[发明专利]基于特征分组和多模型融合的对抗攻击防御方法及系统

说明书

本发明提供了一种基于特征分组和多模型融合的对抗攻击防御方法及系统，其中方法包括：根据预设对抗攻击算法生成对抗样本，加入到测试集中；对训练集和测试集分别做数据预处理，形成网络流的特征向量；对每个流进行特征分组；采用多模型融合算法，进行恶意流量检测。不需要重新训练深度学习模型，能够防御没有出现过的对抗攻击，在没有对抗攻击的场景下，不会降低检测准确率。

技术领域

本发明涉及网络安全技术领域，尤其涉及一种基于特征分组和多模型融合的对抗攻击防御方法及系统。

背景技术

网络入侵检测系统(Network Intrusion Detection System，NIDS)在网络安全领域的关键技术，旨在检测网络中的异常，发现恶意攻击行为。当前基于深度学习的网络入侵检测技术具有较高的准确率，而且还能检测零日攻击，因而被普遍应用。基于深度学习的网络入侵检测方法的一般流程是：(1)获取训练集，即网络流量数据，并对网络流量数据进行预处理，将网络流量转换为流(network flow)；(2)提取流的特征，每一个流形成一个特征向量；(3)设计适当的深度学习模型，用训练集训练深度学习模型；(4)用训练好的模型检测网络中的异常或者恶意攻击行为。

然而深度学习技术也具有弱点。当攻击者使用微小的噪音对原始样本数据进行修改，形成对抗样本，就可以使得基于深度学习的入侵检测系统做出错误的判断，导致将恶意攻击样本识别为正常样本。如何保障网络入侵检测系统本身的安全，在有对抗攻击情况下，仍能正确检测出恶意攻击行为，提高网络入侵检测系统的鲁棒性，是当务之急。

现有的网络入侵检测系统往往采用以下方式：

1、对抗训练。利用各种经典的对抗攻击算法生成对抗样本，再将对抗样本加入到训练集中，对深度学习模型进行重新训练。然而对抗训练由于需要对抗样本，因而要针对每一种可能的对抗攻击算法，生成相应的对抗样本。这样需要穷尽所有可能的对抗攻击算法，而且对一些之前没有出现过的对抗攻击，则无法实现防御，降低对抗样本情况下的查全率。

2、特征消减。在网络安全领域，攻击者生成对抗样本时，不能随意修改流的特征，因为有些特征修改后，就会使得攻击功能丧失，或者破坏了网络流的底层逻辑。所以攻击者在生成对抗样本时，只能修改其中能修改的特征，其他特征保持不变。基于此，有些防御方法将可能被攻击者修改的特征删除，即这些能够被攻击者修改的特征，不在特征向量中，这样无论攻击者如何修改原始样本，结果都不受影响。然而特征消减由于特征减少，很多能够区分出正常样本和恶意样本的特征被去除，导致一些正常样本会被识别为恶意样本，降低了在没有对抗攻击情况下，网络入侵检测系统的准确率。

发明内容

本发明旨在提供一种克服上述问题或者至少部分地解决上述问题的基于特征分组和多模型融合的对抗攻击防御方法及装置。

为达到上述目的，本发明的技术方案具体是这样实现的：

本发明的一个方面提供了一种基于特征分组和多模型融合的对抗攻击防御方法，包括：根据预设对抗攻击算法生成对抗样本，加入到测试集中；对训练集和所述测试集分别做数据预处理，形成网络流的特征向量；对每个所述流进行特征分组；采用多模型融合算法，进行恶意流量检测。

其中，所述根据预设对抗攻击算法生成对抗样本包括：分析正常样本和恶意样本在待修改特征上的分布情况，将所述待修改的恶意样本的特征f_i修改为正常样本的特征所在范围内；根据各个特征的关系，修改与所述待修改的恶意样本的特征f_i相关的其他特征，生成所述对抗样本。

其中，所述数据预处理包括：将所述流的原始特征中非数值特征转换为数值特征；用一个唯一的标志来标识一个所述流；筛选出能够识别所述恶意样本和正常样本的特征，得到特征集；对所述特征集中的数据进行归一化处理。