[发明专利]恶意加密数据检测方法、装置、计算机设备和存储介质

说明书

本发明涉及一种恶意加密数据检测方法、装置、计算机设备和存储介质，所述方法包括：采集原始数据集，对所述原始数据集进行清洗和分流，获得加密数据集，所述加密数据集包括多个加密数据包；使用服务器应用程序在训练阶段，访问一组加密数据包的训练数据，所述服务器应用程序被配置为在所述训练阶段期间导出用于确定所述加密数据包可能是良性还是恶意的分类算法；将所述特征向量应用于分类算法；使用所述分类算法对所述加密数据包进行分类，根据所述特征值，得到分类结果。上述方法能够进行信息丰富且表征能力强的恶意加密数据特征提取，能够实现分类泛化机制，对不同环境下的加密数据进行检测，保障了后续数据处理的安全性。

技术领域

本发明涉及计算机技术领域，尤其涉及一种恶意加密数据检测方法、装置、计算机设备和存储介质。

背景技术

通常通过信息共同标记的方式来帮助识别不良行为，比如通过受害者或知情人员对电话、账户、姓名等的标记来识别和发现欺诈人及其联系方式，或是通过对关键词的标记来识别和发现涉及欺诈的信息等。通过人工智能利用知识图谱进行金融反欺诈的方案，利用知识图谱可以帮助自动识别一些不可靠人员，比如通过标签传播算法来识别潜在的欺诈人，或者通过社群发现来识别欺诈团伙等，目前现有技术对这些应用方式已有了一定的研究。

但是一些数据加密程序打包这些恶意的数据，伪装成普遍形式的恶意软件，当在用户的计算机上开启这些形式的恶意软件，这些恶意的数据随之而来，通常包括计算机用户使用的图像、文本文件和其它文件。这些恶意数据可以被实施，生成欺诈性支付交易，接收此类恶意数据也会消耗计算资源延缓参与处理支付交易的流程。

发明内容

有鉴于此，针对恶意加密数据的检测困难，提供一种恶意加密数据检测方法、装置、计算机设备和存储介质。

一种恶意加密数据检测方法，包括：采集原始数据集，对所述原始数据集进行清洗和分流，获得加密数据集，所述加密数据集包括多个加密数据包；使用服务器应用程序在训练阶段，访问一组加密数据包的训练数据，所述服务器应用程序被配置为在所述训练阶段期间导出用于确定所述加密数据包可能是良性还是恶意的分类算法；使用客户端或服务器应用程序提取，来自加密数据包的特征向量，通过对所述加密数据包应用数学变换运算来生成一系列值，所述系列值代表所述加密数据包的特征值，并指示所述加密数据包是否是良性或恶意；将所述特征向量应用于分类算法；使用所述分类算法对所述加密数据包进行分类，根据所述特征值，得到分类结果，所述分类结果包括恶意加密数据包、良性加密数据包和未知加密数据包。

在其中一个实施例，所述使用所述分类算法对所述加密数据包进行分类，根据所述特征值，得到分类结果，所述分类结果包括恶意加密数据包、良性加密数据包和未知加密数据包，包括：

判断特征向量A在维度B上的特征值C是否大于迭代节点j超空间在维度B上的上边界值，若是，则为恶意加密数据包；若否，则为良性加密数据包；

执行判断逻辑，如果判断结果中某一行的候选项被判断为错误，则修改该识别候选项的判断结果为未知。

在其中一个实施例，所述使用所述分类算法对所述加密数据包进行分类，根据所述特征值，得到分类结果，所述分类结果包括恶意加密数据包、良性加密数据包和未知加密数据包之后，还包括：基于将所述特征向量应用于分类算法的结果，将恶意加密数据包的恶意信息发送给客户端应用程序。

在其中一个实施例，所述训练数据包括实际现场使用数据，所述训练数据包括一组加密数据包，所述训练数据与处置标签相关联。

在其中一个实施例，所述分类算法产生一个分数，所述分数表示在其关于所述加密数据包是良性还是恶意的确定中的置信度。

在其中一个实施例，所述分类算法的数据可以取自与服务器端组件通信的实际客户端系统的事务日志，所述分类算法包括多层神经网络、决策树、贝叶斯分类算法、支持向量机、逻辑回归算法。