本發(fā)明屬于網(wǎng)絡(luò)安全監(jiān)管領(lǐng)域，涉及數(shù)據(jù)分析技術(shù)，具體是一種基于人工智能的網(wǎng)絡(luò)安全監(jiān)管系統(tǒng)。

背景技術(shù)：

1、隨著互聯(lián)網(wǎng)技術(shù)的快速發(fā)展，網(wǎng)絡(luò)安全威脅呈現(xiàn)出多樣化、復(fù)雜化和智能化的特點，傳統(tǒng)的網(wǎng)絡(luò)安全監(jiān)管系統(tǒng)面臨嚴峻挑戰(zhàn)。

2、傳統(tǒng)的網(wǎng)絡(luò)安全監(jiān)管系統(tǒng)需實時采集并存儲海量數(shù)據(jù)，導(dǎo)致網(wǎng)絡(luò)傳輸、存儲和分析壓力大、成本高，同時基于單一指標(如流量或設(shè)備狀態(tài))進行風(fēng)險判定，容易產(chǎn)生誤報，具有特征的觀察參數(shù)的選擇策略通常由人工配置，難以適應(yīng)網(wǎng)絡(luò)環(huán)境的動態(tài)變化，新型攻擊手段可能繞過預(yù)設(shè)規(guī)則，導(dǎo)致系統(tǒng)防御失效。

3、針對上述技術(shù)問題，本技術(shù)提出一種解決方案。

技術(shù)實現(xiàn)思路

1、本發(fā)明的目的在于提供一種基于人工智能的網(wǎng)絡(luò)安全監(jiān)管系統(tǒng)，用于解決現(xiàn)有的網(wǎng)絡(luò)安全監(jiān)管系統(tǒng)無法減輕海量數(shù)據(jù)的傳輸、存儲和分析的壓力以及難以適應(yīng)網(wǎng)絡(luò)環(huán)境的動態(tài)變化導(dǎo)致產(chǎn)生誤報的問題；

2、本發(fā)明需要解決的技術(shù)問題為：如何提供一種可以減輕海量數(shù)據(jù)下傳輸、存儲和分析的壓力以及能適應(yīng)網(wǎng)絡(luò)環(huán)境的動態(tài)變化的基于人工智能的網(wǎng)絡(luò)安全監(jiān)管系統(tǒng)。

3、本發(fā)明的目的可以通過以下技術(shù)方案實現(xiàn)：

4、一種基于人工智能的網(wǎng)絡(luò)安全監(jiān)管系統(tǒng)，包括網(wǎng)絡(luò)安全監(jiān)管平臺，所述網(wǎng)絡(luò)安全監(jiān)管平臺通信連接有基礎(chǔ)監(jiān)管模塊、數(shù)據(jù)觀察模塊、行為觀察模塊、綜合評估模塊以及監(jiān)管優(yōu)化模塊；

5、基礎(chǔ)監(jiān)管模塊用于對網(wǎng)絡(luò)中的節(jié)點數(shù)據(jù)進行基礎(chǔ)監(jiān)管并獲取觀察對象：將網(wǎng)絡(luò)中節(jié)點設(shè)備產(chǎn)生的數(shù)據(jù)標記為節(jié)點數(shù)據(jù)；生成固定時長的監(jiān)管周期，在監(jiān)管周期內(nèi)獲取網(wǎng)絡(luò)中所有節(jié)點設(shè)備的第一觀察參數(shù)以及第二觀察參數(shù)，并根據(jù)第一觀察參數(shù)以及第二觀察參數(shù)獲取觀察對象i；

6、數(shù)據(jù)觀察模塊用于評估網(wǎng)絡(luò)的數(shù)據(jù)表現(xiàn)是否健康：生成固定時長為l2的觀察時段，獲取觀察對象i在觀察時段內(nèi)的特征型數(shù)據(jù)，根據(jù)特征型數(shù)據(jù)計算得到觀察對象i的數(shù)據(jù)健康系數(shù)sji；

7、行為觀察模塊用于根據(jù)用戶行為產(chǎn)生的數(shù)據(jù)評估網(wǎng)絡(luò)中的用戶行為是否健康：獲取觀察對象i在觀察時段內(nèi)的登錄頻率dli、高危操作值czi和平均會話時長sci，并計算得到觀察對象i的行為健康系數(shù)xwi；

8、綜合評估模塊用于綜合評估觀察對象的網(wǎng)絡(luò)安全狀態(tài)：根據(jù)數(shù)據(jù)健康系數(shù)sji和行為健康系數(shù)xwi將觀察對象i網(wǎng)絡(luò)安全狀態(tài)評估為危險、異?；蛘?；

9、監(jiān)管優(yōu)化模塊用于對網(wǎng)絡(luò)安全監(jiān)管中的第二觀察參數(shù)進行優(yōu)化：在觀察時段的結(jié)束時刻，選取新的特征型數(shù)據(jù)作為第二觀察參數(shù)。

10、進一步地，節(jié)點數(shù)據(jù)包括網(wǎng)絡(luò)流量ll以及特征型數(shù)據(jù)；特征型數(shù)據(jù)包括正向特征型數(shù)據(jù)和負向特征型數(shù)據(jù)；正向特征型數(shù)據(jù)包括吞吐量tti；負向特征型數(shù)據(jù)包括cpu負載fzi、內(nèi)存占用zyi以及丟包率dbi。

11、進一步地，獲取觀察對象i的具體過程包括：在監(jiān)管周期內(nèi)網(wǎng)絡(luò)安全監(jiān)管平臺按固定頻次獲取網(wǎng)絡(luò)中所有節(jié)點設(shè)備的網(wǎng)絡(luò)流量ll，對每個節(jié)點設(shè)備的所有網(wǎng)絡(luò)流量ll進行方差計算得到第一觀察參數(shù)，在監(jiān)管周期內(nèi)按固定頻次獲取任一個特征型數(shù)據(jù)并進行取平均值計算作為第二觀察參數(shù)；將網(wǎng)絡(luò)中所有節(jié)點設(shè)備的第一觀察參數(shù)、第二觀察參數(shù)分別與預(yù)設(shè)的第一閾值以及第二閾值進行比較：若第一觀察參數(shù)大于等于第一閾值或者第二觀察參數(shù)大于等于(或小于)第二閾值，則將所對應(yīng)的節(jié)點設(shè)備標記為觀察對象i。

12、進一步地，數(shù)據(jù)健康系數(shù)sji的計算過程包括：獲取觀察對象i在觀察時段內(nèi)的特征型數(shù)據(jù)，并生成觀察對象i的數(shù)據(jù)特征向量sti＝[fzi，zyi，dbi，tti，lli]；由所有觀察對象i的cpu負載fz的最大值、內(nèi)存占用zy的最大值、丟包率db的最大值以及吞吐量tt的最小值構(gòu)成負向特征向量fx，由所有觀察對象i的cpu負載fz的最小值、內(nèi)存占用zy的最小值、丟包率db的最小值以及吞吐量tt的最大值構(gòu)成正向特征向量zx；將數(shù)據(jù)特征向量sti與負向特征向量fx作差并進行取模計算得到負向距離fji，將特征向量ti與正向特征向量zx作差并進行取模計算得到正向距離zji；將負向距離fji與正向距離zji求和計算的結(jié)果與負向距離fji進行比值計算得到觀察對象i的數(shù)據(jù)健康系數(shù)sji。

13、進一步地，由登錄頻率dli、高危操作值czi和平均會話時長sci構(gòu)成觀察對象i的行為特征列向量xti＝[dli，czi，sci]t，并設(shè)置加權(quán)行向量w＝[w1，w2，w3]；將行為特征列向量xti與加權(quán)行向量w進行點積計算得到觀察對象i的行為健康系數(shù)xwi。

14、進一步地，觀察對象的網(wǎng)絡(luò)安全狀態(tài)的評估過程包括：將數(shù)據(jù)健康系數(shù)sji和行為健康系數(shù)xwi分別與數(shù)據(jù)健康閾值sjmax和行為健康閾值xw進行比較：若數(shù)據(jù)健康系數(shù)sji大于等于數(shù)據(jù)健康閾值sjmax且行為健康系數(shù)xwi大于等于行為健康閾值xw，則判斷該觀察對象i的網(wǎng)絡(luò)安全狀態(tài)為危險；若數(shù)據(jù)健康系數(shù)sji小于數(shù)據(jù)健康閾值sjmax且行為健康系數(shù)xwi小于行為健康閾值xw，則判斷該觀察對象i的網(wǎng)絡(luò)安全狀態(tài)為健康；反之，則判斷該觀察對象i的網(wǎng)絡(luò)安全狀態(tài)為異常。

15、進一步地，選取新的特征型數(shù)據(jù)作為第二觀察參數(shù)的具體過程包括：

16、步驟一：對于特征型數(shù)據(jù)，每次只剔除其中一個并重新計算數(shù)據(jù)健康系數(shù)sji；

17、步驟二：將所有剔除一個特征型數(shù)據(jù)后計算得到的數(shù)據(jù)健康系數(shù)sji進行比較，將數(shù)值最大的數(shù)據(jù)健康系數(shù)sji所對應(yīng)的被剔除的特征型數(shù)據(jù)標記為新的第二觀察參數(shù)；

18、步驟三：在每個觀察時段的結(jié)束時刻，由新的第二觀察參數(shù)對基礎(chǔ)監(jiān)管模塊中的第二觀察參數(shù)進行替換。

19、進一步地，一種基于人工智能的網(wǎng)絡(luò)安全監(jiān)管方法，包括以下步驟：

20、步驟一：生成固定時長為l1的監(jiān)管周期，在監(jiān)管周期內(nèi)獲取第一觀察參數(shù)和第二觀察參數(shù)，根據(jù)第一觀察參數(shù)和第二觀察參數(shù)獲取觀察對象i；

21、步驟二：生成固定時長為l2的觀察時段，獲取觀察對象i在觀察時段內(nèi)的特征型數(shù)據(jù)，計算觀察對象i的數(shù)據(jù)健康系數(shù)sji；

22、步驟三：獲取觀察對象i在觀察時段內(nèi)的登錄頻率dli、高危操作值czi和平均會話時長sci，并計算觀察對象i的行為健康系數(shù)xwi；

23、步驟四：根據(jù)數(shù)據(jù)健康系數(shù)sji和行為健康系數(shù)xwi將觀察對象i網(wǎng)絡(luò)安全狀態(tài)評估為危險、異常或正常；

24、步驟五：在觀察時段的結(jié)束時刻，選取新的特征型數(shù)據(jù)作為第二觀察參數(shù)。

25、本發(fā)明具備下述有益效果：

26、1、通過數(shù)據(jù)觀察模塊對可能存在網(wǎng)絡(luò)安全風(fēng)險的觀察對象進行大量特征型數(shù)據(jù)的采集和分析，通過構(gòu)建正負向特征向量的雙重參照系，將多維數(shù)據(jù)指標轉(zhuǎn)化為可量化的數(shù)據(jù)健康系數(shù)，為網(wǎng)絡(luò)安全評估提供了可靠的數(shù)據(jù)支撐

27、2、通過數(shù)據(jù)觀察模塊對可能存在網(wǎng)絡(luò)安全風(fēng)險的觀察對象進行大量特征型數(shù)據(jù)的采集和分析，通過構(gòu)建正負向特征向量的雙重參照系，將多維數(shù)據(jù)指標轉(zhuǎn)化為可量化的數(shù)據(jù)健康系數(shù)，為網(wǎng)絡(luò)安全評估提供了可靠的數(shù)據(jù)支撐；

28、3、通過行為觀察模塊對可能存在網(wǎng)絡(luò)安全風(fēng)險的觀察對象進行大量行為數(shù)據(jù)的采集和分析，并引入可配置的加權(quán)行向量，允許管理員根據(jù)實際業(yè)務(wù)場景動態(tài)調(diào)整高危操作、會話時長等行為指標的權(quán)重系數(shù)，使行為分析模型具備行業(yè)場景適配性，提高了對用戶行為健康評估的精確性；

29、4、通過綜合評估模塊將設(shè)備數(shù)據(jù)表現(xiàn)與用戶行為特征進行耦合分析，建立三級(健康/異常/危險)安全評估體系，通過雙重閾值判定機制，成功規(guī)避了單一維度評估導(dǎo)致的誤報情況，顯著提升了網(wǎng)絡(luò)安全狀態(tài)評估的準確性；

30、4、通過監(jiān)管優(yōu)化模塊采用特征剔除-效果反推算法，每個觀察周期自動執(zhí)行第二觀察參數(shù)的更新，實現(xiàn)監(jiān)測策略的持續(xù)自我進化，適用于新型網(wǎng)絡(luò)攻擊手段頻發(fā)的復(fù)雜環(huán)境。