[发明专利]异常访问的检测方法、系统、计算机设备、可读存储介质

说明书

技术领域

本发明涉及计算机技术领域，具体而言，涉及一种异常访问的检测方法、异常行为的检测系统、计算机设备、计算机可读存储介质。

背景技术

目前现有的解决方法以及技术：

现有传统语义分析访问URL进行异常访问行为检测。语义分析是编译过程的一个逻辑阶段，语义分析的任务是对结构上正确的源程序进行上下文有关性质的审查，进行类型审查。URL文本语义分析，指一些文本基本处理方法，一个文本串URL，对其进行分词和重要性打分后(当然还有更多的文本处理任务)，就可以开始更高层的语义分析任务。

现有传统WEB日志的异常访问行为检测。通过业务日志或系统日志等信息，进行采集并分析，只能通过打印业务存在的日志才能进行行为异常检测分析。

发明内容

本发明旨在至少解决现有技术或相关技术中存在的技术问题之一。

为此，本发明第一个方面在于提出一种异常访问的检测方法。

本发明的第二个方面在于提出一种异常访问的检测系统。

本发明的第三个方面在于提出一种计算机设备。

本发明的第四个方面在于提出一种计算机可读存储介质。

有鉴于此，根据本发明的一个方面，提出了一种异常访问的检测方法，包括：获取网络流量数据；基于获取的网络流量数据建立局部异常因子算法模型；应用局部异常因子算法模型检测访问行为。

本发明提供的异常访问的检测方法，在网络设备上通过镜像网络流量数据的方式获取网络流量数据，基于获取的网络流量数据建立局部异常因子算法模型，建立局部异常因子算法模型需要一定周期性的网络流量数据，建立局部异常因子算法模型也就建立了已有访问行为数据的规则，局部异常因子算法模型不断学习新的异常访问规则，应用局部异常因子算法模型检测访问行为，实现了在已有的访问行为数据规律的基础上对未知访问行为进行检测，减少了认为不必要的自定义规则，解决了未知领域的异常访问行为的检测。

根据本发明的上述异常访问的检测方法，还可以具有以下技术特征：

在上述技术方案中，优选地，基于获取的网络流量数据建立局部异常因子算法模型，具体包括：根据网络流量数据解析所需的访问行为信息；根据访问行为信息构建业务模型；结合业务模型和局部异常因子算法构建局部异常因子算法模型。

在该技术方案中，基于获取的网络流量数据建立局部异常因子算法模型，具体：根据获取的网络流量数据解析所需的访问行为信息，在大量的网络流量数据中筛选出构建局部异常因子算法模型所需的访问行为信息，将其他不必要的网络流量数据过滤，在后续的数据处理过程中减小处理量；根据解析的访问行为信息构建业务模型，业务模型定义了系统何时、何地、由何角色、按照什么业务规则去做以及做的步骤或流程，明确了系统的操作流程；结合业务模型和局部异常因子算法构建局部异常因子算法模型，局部异常因子算法-Local Outlier Factor(LOF)是基于密度的离群点检测方法中一个比较有代表性的算法。该算法会给数据集中的每个点计算一个离群因子LOF，通过判断LOF是否接近于1来判定是否是离群因子。若LOF远大于1，则认为是离群因子，接近于1，则是正常点。如此实现了局部异常因子算法模型的构建。

在上述任一技术方案中，优选地，访问行为信息至少包括IP地址、访问时间、访问URL维度。

在该技术方案中，具体限定了访问行为信息包括的内容，访问行为信息至少包括IP地址、访问时间、访问URL维度，通过IP地址可以明确访问行为的访问源IP地址和访问目标IP地址，通过访问时间明确该访问行为何时发生，通过访问URL维度明确了访问URL的信息，通过以上具体的访问行为信息，明确建立局部异常因子算法模型所需的访问行为信息。

在上述任一技术方案中，优选地，在应用局部异常因子算法模型检测访问行为之后，还包括：通过WEB界面显示检测结果，检测结果包括正常访问和异常访问。

在该技术方案中，在应用局部异常因子算法模型检测访问行为，得出方位行为的检测结果，通过WEB界面显示检测结果，以直观的WEB界面清楚的了解哪些访问行为是正常访问，哪些访问行为是异常访问，显示的检测结果可以包括汇总图、异常访问源IP图、异常访问时间图、异常访问URL图等，通过全面的显示界面，使用户了解更加详细的检测结果，提升了用户体验度。

在上述任一技术方案中，优选地，通过WEB界面显示检测结果，具体包括：通过WEB以桑基图显示检测结果，应用两种不同的颜色代表正常访问和异常访问。