【技術實現步驟摘要】
本申請涉及機器學習與信息安全，具體而言，涉及一種隱蔽信道檢測方法、裝置、電子設備及非易失性存儲介質。
技術介紹
1、隨著信息化進程的不斷加速，網絡安全問題也隨之浮出水面，網絡空間的開放性和互聯性雖然帶來了巨大的發展機遇，但也使得網絡攻擊、數據泄露、隱私侵犯等安全問題層出不窮。在如此復雜的網絡安全環境中，隱蔽信道(covert?channel)作為一種隱蔽的信息傳輸手段，正逐漸成為網絡攻擊者用來規避檢測和防護的新型攻擊手段。隱蔽信道通過利用合法的通信路徑進行未授權的數據傳輸，其隱蔽性使得傳統的安全監測手段難以發現和防御，成為網絡安全中的一大隱性威脅。
2、相關技術中的隱蔽信道檢測方法大都從網絡流量分析的角度入手，然而由于相關技術中的隱蔽信道檢測方法僅采用單一的特征來源進行檢測，存在檢測精度差等技術問題。
3、針對上述的問題，目前尚未提出有效的解決方案。
技術實現思路
1、本申請實施例提供了一種隱蔽信道檢測方法、裝置、電子設備及非易失性存儲介質，以至少解決由于相關技術中采用單一的特征來源進行隱蔽信道檢測，造成的檢測精度差的技術問題。
2、根據本申請實施例的一個方面，提供了一種隱蔽信道檢測方法，包括：獲取待檢測的數據流，并確定數據流的第一特征，其中，第一特征為用于表征數據流整體信息的統計特征；確定數據流對應的包特征序列，并對包特征序列進行特征提取，得到第二特征，其中，包特征序列為用于表征數據流中各數據包的特征信息的序列，第二特征用于表征數據流內部的時序
3、可選地，確定數據流的第一特征包括：確定數據流的統計特征，并將統計特征確定為第一特征，其中，統計特征包括：數據流的流持續時間、平均包長度、最大包長度、包長方差、平均時間間隔、流字節數，流持續時間為數據流中首個數據包至最末一個數據包之間的時間跨度，平均包長度為數據流中所有數據包的平均字節數，平均時間間隔為數據流中連續兩個數據包之間的到達時間差的平均值，流字節數為數據流中的總字節數。
4、可選地，確定數據流對應的包特征序列包括：按照數據流中各數據包的到達順序，對數據包進行排序，得到初始包序列；確定初始包序列中每個數據包對應的特征信息，得到包特征序列，其中，特征信息包括：數據包的包長度、包的方向、后續包的到達時間間隔、以及標志位表示情況，包長度為數據包的字節數、包的方向包括：第一方向和第二方向，第一方向用于表征數據包從源主機發出，第二方向用于表征數據包從目的主機發出，后續包的到達時間間隔為數據流中當前數據包的到達時間，與緊鄰數據包到達的后一個鄰接數據包的到達時間之間的差值，標志位表示情況用于表征數據包中各標志為的置位狀態。
5、可選地，對包特征序列進行特征提取，得到第二特征包括：確定包特征序列中各數據包對應的特征數值中的第三四中位數，并將特征數值中大于第三四中位數的特征數值改寫為第三四中位數；確定改寫后的特征數值的平均值和方差，并依據平均值和方差，對包特征序列中各數據包對應的特征數值進行標準化，得到經過標準化后的包特征序列；采用深度學習模型，提取經過標準化后的包特征序列的時序特征，得到第二特征。
6、可選地，深度學習模型是對初始深度學習模型進行自監督訓練后得到的，自監督訓練用于提升模型的時序特征表達能力；深度學習模型的訓練步驟包括：獲取包特征序列，并采用遮蓋標記，隨機對包特征序列中的部分元素進行遮蓋，得到遮蓋序列；采用初始深度學習模型中的編碼器，對遮蓋序列進行特征表示；采用初始深度學習模型中的解碼器，依據編碼器輸出的特征表示，預測遮蓋序列中被遮蓋標記遮蓋的部分，得到預測序列；確定預測序列與被遮蓋前原始的包特征序列之間的誤差值，并依據誤差值更新初始深度學習模型中的模型參數，得到訓練完成的深度學習模型。
7、可選地，編碼器中包括：多頭自注意力層和前饋網絡層；解碼器中包括：多頭注意力層、前饋網絡層、編碼器-解碼器注意力層；其中，多頭注意力層用于捕捉序列中不同位置的元素之間的依賴關系，前饋網絡層用于將多頭注意力層的輸出進行特征轉換，以引入非線性特征，編碼器-解碼器注意力層用于確定解碼器對于編碼器的輸出的關注程度。
8、可選地，依據目標特征，確定數據流對應的信道類型包括：采用門控機制，對第一特征和第二特征進行融合，得到目標特征；采用全連接層和激活函數，確定目標特征對應的隱藏表示；采用分類器，依據目標特征的隱藏表示進行預測，得到數據流對應的信道類型。
9、根據本申請實施例的另一個方面，還提供了一種隱蔽信道檢測裝置，包括：第一特征提取模塊，用于獲取待檢測的數據流，并確定數據流的第一特征，其中，第一特征為用于表征數據流整體信息的統計特征；第二特征提取模塊，用于確定數據流對應的包特征序列，并對包特征序列進行特征提取，得到第二特征，其中，包特征序列為用于表征數據流中各數據包的特征信息的序列，第二特征用于表征數據流內部的時序特征；特征融合預測模塊，用于對第一特征和第二特征進行融合，得到目標特征，并依據目標特征，確定數據流對應的信道類型，其中，信道類型包括：隱蔽信道、非隱蔽信道。
10、根據本申請實施例的又一方面，還提供了一種電子設備，包括：存儲器和處理器，處理器用于運行存儲在存儲器中的程序，其中，程序運行時執行隱蔽信道檢測方法。
11、根據本申請實施例的再一方面，還提供了一種非易失性存儲介質，非易失性存儲介質包括存儲的計算機程序，其中，非易失性存儲介質所在設備通過運行計算機程序執行隱蔽信道檢測方法。
12、根據本申請實施例的再一方面，還提供了一種計算機程序產品，包括計算機程序，計算機程序被處理器執行時實現隱蔽信道檢測方法的步驟。
13、在本申請實施例中，采用獲取待檢測的數據流，并確定數據流的第一特征，其中，第一特征為用于表征數據流整體信息的統計特征；確定數據流對應的包特征序列，并對包特征序列進行特征提取，得到第二特征，其中，包特征序列為用于表征數據流中各數據包的特征信息的序列，第二特征用于表征數據流內部的時序特征；對第一特征和第二特征進行融合，得到目標特征，并依據目標特征，確定數據流對應的信道類型，其中，信道類型包括：隱蔽信道、非隱蔽信道的方式，通過融合多維度的特征信息，結合網絡流量中的統計特征與深度學習模型挖掘的時序變化特征，對隱蔽信道進行分類識別，達到了提高隱蔽信道檢測的準確性，以應對多種類型的隱蔽信道攻擊的目的，進而解決了由于相關技術中采用單一的特征來源進行隱蔽信道檢測，造成的檢測精度差技術問題。
本文檔來自技高網...【技術保護點】
1.一種隱蔽信道檢測方法，其特征在于，包括：
2.根據權利要求1所述的隱蔽信道檢測方法，其特征在于，確定所述數據流的第一特征包括：
3.根據權利要求1所述的隱蔽信道檢測方法，其特征在于，確定所述數據流對應的包特征序列包括：
4.根據權利要求3所述的隱蔽信道檢測方法，其特征在于，對所述包特征序列進行特征提取，得到第二特征包括：
5.根據權利要求4所述的隱蔽信道檢測方法，其特征在于，所述深度學習模型是對初始深度學習模型進行自監督訓練后得到的，所述自監督訓練用于提升模型的時序特征表達能力；所述深度學習模型的訓練步驟包括：
6.根據權利要求5所述的隱蔽信道檢測方法，其特征在于，所述編碼器中包括：多頭自注意力層和前饋網絡層；所述解碼器中包括：多頭注意力層、前饋網絡層、編碼器-解碼器注意力層；其中，所述多頭注意力層用于捕捉序列中不同位置的元素之間的依賴關系，所述前饋網絡層用于將所述多頭注意力層的輸出進行特征轉換，以引入非線性特征，所述編碼器-解碼器注意力層用于確定所述解碼器對于所述編碼器的輸出的關注程度。
7.根據權利要
8.一種隱蔽信道檢測裝置，其特征在于，包括：
9.一種電子設備，其特征在于，包括：存儲器和處理器，所述處理器用于運行存儲在所述存儲器中的程序，其中，所述程序運行時執行權利要求1至7中任意一項所述的隱蔽信道檢測方法。
10.一種非易失性存儲介質，其特征在于，所述非易失性存儲介質包括存儲的計算機程序，其中，所述非易失性存儲介質所在設備通過運行所述計算機程序執行權利要求1至7中任意一項所述的隱蔽信道檢測方法。
11.一種計算機程序產品，包括計算機程序，其特征在于，所述計算機程序被處理器執行時實現權利要求1至7中任意一項所述的隱蔽信道檢測方法的步驟。
...【技術特征摘要】
1.一種隱蔽信道檢測方法，其特征在于，包括：
2.根據權利要求1所述的隱蔽信道檢測方法，其特征在于，確定所述數據流的第一特征包括：
3.根據權利要求1所述的隱蔽信道檢測方法，其特征在于，確定所述數據流對應的包特征序列包括：
4.根據權利要求3所述的隱蔽信道檢測方法，其特征在于，對所述包特征序列進行特征提取，得到第二特征包括：
5.根據權利要求4所述的隱蔽信道檢測方法，其特征在于，所述深度學習模型是對初始深度學習模型進行自監督訓練后得到的，所述自監督訓練用于提升模型的時序特征表達能力；所述深度學習模型的訓練步驟包括：
6.根據權利要求5所述的隱蔽信道檢測方法，其特征在于，所述編碼器中包括：多頭自注意力層和前饋網絡層；所述解碼器中包括：多頭注意力層、前饋網絡層、編碼器-解碼器注意力層；其中，所述多頭注意力層用于捕捉序列中不同位置的元素之間的依賴關系，所述前饋網絡層用于將所述多...
【專利技術屬性】
技術研發人員：隆文喜，張晉哲，楊莉莉，韓珺，程世鑫，韓麗萍，高凱文，馬國雷，張廣德，
申請(專利權)人：國網青海省電力公司信息通信公司，
類型：發明
國別省市：
還沒有人留言評論。發表了對其他瀏覽者有用的留言會獲得科技券。