基于深度学习的网络恶意登录异常检测方法研究
2021-09-08宋文爱王振宇危胜军
中北大学学报(自然科学版) 2021年4期
明 泽,宋文爱,单 纯,王振宇,危胜军
(1. 中北大学 软件学院,山西 太原 030051; 2. 北京理工大学 计算机学院,北京 100081)
0 引 言
随着计算机网络的不断发展,网络安全风险成为了不法分子盗取用户信息的主要途径之一. 这些威胁可以来自于各个方面,包括恶意登陆、 恶意软件、 网络钓鱼、 端口扫描等. 恶意攻击使得未经授权的攻击者对目标计算机进行访问,从而造成进一步的破坏,如窃取机密、 知识产权以及其它商业敏感信息. 其中,高级可持续威胁攻击(Advanced Persistent Threat, APT)是最常见的网络攻击之一,它是一种隐秘的攻击,能够对各种组织和企业造成重大破坏. 例如,2010年的极光攻击(Google Aurora)是一个非常著名的APT攻击,谷歌的一名雇员点击即时消息中的一条恶意链接,引发一系列事件,导致谷歌和其他大概 20家公司的系统数据被窃取; 针对伊朗关键基础设施的臭名昭著的Stuxnet[1]摧毁了伊朗的核项目. 根据卡巴斯基实验室[2]的研究,一个名为Carbanak的后门项目,给一家金融机构造成了累计10亿美元的损失. 此外,8000多万社会安全号码被从Anthem(一家大型医疗保险公司)抽走,直到9个月后才被发现. 在这次攻击中,Mivast恶意软件[3]伪装成一个VPN软件,为攻击者提供了一个后门.
在实际应用中,网络管理员的任务就是筛选来自计算机的海量用户日志,以评估潜在的安全风险. 但是,即使是规模适中的网络,其数据量也会迅速增长,超出个人或团队的检测能力,从而导致响应延迟. 为了降低网络安全风险,以便网络管理员……
登录APP查看全文
