技术编程,AI人工智能|误报率太高？AI+流量安全分析，让网络运维更轻松
误报率是衡量网络安全设备的重要技术指标 ， 但如何正确检测和计算这项指标 ， 没有统一科学的方法 。安博通基于自主研发的网络流量安全分析系统 ， 总结自身技术和经验 ， 得出了一套安全设备误报率的检测计算方法 ， 并基于深度学习技术将误报率降到业界较低水平 ， 可减少企业机构安全运维的人力和时间投入 。
文章图片
文章图片
误报率是什么？
· 误报：在网络安全设备报警规则集合C中 ， 事件A触发报警时 ， 发生了B事件报警或未发生报警 。
· 误报率：在规则集C中 ， 由于算法或事件定义导致安全设备产生误报的概率 。
通用的误报率计算方法是 ， 以设备规则集为出发点 ， 对规则集事件进行加权处理 ， 但业界暂无统一的权值标准 ， 因此造成计算困难 。
由于安全设备规则集较多 ， 全面覆盖往往不现实 。在实践中 ， 通常以抽样测试方法来统计误报率 ， 即随机挑选事件库中的部分事件 ， 使用攻击工具触发这些事件 ， 或以抓包工具对捕获的包进行回放 ， 分析报警结果 ， 从而得出安全设备的误报率 。基于深度学习技术的流量安全分析 ， 降低误报率
安博通网络流量安全分析系统在传统流量采集、流量分析、流量回溯的基础上 ， 集成自研的威胁情报技术 ， 并应用深度学习技术 ， 降低误报率 。
深度学习技术是机器学习技术的一种 ， 而机器学习是实现人工智能的必经路径 。深度学习概念源于人工神经网络的研究 ， 其通过组合低层特征形成更加抽象的高层表示属性类别或特征 ， 并以发现数据的分布式特征表示 。研究深度学习的动机在于建立模拟人脑学习分析的神经网络 ， 它模拟人脑机制解释数据 ， 如图像、声音、文本等 。
文章图片
文章图片
基于深度学习的恶意文件、恶意URL、DGA域名等检测技术无需沙箱环境 ， 可以直接将样本文件转换为二维图片 ， 进而应用改造后的卷积神经网络Inception V4进行训练和检测 。Step 1：二进制文件转换
将样本文件初步处理后转换为二进制文件 ， 转换后每个字节范围在00-FF之间 ， 对应灰度图像素在0-255之间（0为黑色 ， 255为白色） 。将二进制文件转换为矩阵 ， 矩阵又可以转换为灰度图 。
文章图片
文章图片
Step 2：CNN图像识别
单靠观看很难区分恶意样本与白样本在纹理上存在的细微差异 ， 采用成熟的CNN图像识别算法可以进行图像分类 。
CNN（卷积神经网络）是一类包含卷积计算且具有深度结构的前馈神经网络 ， 是深度学习的代表算法之一 。它的构成包括：
· 输入层（Input Layer）
用三维矩阵代表一张图片 ， 矩阵的长宽表示图片的大小 ， 矩阵的深度表示图像的色彩通道 ， 黑白为1。
· 卷积层（Convolution Layer）
这一层的输入是上一层神经网络的一小块 ， 它试图对神经网络的每一小块进行更深入分析 ， 以得到抽象程度更高的特征 。一般来说 ， 本层处理后的结点矩阵深度会增加 。
· 池化层（Pooling Layer）
不改变三维矩阵的深度 ， 但能够缩小矩阵的大小 ， 达到减少参数的目的 。可以看做是将分辨率较高图片降低分辨率的过程 。
· 全连接层（Fully Connecced）
经过多轮卷积和池化后 ， 经过1-2个全连接层进行输出 。可以将卷积层、池化层看做特征提取 ， 最后由本层进行分类 。
推荐阅读
- 青年|汕头华侨试验区探索以人工智能、5G赋能产业转型升级
- 技术编程|后台权限管理设计思路：三种模型分析
- 技术编程|如何利用数据库进行世界史研究
- 行业互联网,AI人工智能|城市教育大脑以“ AI+ 大数据”为核心 , 引领教育变革
- 行业互联网|眼控科技聚焦航空气象报文，人工智能助推编发自动化
- 人工智能|哈工智能布局“AI+ROBOT”生态圈
- 人工智能|马斯克宣布，脑机接口公司将在下月重磅更新，赛博格将成为现实？
- 青年|西安邮电大学与安康汉滨区深度合作，研发适合毛绒玩具全产业链实用技术
- 人工智能|敏捷开发框架的开发运用之智能办公管理系统的开发
- 人工智能|人工智能上车就是聊天唱歌？TA还能给你有温度有情感的陪伴