CN119071049B 一種基于物聯網服務器安全訪問監控方法 （深圳市廣泰聯邦科技有限公司）

US2017124497A1,2017.05.04本發明公開了一種基于物聯網服務器安全全態勢評估模型對不同源的服務器訪問數據進服務器安全風險實時分析結果和服務器安全風建網絡多層次訪問控制機制對服務器訪問行為全訪問監控方法無法適應不斷變化的攻擊方式2步驟一、服務器訪問數據的采集和預處理，通過消步驟二、服務器訪問源的安全風險評估，通過安全步驟4、利用構建的風險評估指標計算每個訪問源窗口內的關鍵特征向量進行綜合評步驟三、服務器安全風險實時分析，采用數據路由機制所述潛在惡意行為挖掘算法通過異常檢測損失函數訓練深度學習模型k表示服務器的第k個高風險等級訪問源，m為服務器高風險等級訪問源的總3深度學習模型輸出與真實數據之間的差異，表示深度學習模型參數θ的L2范數平據設定的異常分數閾值和計算獲得的異常分數篩分出存在潛所述低風險邊緣節點采用模式匹配算法對輸入的低風險等級訪問源服務器訪問數據所述模式匹配算法將輸入的低風險等級訪問源服務器訪問數據轉化成特征向量或特的相似性或距離，并根據相似性閾值和計算獲得的相似性篩分出存在潛在威脅的訪問數步驟四、服務器安全風險預測，根據服務器訪問源風險等服務器安全狀態對動態變化的服務器安全風險進行步驟五、多層次服務器安全告警和控制，根據服務問頻率異常程度和響應狀態異常程度數據集分別為V為歷史安史安全事件的訪問頻率異常程度預測下一時刻服務器訪問頻率異常程度，輸出函數公式4為t+1時刻服務器訪問響應狀態異常程度的加權系數，δ為服務器訪問響應狀態安全防火墻通過網絡安全防護層和應用安全防護層協同工作對所述云平臺中的敏感數據注入攻擊行為，所述雙層安全防火墻采用SSL安全套接字層協議加速卡加快數據調用和處5[0002]在當今物聯網不斷發展的環境中，越來越多的設備和傳感器被連接到互聯網[0005]針對現有技術的不足，本發明公開了一種基于物聯網服配算法對輸入的低風險等級訪問源服務器訪問數據進行實時6[0017]步驟4、利用構建的風險評估指標計算每個訪問源窗口內的關鍵特征向量進行綜[0018]進一步地，所述潛在惡意行為挖掘算法通過異常檢測損失函數訓練深度學習模個高風險等級訪問源異常檢測損失函數的輸出函數7[0022]在公式(2)中，Si表示第k個高風險等級訪問源中第i個服務器訪問數據的異常分V為歷史安全事件的訪問頻率異常程度數據集，U為歷史安全事率異常程度，為t+1時刻服務器訪問頻率異常程度的加權函數，為t+1時刻服務器訪問頻率異常程度的加權系數，ξ為服務器訪問頻率異常程函數，為t+1時刻服務器訪問響應狀態異常程度的89風險評分閾值對模型輸出的風險評分進行劃分，將服務器訪問源分為高風險和低風險等問數據路由至相應的邊緣節點。高風險邊緣模型等)對動態變化的服務器安全風險進行預測。預測結果可用于指導未來的安全策略和函數基于重建誤差或概率分布差異衡量異常權重，高風險等級訪問源集合為{y1,...,k表示服務器的第k個高風險等級訪問源，m為服務器高風險等級訪問源的總[0069]在公式(2)中，Si表示第k個高風險等級訪問源中第i個服務器訪問數據的異常分場實驗環境設置，模擬數據精度為95算法運行誤差不超過2.5分別采用潛在惡意行[0088]根據上表數據可以看出，A組潛在惡意行為挖掘算法在檢測準確率和耗時方面均不同類型的惡意行為檢測上的表現，并在更大規模的數據集上驗證這些實驗結果的有效性度量來計算與已有訪問異常模式之間的相似性或距離，從而識別出潛在威脅的訪問數[0094]如果輸入數據的特征向量與異常模式庫中的某個特征向量之間的相似度超過預事件的訪問頻率異常程度和響應狀態異常程度數據集分別為V為歷史安全事件的訪問頻率異常程度數據集，U為歷史安全事件的響應狀態異常程度數據率異常程度，為t+1時刻服務器訪問頻率異常程度的加權函數，為t+1時刻服務器訪問頻率異常程度的加權系數，ξ為服務器訪問頻率異常程性能的網絡接口卡可以確保數據的高速傳輸場實驗環境設置，模擬數據精度為95算法運行誤差不超過2.5分別采用潛在惡意行[0118]采用數據流量糾察工具對潛在威脅的訪問數據流量在各節點間的流轉時間分布[0120]云平臺通過雙層安全防火墻保護云端數據安全、內核平雙層安全防火墻通過網絡安全防護層和應用安全防護層協同工作對所述云平臺中的敏感SSL安全套接字層協議加速卡加快數據調用和處理速度，提高了云平臺的安全性和運行速[0122]