基于異常行為監(jiān)測(cè)和成員親密度測(cè)量的陷阱網(wǎng)絡(luò)檢測(cè)方法
【專利摘要】基于異常行為監(jiān)測(cè)和成員親密度測(cè)量的陷阱網(wǎng)絡(luò)檢測(cè)方法，步驟如下：1)網(wǎng)絡(luò)事件監(jiān)測(cè)；2)網(wǎng)絡(luò)異常事件監(jiān)測(cè)；3)網(wǎng)絡(luò)用戶親密度測(cè)量；4)網(wǎng)絡(luò)事件風(fēng)險(xiǎn)系數(shù)計(jì)算；5)網(wǎng)絡(luò)陷阱預(yù)警。本發(fā)明的方法能夠給用戶提供可靠的安全保障，還不影響用戶正常接入網(wǎng)絡(luò)，用戶既可以享受無處不在的網(wǎng)絡(luò)帶來的便利又不用擔(dān)心隨之而來的風(fēng)險(xiǎn)。
【專利說明】基于異常行為監(jiān)測(cè)和成員親密度測(cè)量的陷阱網(wǎng)絡(luò)檢測(cè)方法

【技術(shù)領(lǐng)域】
[0001] 本發(fā)明設(shè)計(jì)了一個(gè)在普適計(jì)算環(huán)境下通過網(wǎng)絡(luò)異常事件監(jiān)測(cè)和網(wǎng)絡(luò)成員親密度 測(cè)量來發(fā)現(xiàn)陷阱網(wǎng)絡(luò)的方法，屬于網(wǎng)絡(luò)安全和智能檢測(cè)及分類等數(shù)據(jù)分析【技術(shù)領(lǐng)域】。適用 于陷阱網(wǎng)絡(luò)檢測(cè)全過程信息化、智能化、規(guī)范化、流程化處理系統(tǒng)。

【背景技術(shù)】
[0002] 隨著移動(dòng)設(shè)備的普及（特別是智能手機(jī)），無線網(wǎng)絡(luò)安全方面問題也越來越凸顯。 人們?cè)谙硎苤鵁o處不在的無線網(wǎng)絡(luò)所帶來的便利性的同時(shí)也需面對(duì)越來越多的安全問題， 例如個(gè)人信息丟失、身份盜竊等等。
[0003] 帶有無線網(wǎng)絡(luò)接入功能的移動(dòng)設(shè)備（例如智能手機(jī)）正變得越來越流行，當(dāng)一個(gè) 人走在大街上或者進(jìn)入了擁有無線網(wǎng)絡(luò)的人流集中地，那么他就可以很容易的將他的設(shè)備 接入一個(gè)未知的無線網(wǎng)絡(luò)中。這對(duì)設(shè)備持有者來說是個(gè)很方便的事，但會(huì)給他的個(gè)人信息 和財(cái)產(chǎn)帶來巨大的安全隱患。如果這個(gè)未知的無線網(wǎng)絡(luò)是一個(gè)陷阱網(wǎng)絡(luò)，這個(gè)網(wǎng)絡(luò)的其它 成員屬于一個(gè)別有用心的組織，那么他們會(huì)勾結(jié)在一起來欺騙該設(shè)備持有者，設(shè)備持有者 也因此會(huì)遭受損失。
[0004] 一方面，由于用戶經(jīng)通常需要接入未知的無線網(wǎng)絡(luò)，陷阱網(wǎng)絡(luò)因此成為突破移動(dòng) 設(shè)備安全防護(hù)的重要途徑。另一方面，由于陷阱網(wǎng)絡(luò)中的騙子常以團(tuán)伙形式來欺騙用戶，因 此用戶很容易受騙。這樣的事情在現(xiàn)實(shí)生活中每天都會(huì)發(fā)生。
[0005] 舉個(gè)例子，當(dāng)一個(gè)用戶在旅途中加入一個(gè)自組網(wǎng)中，他想獲得一些本地的便宜餐 館或者紀(jì)念品商店的信息，他加入到一個(gè)本地的網(wǎng)絡(luò)中并要求獲得一些幫助，所有的其它 成員都建議同一家餐館或紀(jì)念品店，并告訴該用戶價(jià)格非常便宜，但是最后等該用戶到了 那家餐館或商店后才發(fā)現(xiàn)價(jià)格并不如建議上說的那么便宜。
[0006] 再舉一個(gè)例子，當(dāng)一個(gè)用戶加入到一個(gè)自組網(wǎng)時(shí)，該網(wǎng)絡(luò)中的一位成員給此用戶 一個(gè)低投入但高回報(bào)的投資機(jī)會(huì)，該網(wǎng)絡(luò)其它成員也強(qiáng)烈建議將此投資機(jī)會(huì)給該用戶，也 有一些成員建議該用戶抓住此投資機(jī)會(huì)。而如果你真的進(jìn)行投資的話，你就會(huì)發(fā)現(xiàn)你被欺 騙了。
[0007] "陷阱網(wǎng)絡(luò)"指一些可以自由接入并且會(huì)產(chǎn)生網(wǎng)絡(luò)詐騙的無線網(wǎng)絡(luò)或社交網(wǎng)絡(luò)。該 網(wǎng)絡(luò)的成員都是別有用心的，他們勾結(jié)在一起來引誘和欺騙受害者。詐騙罪在很多國(guó)家都 是重罪。不幸的是，這類問題幾乎每天都發(fā)生。因?yàn)橄嚓P(guān)識(shí)別方法的缺乏，它很難被我們檢 測(cè)出來。


【發(fā)明內(nèi)容】

[0008] 本發(fā)明正是為了克服上述現(xiàn)有技術(shù)存在的缺陷和不足之處，為了解決日益復(fù)雜的 普適計(jì)算網(wǎng)絡(luò)環(huán)境中存在的陷阱網(wǎng)絡(luò)問題，提供一個(gè)在普適計(jì)算環(huán)境下通過網(wǎng)絡(luò)異常事件 監(jiān)測(cè)和網(wǎng)絡(luò)成員親密度測(cè)量來發(fā)現(xiàn)陷阱網(wǎng)絡(luò)的方法。該方法提出了一個(gè)基于網(wǎng)絡(luò)風(fēng)險(xiǎn)系數(shù) 的陷阱網(wǎng)絡(luò)識(shí)別模型。通過檢測(cè)陷阱網(wǎng)絡(luò)特定的網(wǎng)絡(luò)行為模式和網(wǎng)絡(luò)成員親密度程度來 衡量加入該網(wǎng)絡(luò)的風(fēng)險(xiǎn)，當(dāng)人們加入一個(gè)未知的網(wǎng)絡(luò)時(shí)，我們就檢測(cè)異常事件，如果出現(xiàn)了 異常事件，那么我們就測(cè)算這些提出建議的成員之間的親密程度并計(jì)算出該網(wǎng)絡(luò)的風(fēng)險(xiǎn)系 數(shù)，然后根據(jù)不同級(jí)別的風(fēng)險(xiǎn)發(fā)出不同級(jí)別的警告。給用戶提供可靠的安全保障，還不影響 用戶正常接入網(wǎng)絡(luò)，用戶既可以享受無處不在的網(wǎng)絡(luò)帶來的便利又不用擔(dān)心隨之而來的風(fēng) 險(xiǎn)。
[0009] 本發(fā)明的目的是通過如下技術(shù)方案來實(shí)現(xiàn)的。
[0010] 基于異常行為監(jiān)測(cè)和成員親密度測(cè)量的陷阱網(wǎng)絡(luò)檢測(cè)方法，本發(fā)明特征在于，步 驟如下：
[0011] 1)、網(wǎng)絡(luò)事件監(jiān)測(cè)
[0012] 當(dāng)用戶要接入一個(gè)陌生網(wǎng)絡(luò)的時(shí)候，網(wǎng)絡(luò)服務(wù)器系統(tǒng)監(jiān)測(cè)該網(wǎng)絡(luò)產(chǎn)生的事件，事 件E被定義為向量E : = F。= {FpF2,F3. . . Fn}，η是屬性的數(shù)量；這些屬性包括事件發(fā)生的時(shí) 間，地點(diǎn)，參與成員，金額的多維信息，然后在服務(wù)器數(shù)據(jù)庫中更新事件的歷史記錄；由于不 同屬性對(duì)事件的影響也會(huì)有不同，屬性的影響力將被量化為不同的權(quán)重：= =
[0013] 2)、網(wǎng)絡(luò)異常事件監(jiān)測(cè)
[0014] 計(jì)算當(dāng)前事件向量和歷史事件向量之間的距離，并將此作為網(wǎng)絡(luò)事件異常系數(shù)； 第一步：如果事件數(shù)量為1，那么個(gè)人網(wǎng)絡(luò)異常事件系數(shù)計(jì)算公式為：C_a = Dis(F_c，F(xiàn)_r)， 其中，Dis(F。，匕）=I |aF「aF」|，其中，Μ · I I代表向量之間的距離，匕是歷史事件屬性； 第二步：如果事件數(shù)量超過1，采用常見的如k-mean或k-median聚類算法，將這些事件向 量分為Μ類，并存儲(chǔ)在數(shù)據(jù)服務(wù)器中，如果新的事件數(shù)量到達(dá)一個(gè)閾值后再進(jìn)行重新聚簇； 當(dāng)監(jiān)測(cè)到一個(gè)新事件后，計(jì)算新事件與每個(gè)簇中心的距離，這些距離中最短的一個(gè)將被設(shè) 定為當(dāng)前網(wǎng)絡(luò)事件的異常系數(shù)，記為C a，Ca = argMin(D)，其中：D = Dis(F。，F(xiàn)irc)，i e {1， 2,3, .. .M}，M e R，這里FiM代表第i個(gè)聚簇中心。
[0015] 3)網(wǎng)絡(luò)用戶親密度測(cè)量
[0016] 根據(jù)步驟2判斷出的異常事件，接著進(jìn)一步測(cè)量該網(wǎng)絡(luò)中所有向用戶進(jìn)行過推薦 的成員之間的親密度M= {ml，…方法是，收集一段時(shí)間內(nèi)（實(shí)驗(yàn)中采用5天）這些成員 之間的語音或者文本信息交流內(nèi)容，語音則用語音識(shí)別技術(shù)轉(zhuǎn)換為文本，利用Lovins算法 進(jìn)行主題合并和除梗預(yù)處理，將文本分割成為基本的詞，通過統(tǒng)計(jì)詞頻，將文本轉(zhuǎn)換成詞頻 集合T: = {(CpW), (c2，w2)?}，其中權(quán)重r表示詞在整個(gè)文本中出現(xiàn)的頻率；根據(jù)具體 事件的描述給出一個(gè)語義維度d，對(duì)于一個(gè)給定的片段c，其權(quán)值通過測(cè)量c和d之間的關(guān) 聯(lián)性得出：map(c, d) = rel (c, d);當(dāng)rel (c, d)的值低于一個(gè)給定的閾值λ，將其置為〇,以 過濾噪音，而一段時(shí)間的交談的總分是對(duì)應(yīng)文本中所有映射的語言片段的得分的總和；
[0017]

【權(quán)利要求】
1.基于異常行為監(jiān)測(cè)和成員親密度測(cè)量的陷阱網(wǎng)絡(luò)檢測(cè)方法，其特征在于，步驟如 下： 1) 、網(wǎng)絡(luò)事件監(jiān)測(cè) 當(dāng)用戶要接入一個(gè)陌生網(wǎng)絡(luò)的時(shí)候，該網(wǎng)絡(luò)的服務(wù)器系統(tǒng)監(jiān)測(cè)該網(wǎng)絡(luò)產(chǎn)生的事件，事 件E被定義為向量E : = F。= {FpF2,F3. . . Fn}，η是屬性的數(shù)量；這些屬性包括事件發(fā)生的時(shí) 間，地點(diǎn)，參與成員，金額的多維信息，然后在服務(wù)器數(shù)據(jù)庫中更新事件的歷史記錄；由于不 同屬性對(duì)事件的影響也會(huì)有不同，屬性的影響力將被量化為不同的權(quán)重：《 = =1}; 2) 、網(wǎng)絡(luò)異常事件監(jiān)測(cè) 計(jì)算當(dāng)前事件向量和歷史事件向量之間的距離，并將此作為網(wǎng)絡(luò)事件異常系數(shù)；第一 步：如果事件數(shù)量為1，那么個(gè)人網(wǎng)絡(luò)異常事件系數(shù)計(jì)算公式為：C_a = Dis(F_c，F(xiàn)_r)，其 中，Dis(F。，F(xiàn),) = I |aF「aF,| |，其中，Μ · I I代表向量之間的距離，F(xiàn),是歷史事件屬性；第 二步：如果事件數(shù)量超過1，采用常見的聚類算法，將這些事件向量分為Μ類，并存儲(chǔ)在數(shù)據(jù) 服務(wù)器中，如果新的事件數(shù)量到達(dá)一個(gè)閾值后再進(jìn)行重新聚簇；當(dāng)監(jiān)測(cè)到一個(gè)新事件后，計(jì) 算新事件與每個(gè)簇中心的距離，這些距離中最短的一個(gè)將被設(shè)定為當(dāng)前網(wǎng)絡(luò)事件的異常系 數(shù)，記為 Ca，Ca = argMin(D)，其中：D = Dis(Fc，F(xiàn)irc)，i e {1，2,3, · · ·Μ}，M e R，這里Firc 代表第i個(gè)聚簇中心； 3) 網(wǎng)絡(luò)用戶親密度測(cè)量 根據(jù)步驟2判斷出的異常事件，接著進(jìn)一步測(cè)量該網(wǎng)絡(luò)中所有向用戶進(jìn)行過推薦的 成員之間的親密度M = {ml，方法是，收集一段時(shí)間內(nèi)這些成員之間的語音或者文本 信息交流內(nèi)容，語音則用語音識(shí)別技術(shù)轉(zhuǎn)換為文本，利用Lovins算法進(jìn)行主題合并和除梗 預(yù)處理，將文本分割成為基本的詞，通過統(tǒng)計(jì)詞頻，將文本轉(zhuǎn)換成詞頻集合T:= {(Cl，Wl)， (c2, w2)···}，其中權(quán)重^表示詞&在整個(gè)文本中出現(xiàn)的頻率；根據(jù)具體事件的描述給出一 個(gè)語義維度d，對(duì)于一個(gè)給定的片段c，其權(quán)值通過測(cè)量c和d之間的關(guān)聯(lián)性得出：map (c，d) = rel(C，d);當(dāng)rel(C，d)的值低于一個(gè)給定的閾值λ，將其置為〇,以過濾噪音，而一段時(shí) 間的交談的總分是對(duì)應(yīng)文本中所有映射的語言片段的得分的總和； score(t) =
vmap(c^d) 所有推薦成員Μ = {ml，...}間的親密度就是總分的平均值UM(t);
4) 網(wǎng)絡(luò)事件風(fēng)險(xiǎn)系數(shù)計(jì)算 根據(jù)步驟3的計(jì)算結(jié)果，綜合網(wǎng)絡(luò)異常事件系數(shù)和網(wǎng)絡(luò)成員間親密度系數(shù)來計(jì)算網(wǎng)絡(luò) 危險(xiǎn)系數(shù)： Rt = fftCa+(l-fft) Closeness (Μ) 其中，Rt是陷阱網(wǎng)絡(luò)的風(fēng)險(xiǎn)系數(shù)，（；是網(wǎng)絡(luò)異常事件系數(shù)，P是成員親密度系數(shù)，1,是 Ca的權(quán)重； 5) 網(wǎng)絡(luò)陷阱預(yù)警 根據(jù)步驟4的計(jì)算結(jié)果，設(shè)定多個(gè)閾值來判定風(fēng)險(xiǎn)的級(jí)別，同時(shí)根據(jù)風(fēng)險(xiǎn)系數(shù)Rt來向 用戶發(fā)出警告信息或者對(duì)他提出建議；第一級(jí)別風(fēng)險(xiǎn)：如果風(fēng)險(xiǎn)系數(shù)的值低于0. 2,這代表 著該網(wǎng)絡(luò)符合歷史網(wǎng)絡(luò)事件，人們可以信任這個(gè)網(wǎng)絡(luò)；第二級(jí)別風(fēng)險(xiǎn)：如果風(fēng)險(xiǎn)系數(shù)級(jí)別 的值在〇. 2和0. 5之間，那么用戶就需要在安全模式下接入這個(gè)網(wǎng)絡(luò)，并且要有選擇地接受 信息；第三級(jí)別風(fēng)險(xiǎn)：如果風(fēng)險(xiǎn)系數(shù)級(jí)別的值在〇. 5至0. 8之間，那就表明這個(gè)網(wǎng)絡(luò)中包含 重大風(fēng)險(xiǎn)，用戶需要限制與網(wǎng)絡(luò)其它成員的聯(lián)系，系統(tǒng)也會(huì)在每次信息交換時(shí)發(fā)出警告信 息；第四級(jí)別風(fēng)險(xiǎn)：如果風(fēng)險(xiǎn)系數(shù)值高于〇. 8,那就表明這個(gè)網(wǎng)絡(luò)完全不可信任，系統(tǒng)會(huì)終 止接入該網(wǎng)絡(luò)并且發(fā)出積極警告。
【文檔編號(hào)】H04L29/06GK104301330SQ201410596589
【公開日】2015年1月21日 申請(qǐng)日期:2014年10月29日 優(yōu)先權(quán)日:2014年10月29日
【發(fā)明者】張德海, 張德剛 申請(qǐng)人:云南大學(xué)