[发明专利]一种物联网设备蜜罐系统攻击分类方法、装置及设备

说明书

本申请提供一种物联网设备蜜罐系统攻击分类方法、装置及设备，该方法包括：将目标特征向量输入给初始分类器模型的K个一阶分类器，得到K个分类结果；若K个分类结果对应M种攻击行为类型，从初始分类器模型的所有M阶分类器中选取目标分类器；将目标特征向量输入给目标分类器，得到分类结果，基于该分类结果确定目标攻击行为类型；基于目标攻击行为类型确定目标特征向量的标签值，基于目标特征向量和该标签值对初始分类器模型进行训练，基于训练后的分类器模型确定目标分类器模型，该目标分类器模型用于确定待检测流对应的攻击行为类型。通过本申请的技术方案，能够训练出准确可靠的分类器模型，分类器模型能够准确识别攻击行为类型。

技术领域

本申请涉及信息安全技术领域，尤其是涉及一种物联网设备蜜罐系统攻击分类方法、装置及设备。

背景技术

物联网设备包括IPC（Internet Protocol Camera，网络摄像机）、DVR（DigitalVideo Recorder，硬盘录像机）和NVR（Network Video Recorder，网络录像机）等，随着互联网技术的快速发展，网络中的物联网设备越来越多，针对物联网设备的攻击行为也越来越多。为了对物联网设备进行有效防护，就需要分析出攻击行为类型，基于攻击行为类型对物联网设备进行有针对性的保护。

机器学习是实现人工智能的一种途径，是一门多领域交叉学科，用于研究计算机如何模拟或实现人类的学习行为，以获取新的知识或技能，重新组织已有的知识结构使之不断改善自身的性能。机器学习更加注重算法设计，使计算机能够自动地从数据中学习规律，并利用规律对未知数据进行预测。

随着机器学习技术的提出，可以采用机器学习技术训练机器学习模型，由机器学习模型输出针对物联网设备的攻击行为类型。而为了训练机器学习模型，就需要获取大量训练数据，基于这些训练数据训练机器学习模型。

但是，网络中针对物联网设备的数据流，大多数是正常数据流，只有少量攻击流（即训练数据），因此，只能使用少量训练数据对机器学习模型进行训练，无法训练出准确可靠的机器学习模型，导致机器学习模型无法准确识别攻击行为类型。而且，需要人工标定攻击流的标签值，人工标定工作量较大。

发明内容

本申请提供一种物联网设备蜜罐系统攻击分类方法，所述方法包括：

获取针对物联网设备蜜罐系统的攻击流对应的目标特征向量，将目标特征向量输入给初始分类器模型的K个一阶分类器，得到K个一阶分类器输出的K个分类结果；K个一阶分类器用于对K种攻击行为类型进行分类；初始分类器模型还包括个n阶分类器和1个K-1阶分类器，n的取值范围为2至K-2；

若所述K个分类结果对应M种攻击行为类型，M大于1且小于K，则从初始分类器模型的所有M阶分类器中选取目标分类器，所述目标分类器与所述M种攻击行为类型对应；将目标特征向量输入给目标分类器，得到目标分类器输出的分类结果，基于该分类结果确定目标特征向量对应的目标攻击行为类型；

基于所述目标攻击行为类型确定目标特征向量的标签值，基于目标特征向量和该标签值对初始分类器模型进行训练，并基于训练后的分类器模型确定目标分类器模型，该目标分类器模型用于确定待检测流对应的攻击行为类型。

示例性的，所述将目标特征向量输入给初始分类器模型的K个一阶分类器，得到K个一阶分类器输出的K个分类结果之后，所述方法还包括：

若所述K个分类结果对应一种攻击行为类型，则将该攻击行为类型确定为所述目标特征向量对应的目标攻击行为类型。

示例性的，所述将目标特征向量输入给初始分类器模型的K个一阶分类器，得到K个一阶分类器输出的K个分类结果之后，所述方法还包括：

若所述K个分类结果对应K种攻击行为类型，则将所述K-1阶分类器选取为目标分类器；将目标特征向量输入给目标分类器，得到所述目标分类器输出的分类结果，基于该分类结果确定目标特征向量对应的目标攻击行为类型。