【技術(shù)實(shí)現(xiàn)步驟摘要】
本專利技術(shù)屬于入侵檢測，尤其涉及一種基于代碼和語義特征的漏洞負(fù)載分類方法及系統(tǒng)。
技術(shù)介紹
1、當(dāng)前，入侵檢測系統(tǒng)在網(wǎng)絡(luò)安全領(lǐng)域扮演著至關(guān)重要的角色。隨著網(wǎng)絡(luò)攻擊手段的不斷演變和復(fù)雜化，傳統(tǒng)的入侵檢測方法主要依賴于規(guī)則匹配和經(jīng)典的機(jī)器學(xué)習(xí)技術(shù)。然而，面對日益多樣化和復(fù)雜的新型攻擊場景，這些方法往往表現(xiàn)出較高的誤報率和漏報率，特別是在漏洞負(fù)載檢測方面更是如此。傳統(tǒng)方法難以提供對漏洞攻擊負(fù)載的細(xì)粒度識別和分類，從而限制了安全威脅的準(zhǔn)確評估和快速響應(yīng)能力。
2、隨著深度學(xué)習(xí)技術(shù)的不斷進(jìn)步，為漏洞負(fù)載分類帶來了新的發(fā)展機(jī)遇。卷積神經(jīng)網(wǎng)絡(luò)(cnn)、循環(huán)神經(jīng)網(wǎng)絡(luò)(rnn)以及基于transformer的模型能夠自動從大規(guī)模數(shù)據(jù)中提取特征，并實(shí)現(xiàn)精準(zhǔn)的檢測和分類。然而，目前通用預(yù)訓(xùn)練模型在漏洞負(fù)載領(lǐng)域的適應(yīng)性較為有限，因此專門針對漏洞負(fù)載進(jìn)行預(yù)訓(xùn)練的模型顯得尤為重要。
3、通過預(yù)訓(xùn)練，模型能夠深入學(xué)習(xí)和理解漏洞負(fù)載的語義和結(jié)構(gòu)特征，從而顯著提升在多種漏洞負(fù)載分類任務(wù)中的表征能力，這種精細(xì)化的表征使得模型在多種漏洞負(fù)載分類的下游任務(wù)中能夠?qū)崿F(xiàn)更高的精確度和效率，從而實(shí)現(xiàn)更加精準(zhǔn)和高效的漏洞負(fù)載檢測和分類。
技術(shù)實(shí)現(xiàn)思路
1、針對現(xiàn)有技術(shù)存在的不足和缺陷，本專利技術(shù)提供了一種基于代碼和語義特征的漏洞負(fù)載分類方法及系統(tǒng)，旨在通過增強(qiáng)漏洞負(fù)載的表征能力，提高漏洞檢測的精準(zhǔn)率。
2、為實(shí)現(xiàn)上述專利技術(shù)目的，本專利技術(shù)的技術(shù)方案包括以下內(nèi)容。
3、一種基于代
4、編碼漏洞負(fù)載，并對編碼結(jié)果進(jìn)行掩碼后，通過預(yù)測掩碼值得到所述漏洞負(fù)載的第一表征；
5、基于tf-idf編碼器獲取所述漏洞負(fù)載的第二表征；
6、綜合所述第一表征和所述第二表征，得到所述漏洞負(fù)載的綜合表征；
7、對所述綜合表征進(jìn)行分類，得到所述漏洞負(fù)載的分類結(jié)果。
8、進(jìn)一步地，所述編碼漏洞負(fù)載，并對編碼結(jié)果進(jìn)行掩碼包括：
9、收集并構(gòu)建包括漏洞信息和負(fù)載信息的預(yù)訓(xùn)練語料庫；
10、基于所述預(yù)訓(xùn)練語料庫，構(gòu)建漏洞負(fù)載分類領(lǐng)域的細(xì)粒度分詞器；
11、利用所述細(xì)粒度分詞器對所述漏洞負(fù)載進(jìn)行分詞；
12、使用1個符號[cls]和多個符號[sep]對分詞進(jìn)行特殊標(biāo)記，得到編碼結(jié)果；其中，符號[cls]為句首標(biāo)識，符號[sep]為句中和句尾標(biāo)識；
13、使用符號[mask]隨機(jī)掩蓋編碼結(jié)果中的部分詞匯。
14、進(jìn)一步地，所述收集并構(gòu)建包括漏洞信息和負(fù)載信息的預(yù)訓(xùn)練語料庫，包括：
15、收集并解析入侵檢測系統(tǒng)的系統(tǒng)規(guī)則信息，得到入侵檢測系統(tǒng)規(guī)則中的漏洞信息和負(fù)載信息，其中，所述入侵檢測系統(tǒng)規(guī)則中的漏洞信息包括：端口、類別和參考鏈接，所述入侵檢測系統(tǒng)規(guī)則中的負(fù)載信息包括：內(nèi)容和正則表達(dá)式；
16、利用爬蟲收集漏洞庫的漏洞信息和負(fù)載信息；其中，所述漏洞庫的漏洞信息包括：漏洞編號、漏洞描述、漏洞類別、漏洞類別描述和漏洞評級，所述漏洞庫的負(fù)載信息包括：payload；
17、捕獲惡意流量，利用wireshark工具包中的tshark工具提取惡意流量中的負(fù)載信息，所述惡意流量中的負(fù)載信息包括：端口和應(yīng)用層負(fù)載內(nèi)容；
18、收集滲透測試工具的漏洞信息和負(fù)載信息，其中，所述滲透測試工具的漏洞信息包括：漏洞編號、漏洞描述、漏洞類別和漏洞類別描述，所述滲透測試工具的負(fù)載信息包括：請求、http和標(biāo)簽；
19、綜合所述入侵檢測系統(tǒng)規(guī)則中的漏洞信息和負(fù)載信息、所述漏洞庫的漏洞信息和負(fù)載信息、所述惡意流量中的負(fù)載信息以及滲透測試工具的漏洞信息和負(fù)載信息，得到預(yù)訓(xùn)練語料庫的文本數(shù)據(jù)；
20、以漏洞編號作為連接編寫prompt提示信息，并結(jié)合語言模型，將所述預(yù)訓(xùn)練語料庫的文本數(shù)據(jù)格式化為六元組數(shù)據(jù)，從而得到包括漏洞信息和負(fù)載信息的預(yù)訓(xùn)練語料庫c1；其中，所述預(yù)訓(xùn)練語料庫c1＝{id,description,payload,cwe_id,cwe_description,level}，id代表漏洞編號，description是與漏洞描述，payload為漏洞負(fù)載，cwe_id為漏洞類別編號，cwe_description為漏洞類別描述，level為漏洞評級。
21、進(jìn)一步地，基于所述預(yù)訓(xùn)練語料庫，構(gòu)建漏洞負(fù)載分類領(lǐng)域的細(xì)粒度分詞器，包括：
22、創(chuàng)建一個字節(jié)對編碼分詞器，并利用所述字節(jié)對編碼分詞器獲取所述預(yù)訓(xùn)練語料庫的文本數(shù)據(jù)中的高頻詞匯和子詞，以得到詞匯表bpe_vocab；
23、在所述預(yù)訓(xùn)練語料庫的文本數(shù)據(jù)中提取與漏洞描述和攻擊模式相關(guān)的特殊編碼詞匯，以得到詞匯表special_words；
24、利用所述詞匯表special_words對所述預(yù)訓(xùn)練語料庫進(jìn)行單詞級別的分詞，得到詞匯表special_vocab；
25、對所述詞匯表special_vocab中的詞匯進(jìn)行大小寫變形以及隨機(jī)重復(fù)字符的操作，得到詞匯表vul_words；
26、針對預(yù)訓(xùn)練語料庫的負(fù)載信息，將詞匯表special_words和詞匯表vul_words中的詞匯進(jìn)行拼接，得到詞匯表concatenate_vocab；
27、綜合所述詞匯表bpe_vocab、所述詞匯表special_words、所述詞匯表special_vocab、所述詞匯表vul_words以及所述詞匯表concatenate_vocab，得到組合詞匯表combined_vocab；
28、構(gòu)建一分詞器，并基于所述組合詞匯表combined_vocab對該分詞器進(jìn)行訓(xùn)練，得到漏洞負(fù)載分類領(lǐng)域的細(xì)粒度分詞器。
29、進(jìn)一步地，通過預(yù)測掩碼值得到所述漏洞負(fù)載的第一表征，包括：
30、基于roberta預(yù)訓(xùn)練模型搭建一個模型；
31、在所述預(yù)訓(xùn)練語料庫上，采用對抗擾動訓(xùn)練策略和掩碼任務(wù)策略對該模型進(jìn)行預(yù)訓(xùn)練，得到vulbert模型；其中，所述對抗擾動訓(xùn)練策略是利用隨機(jī)噪聲矩陣對基于預(yù)訓(xùn)練語料庫編碼生成的原始嵌入矩陣進(jìn)行對抗擾動，所述掩碼任務(wù)策略是預(yù)測預(yù)訓(xùn)練語料庫編碼的掩碼值，所述預(yù)訓(xùn)練語料庫編碼是基于預(yù)訓(xùn)練語料庫和所述細(xì)粒度分詞器生成；
32、將掩碼后的編碼結(jié)果輸入所述vulbert模型，并提取所述vulbert模型的各層狀態(tài)值hj之后，將狀態(tài)值hj的均值作為所述漏洞負(fù)載的第一表征。
33、進(jìn)一步地，對該模型進(jìn)行預(yù)訓(xùn)練時，損失函l_total＝α·loss(f(e1),y)+β·loss(f(e1+espsilon*p),y)；其中，loss是損失函數(shù)，f是模型的輸出函數(shù)，y是被[mask]掩碼前的原始詞，e1表示原始嵌入矩陣，espsilon表示對抗擾動參數(shù)，p表示隨機(jī)噪聲矩陣，α表示第一權(quán)重參數(shù)，β表示第二權(quán)重參數(shù)。
34、進(jìn)一步地，本文檔來自技高網(wǎng)...
【技術(shù)保護(hù)點(diǎn)】
1.一種基于代碼和語義特征的漏洞負(fù)載分類方法，其特征在于，所述方法包括：
2.根據(jù)權(quán)利要求1所述的方法，其特征在于，所述編碼漏洞負(fù)載，并對編碼結(jié)果進(jìn)行掩碼包括：
3.根據(jù)權(quán)利要求2所述的方法，其特征在于，所述收集并構(gòu)建包括漏洞信息和負(fù)載信息的預(yù)訓(xùn)練語料庫，包括：
4.根據(jù)權(quán)利要求3所述的方法，其特征在于，基于所述預(yù)訓(xùn)練語料庫，構(gòu)建漏洞負(fù)載分類領(lǐng)域的細(xì)粒度分詞器，包括：
5.根據(jù)權(quán)利要求2所述的方法，其特征在于，通過預(yù)測掩碼值得到所述漏洞負(fù)載的第一表征，包括：
6.根據(jù)權(quán)利要求5所述的方法，其特征在于，對該模型進(jìn)行預(yù)訓(xùn)練時，損失函L_total＝α·Loss(f(E1)，y)+β·Loss(f(E1+espsilon*P)，y)；其中，Loss是損失函數(shù)，f是模型的輸出函數(shù)，y是被[MASK]掩碼前的原始詞，E1表示原始嵌入矩陣，espsilon表示對抗擾動參數(shù)，P表示隨機(jī)噪聲矩陣，α表示第一權(quán)重參數(shù)，β表示第二權(quán)重參數(shù)。
7.根據(jù)權(quán)利要求2所述的方法，其特征在于，對所述綜合表征進(jìn)行分類，得到所述漏洞負(fù)載的分類
8.一種基于代碼和語義特征的漏洞負(fù)載分類系統(tǒng)，其特征在于，所述系統(tǒng)包括：
9.一種電子設(shè)備，其特征在于，所述電子設(shè)備包括：處理器以及存儲有計算機(jī)程序指令的存儲器；所述處理器執(zhí)行所述計算機(jī)程序指令時實(shí)現(xiàn)如權(quán)利要求1-7任一項(xiàng)所述的基于代碼和語義特征的漏洞負(fù)載分類方法。
10.一種計算機(jī)可讀存儲介質(zhì)，其特征在于，所述計算機(jī)可讀存儲介質(zhì)上存儲有計算機(jī)程序指令，所述計算機(jī)程序指令被處理器執(zhí)行時實(shí)現(xiàn)如權(quán)利要求1-7任一項(xiàng)所述的基于代碼和語義特征的漏洞負(fù)載分類方法。
...【技術(shù)特征摘要】
1.一種基于代碼和語義特征的漏洞負(fù)載分類方法，其特征在于，所述方法包括：
2.根據(jù)權(quán)利要求1所述的方法，其特征在于，所述編碼漏洞負(fù)載，并對編碼結(jié)果進(jìn)行掩碼包括：
3.根據(jù)權(quán)利要求2所述的方法，其特征在于，所述收集并構(gòu)建包括漏洞信息和負(fù)載信息的預(yù)訓(xùn)練語料庫，包括：
4.根據(jù)權(quán)利要求3所述的方法，其特征在于，基于所述預(yù)訓(xùn)練語料庫，構(gòu)建漏洞負(fù)載分類領(lǐng)域的細(xì)粒度分詞器，包括：
5.根據(jù)權(quán)利要求2所述的方法，其特征在于，通過預(yù)測掩碼值得到所述漏洞負(fù)載的第一表征，包括：
6.根據(jù)權(quán)利要求5所述的方法，其特征在于，對該模型進(jìn)行預(yù)訓(xùn)練時，損失函l_total＝α·loss(f(e1)，y)+β·loss(f(e1+espsilon*p)，y)；其中，loss是損失函數(shù)，f是模型的輸出函數(shù)，y是被[m...
【專利技術(shù)屬性】
技術(shù)研發(fā)人員：王文，史蓉，趙法起，周國橋，劉峰，
申請(專利權(quán))人：中國科學(xué)院信息工程研究所，
類型：發(fā)明
國別省市：
還沒有人留言評論。發(fā)表了對其他瀏覽者有用的留言會獲得科技券。