网络攻击行为混杂建模及检测技术研究

本项目针对网络攻击行为的随机性、隐蔽性等特点，基于微分包含理论、非线性动力学建立网络行为的连续变量动态系统模型；采用人工神经网络、协议分析技术和DEVS方法建立攻击行为的离散事件动态系统模型；应用混杂系统理论将连续/离散模型有机融合，建立基于接口的混杂模型，进而实现网络攻击行为再现与检测。主要包括：提出链路吞吐率的动力学模型，将网络各级节点间的行为与系统平台、用户、网络服务相关的行为结合起来，分析攻击事件对网络正常状态的影响；提出基于广义Hebb规则的在线学习和检测算法，不仅可以避免过拟合情况发生，而且利用结构风险最小化原则实现分布式学习，克服高速网络环境和海量数据带来的高误报率等问题；在混杂模型基础上，提出基于黑板结构的攻击场景再现算法，研发攻击行为检测系统。本项目不仅为网络攻击行为的研究开辟新的视角、引入新的理论框架和应用方法，而且为拥塞控制、QoS等从安全角度进行研究提供理论支撑。

本项目针对网络攻击行为的随机性、隐蔽性等特点，基于博弈理论、非线性动力学建立了网络行为的连续变量动态系统模型；采用动态互信息、协议分析技术和DEVS方法建立了攻击行为的离散事件动态系统模型；应用混杂系统理论将连续/离散模型有机融合，建立了基于动态博弈的混杂模型，进而实现网络攻击行为再现与检测。成果主要包括：提出了链路吞吐率的动力学模型，将网络各级节点间的行为与系统平台、用户和网络服务相关的行为结合起来，分析了攻击事件对网络正常状态的影响；提出了基于信息论的攻击特征选择算法和在线集成学习的检测算法，不仅可以避免过拟合情况发生，而且利用结构风险最小化原则实现分布式学习，克服高速网络环境和海量数据带来的高误报率等问题；在混杂模型基础上，提出了基于黑板结构的攻击场景再现算法，研发了攻击行为检测系统。本项目不仅为网络攻击行为的研究开辟新的视角、引入新的理论框架和应用方法，而且为拥塞控制、QoS等从安全角度进行研究提供理论支撑。