率，实时并高速地检测网络恶意行为的方法。

本发明的技术方案

面向大流量基于可信度的网络恶意行为检测方法，该方法包括：

第1步、本发明涉及的一些基本概念：

(1)网络恶意行为：网络恶意行为是指，以数据包为载体的，在未明确提示用户或未经用户许可的情况下，通过网络对用户计算机或其他终端进行的、侵犯用户合法权益的恶意行为；

(2)不一致性函数：描述一个样本与一组样本的不一致性，输入是一组样本和一个测试样本，输出是一个数值，也叫做不一致性得分；不同样本与同一组样本的不一致性得分之间可以比较，得分越高，说明样本与该组样本越不一致，得分越低，说明样本与该组样本越一致；

(3)统计量p-value：描述一个样本的不一致性得分在一组样本中的百分位，取值范围在0到1之间，从统计的角度刻画一个样本与一组样本的相似性。

(4)时间窗：一个时间段，用来进行网络行为的过滤。判断网络行为的发生时间是否在指定的时间段内，如果在该时间段内，就说明该网络行为可以在指定的时间窗内被观测到。当前时间窗，是指以当前时间作为终点的过去的一段指定长度的时间段。

第2步、网络行为特征的提取

第2.1、确定网络行为的表示粒度，其中包括：数据包级粒度，每个数据包表示一个网络行为；NetFlow级粒度，一个网络连接过程的所有网络数据表示一个网络行为；应用级粒度，一个应用过程的所有数据包表示一个网络行为；

第2.2、提取网络行为的特征点f；根据不同的数据集，可以选择不同的网络行为特征点f；

第2.3、选择特征点，将网络行为抽象成特征向量V；在可选网络行为特征点中，选择n个特征点组成特征向量V(f1,f2,...fn)，使用选择的网络行为特征点作为网络行为的抽象表示，将二进制的网络数据映射成特征点组成的特征向量；

第2.4、网络恶意行为集合的特征矩阵表示；网络恶意行为集合中包含了N个行为，每个行为都使用相同结构的特征向量V_i表示，1≤i≤N，这N个特征向量组成网络恶意行为特征矩阵C；特征矩阵的每一列表示一个特征点、每一行表示一个网络恶意行为的特征向量；

第3步、当前时间窗内用户正常行为与网络恶意行为一致性度量