[发明专利]基于可信度的网络恶意行为检测方法

说明书

基于可信度的网络恶意行为检测方法。本发明以分析网络行为的可信度代替设定固定阈值，实现对网络恶意行为的检测。首先提取网络恶意数据的特征，例如，时间戳、发送的数据包数量、发送数据的频率等，将二进制的网络数据转换成特征向量。大量的恶意网络数据对应的特征向量组成特征矩阵。然后确定不一致性度量函数，计算一个特征矩阵中所有特征向量与该矩阵的不一致性，根据计算结果计算出每个特征向量的统计量p‑value。最后通过用户设定的可信度，计算出用户可接受的最大错误概率；当未知网络行为被发现后，计算该网络行为对于网络恶意行为矩阵的统计量p‑value，如果统计量p‑value大于用户可接受的最大错误概率，则报告该网络行为是恶意网络行为。

技术领域

本发明属于计算机防病毒技术领域。

背景技术

网络中恶意代码数量在爆发式增长，2015年AV-Test的统计数据显示，平均每天新发现的恶意样本数量已经超过30万个。面对海量的恶意样本，机器学习已经成为恶意行为检测领域的主流技术。但是，攻击者为了躲避检测，在不断地升级恶意行为。目前机器学习模型存在退化问题，固定的阈值在初始阶段检测率高，随着攻击行为躲避技术的改进和变化，检测率不断的退化。所以需要一种不需要设定固定阈值的检测方法，能够根据用户可接受的错误概率，给出分析结果，应对恶意行为的不断变异。

发明内容

本发明目的是解决现有技术中存在的检测模型识别率随时间快速退化的问题，提供一种基于可信度的网络恶意行为检测方法。该方法在不需要设定固定阈值的情况下，根据用户可接受的错误概率，通过统计分析网络行为的可信度，实现对网络恶意行为的检测。

本发明的技术方案

基于可信度的网络恶意行为检测方法，包括如下步骤：

第1步、本发明涉及的一些基本概念：

(1)网络恶意行为：本发明中的网络恶意行为是指，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；大量的网络恶意行为的集合为网络恶意行为集合。

(2)不一致性度量函数：描述一个测试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。不同测试样本与同一组样本的不一致性得分之间可以进行比较。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。

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、选择网络行为的特征点f；根据不同的数据集，可以选择不同的网络行为特征点f，例如，与时间相关的特征点包括：时间戳、持续时间、间隔时间、周期和频率等；与体积相关的特征点包括：发送数据包数、接收数据包数、发送字节数、接收字节数和数据熵等；与协议相关的特征点包括：TCP、UDP、HTTP、DNS和SSH等；与拓扑结构相关的特征点包括：源IP地址、目的IP地址、源端口号、目的端口号、端口号的分布和端口号集合的熵等。

第2.3、提取特征点，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,...f_n)，使用所选的n个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V(f₁,f₂,...f_n)；