本技術(shù)涉及網(wǎng)絡(luò)安全，尤其涉及一種數(shù)據(jù)共享場景下加密流量數(shù)據(jù)檢測的方法和系統(tǒng)。
背景技術(shù)：
1、在數(shù)據(jù)共享的場景下，網(wǎng)絡(luò)節(jié)點之間由于其公開的信道，很容易帶來隱私泄露和安全威脅，現(xiàn)有技術(shù)通常會先加密數(shù)據(jù)再進行傳輸，如何保證加密數(shù)據(jù)通信安全，快速準確檢測加密數(shù)據(jù)是否被篡改或偽造，成為急需解決的問題。以及，如何提高模型的訓(xùn)練效率，也是急需改善的問題。
2、因此，急需一種針對性的數(shù)據(jù)共享場景下加密流量數(shù)據(jù)檢測的方法和系統(tǒng)。
技術(shù)實現(xiàn)思路
1、本發(fā)明的目的在于提供一種數(shù)據(jù)共享場景下加密流量數(shù)據(jù)檢測的方法和系統(tǒng)，使用過采樣算法和欠采樣算法，解決訓(xùn)練數(shù)據(jù)集的數(shù)據(jù)不平衡的問題，優(yōu)化深度異常檢測模型，參與共享的節(jié)點上傳訓(xùn)練好的模型參數(shù)，由控制節(jié)點進行優(yōu)化聚合，再把聚合后的參數(shù)下發(fā)給各個節(jié)點，使得節(jié)點們可以使用相同檢測效果的模型，使用深度異常檢測模型識別出偽造合成或篡改等攻擊，從而保證數(shù)據(jù)通信安全和高效匹配。
2、第一方面，本技術(shù)提供一種數(shù)據(jù)共享場景下加密流量數(shù)據(jù)檢測的方法，所述方法包括：
3、各個普通節(jié)點構(gòu)建和訓(xùn)練深度異常檢測模型；
4、所述深度異常檢測模型通過結(jié)構(gòu)化處理，能從流量數(shù)據(jù)中提取關(guān)鍵特征，該深度異常檢測模型包括輸入層、多個子層、均衡采樣模塊和神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)；所述輸入層接收不同采樣時間窗口下的多個基礎(chǔ)特征；多個具有不同編碼維度的所述子層對所述多個基礎(chǔ)特征進行編碼，得到層次化的特征表示，生成嵌入空間；所述均衡采樣模塊融合過采樣算法和欠采樣算法，計算各類別特征的平均數(shù)，將數(shù)量大于等于該平均數(shù)的特征定義為多數(shù)類特征，將數(shù)量小于該平均數(shù)的特征定義為少數(shù)類特征，對所述多數(shù)類特征采用欠采樣算法，對所述少數(shù)類特征采用過采樣算法，匯總過采樣算法和欠采樣算法的結(jié)果，將該結(jié)果輸入神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)；所述神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)學(xué)習(xí)所述匯總的結(jié)果、檢測異常；
5、其中，所述深度異常檢測模型采用最大邊際損失函數(shù)和多重損失函數(shù)作為優(yōu)化目標，使得具有相似特征的流量在所述嵌入空間聚集在一起，而不同特征的流量隔開一定的距離；
6、所述控制節(jié)點將模型訓(xùn)練任務(wù)下發(fā)到各個普通節(jié)點，由各個普通節(jié)點輸入自己的訓(xùn)練數(shù)據(jù)集，在該普通節(jié)點本地進行訓(xùn)練；
7、所述普通節(jié)點得到訓(xùn)練好的深度異常檢測模型的參數(shù)，使用同態(tài)加密算法對模型的參數(shù)進行加密，得到同態(tài)密文，并使用對稱加密算法對該同態(tài)密文進行二次加密，所述同態(tài)加密算法的密鑰只在參與模型訓(xùn)練的普通節(jié)點之間共享，對稱加密密鑰在普通節(jié)點和參與模型聚合的控制節(jié)點之間共享，同時普通節(jié)點和控制節(jié)點之間的通信使用不同的對稱加密密鑰；
8、所述普通節(jié)點將所述訓(xùn)練好的深度異常檢測模型的參數(shù)上傳給控制節(jié)點，由該控制節(jié)點進行優(yōu)化聚合，進而該控制節(jié)點再把聚合的結(jié)果發(fā)給各個普通節(jié)點，統(tǒng)一各個普通節(jié)點的模型參數(shù)；
9、普通節(jié)點對用戶上傳的流量數(shù)據(jù)進行清洗、過濾和標準化處理，再由本地經(jīng)過統(tǒng)一參數(shù)后的深度異常檢測模型，識別該流量數(shù)據(jù)是否異常，如果異常則繼續(xù)通過推斷攻擊分析流量數(shù)據(jù)的分布特征，進而推斷出被合成篡改的位置，以及，通過流量數(shù)據(jù)中攜帶的偽身份信息，猜測攻擊者的真實身份；
10、輸出所述識別的結(jié)果，其中包括：被合成篡改的位置、猜測的攻擊者真實身份，提供給用戶使用。
11、第二方面，本技術(shù)提供一種數(shù)據(jù)共享場景下加密流量數(shù)據(jù)檢測的系統(tǒng)，所述系統(tǒng)包括：普通節(jié)點、控制節(jié)點、深度異常檢測模型和輸出單元；
12、各個普通節(jié)點，用于構(gòu)建和訓(xùn)練深度異常檢測模型；
13、所述深度異常檢測模型，用于通過結(jié)構(gòu)化處理，能從流量數(shù)據(jù)中提取關(guān)鍵特征，該深度異常檢測模型包括輸入層、多個子層、均衡采樣模塊和神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)；所述輸入層接收不同采樣時間窗口下的多個基礎(chǔ)特征；多個具有不同編碼維度的所述子層對所述多個基礎(chǔ)特征進行編碼，得到層次化的特征表示，生成嵌入空間；所述均衡采樣模塊融合過采樣算法和欠采樣算法，計算各類別特征的平均數(shù)，將數(shù)量大于等于該平均數(shù)的特征定義為多數(shù)類特征，將數(shù)量小于該平均數(shù)的特征定義為少數(shù)類特征，對所述多數(shù)類特征采用欠采樣算法，對所述少數(shù)類特征采用過采樣算法，匯總過采樣算法和欠采樣算法的結(jié)果，將該結(jié)果輸入神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)；所述神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)學(xué)習(xí)所述匯總的結(jié)果、檢測異常；
14、其中，所述深度異常檢測模型采用最大邊際損失函數(shù)和多重損失函數(shù)作為優(yōu)化目標，使得具有相似特征的流量在所述嵌入空間聚集在一起，而不同特征的流量隔開一定的距離；
15、所述控制節(jié)點，用于將模型訓(xùn)練任務(wù)下發(fā)到各個普通節(jié)點，由各個普通節(jié)點輸入自己的訓(xùn)練數(shù)據(jù)集，在該普通節(jié)點本地進行訓(xùn)練；
16、所述普通節(jié)點，還用于得到訓(xùn)練好的深度異常檢測模型的參數(shù)，使用同態(tài)加密算法對模型的參數(shù)進行加密，得到同態(tài)密文，并使用對稱加密算法對該同態(tài)密文進行二次加密，所述同態(tài)加密算法的密鑰只在參與模型訓(xùn)練的普通節(jié)點之間共享，對稱加密密鑰在普通節(jié)點和參與模型聚合的控制節(jié)點之間共享，同時普通節(jié)點和控制節(jié)點之間的通信使用不同的對稱加密密鑰；
17、所述普通節(jié)點將所述訓(xùn)練好的深度異常檢測模型的參數(shù)上傳給控制節(jié)點，由該控制節(jié)點進行優(yōu)化聚合，進而該控制節(jié)點再把聚合的結(jié)果發(fā)給各個普通節(jié)點，統(tǒng)一各個普通節(jié)點的模型參數(shù)；
18、普通節(jié)點對用戶上傳的流量數(shù)據(jù)進行清洗、過濾和標準化處理，再由本地經(jīng)過統(tǒng)一參數(shù)后的深度異常檢測模型，識別該流量數(shù)據(jù)是否異常，如果異常則繼續(xù)通過推斷攻擊分析流量數(shù)據(jù)的分布特征，進而推斷出被合成篡改的位置，以及，通過流量數(shù)據(jù)中攜帶的偽身份信息，猜測攻擊者的真實身份；
19、輸出單元，用于輸出所述識別的結(jié)果，其中包括：被合成篡改的位置、猜測的攻擊者真實身份，提供給用戶使用。
20、第三方面，本技術(shù)提供一種數(shù)據(jù)共享場景下加密流量數(shù)據(jù)檢測的系統(tǒng)，所述系統(tǒng)包括：處理器以及存儲器：
21、所述存儲器用于存儲程序代碼，并將所述程序代碼傳輸給所述處理器；
22、所述處理器用于根據(jù)所述程序代碼中的指令執(zhí)行第一方面各種可能中任一項所述的方法。
23、第四方面，本技術(shù)提供一種計算機可讀存儲介質(zhì)，所述計算機可讀存儲介質(zhì)用于存儲程序代碼，所述程序代碼用于被處理器執(zhí)行實現(xiàn)第一方面各種可能中任一項所述的方法。
24、有益效果
25、本發(fā)明提供一種數(shù)據(jù)共享場景下加密流量數(shù)據(jù)檢測的方法和系統(tǒng)，通過使用過采樣算法和欠采樣算法，解決訓(xùn)練數(shù)據(jù)集的數(shù)據(jù)不平衡的問題，優(yōu)化深度異常檢測模型，參與共享的節(jié)點上傳訓(xùn)練好的模型參數(shù)，由控制節(jié)點進行優(yōu)化聚合，再把聚合后的參數(shù)下發(fā)給各個節(jié)點，使得節(jié)點們可以使用相同檢測效果的模型，使用深度異常檢測模型識別出偽造合成或篡改等攻擊，從而保證數(shù)據(jù)通信安全和高效匹配，克服現(xiàn)有技術(shù)不能快速準確檢測加密數(shù)據(jù)是否被篡改或偽造的問題。
26、本發(fā)明具有以下優(yōu)點和效果：
27、使用過采樣算法和欠采樣算法，解決訓(xùn)練數(shù)據(jù)集的數(shù)據(jù)不平衡的問題；
28、控制節(jié)點進行優(yōu)化聚合，再把聚合后的參數(shù)下發(fā)給各個節(jié)點，使得節(jié)點們可以使用相同檢測效果的模型；
29、能夠識別出偽造合成或篡改等攻擊，從而保證數(shù)據(jù)通信安全和高效匹配。