国产成人毛片毛片久久网_国产午夜激无码av毛片不_国产乱对白精彩在线播放_av资源站中文字幕_亚洲男人的天堂网站_国产成 人 综合 亚洲网_中国国产激情一区_少妇一级淫片免费放_亚洲一本大道av久在线播放_免费观看美女裸体网站

無論從網(wǎng)絡(luò)安全的攻擊或是防護(hù)視角，信息的采集和甄別都至關(guān)重要，其中主機(jī)的系統(tǒng)類型是關(guān)鍵出發(fā)點。在以往經(jīng)驗中，根據(jù)操作系統(tǒng)類型往往能夠大致判斷其存在的風(fēng)險點及風(fēng)險類型，因此，識別主機(jī)操作系統(tǒng)類型對系統(tǒng)網(wǎng)絡(luò)安全防護(hù)具有極其重要的意義。

操作系統(tǒng)識別方法

識別方法概述

目前最廣泛的操作系統(tǒng)識別方法是基于規(guī)則匹配，例如操作系統(tǒng)識別工具Nmap、P0f、Xprobe2等。Nmap對操作系統(tǒng)的識別主要依靠其維護(hù)的操作系統(tǒng)指紋庫nmap-os-db，Xprobe2等其他工具同樣基于自身構(gòu)建的指紋庫進(jìn)行操作系統(tǒng)類型的識別。

基于規(guī)則的匹配方法主要是通過獲取網(wǎng)絡(luò)中傳輸和接收的數(shù)據(jù)包信息來與已創(chuàng)建的規(guī)則進(jìn)行特征匹配，具有識別速度快的優(yōu)勢。但是，由于網(wǎng)絡(luò)安全設(shè)備(防火墻、IDS等)和防護(hù)策略等原因，部分場景下收集到的數(shù)據(jù)包中沒有足夠的操作系統(tǒng)指紋信息，操作系統(tǒng)類型識別準(zhǔn)確率較低，甚至無法識別。指紋數(shù)據(jù)庫冗余度高，對于某一測試的操作系統(tǒng)指紋可能出現(xiàn)兩個或者多個匹配項，從而無法確定該指紋屬于哪一類操作系統(tǒng)；對于未出現(xiàn)在指紋數(shù)據(jù)庫中的操作系統(tǒng)類型則無法進(jìn)行匹配識別。

基于深度學(xué)習(xí)的識別方法

為了克服現(xiàn)有“基于規(guī)則匹配方法”的弊端，提升主機(jī)操作系統(tǒng)識別的準(zhǔn)確率，我們嘗試了一種基于深度學(xué)習(xí)的主機(jī)操作系統(tǒng)識別方法。通過主動向操作系統(tǒng)發(fā)送探測包，分析從目標(biāo)主機(jī)返回的數(shù)據(jù)包信息，并提取其響應(yīng)特征，建模學(xué)習(xí)得到識別模型，進(jìn)一步利用模型識別操作系統(tǒng)類型。

特征提取

通過主動向目標(biāo)主機(jī)發(fā)送多個“精心構(gòu)造”的數(shù)據(jù)包，包括TCP/IP數(shù)據(jù)包，ICMP數(shù)據(jù)包，UDP數(shù)據(jù)包等，執(zhí)行五種不同的測試，目標(biāo)主機(jī)對每個數(shù)據(jù)包做出響應(yīng)。五種測試包括：序列生成，ICMP回顯，TCP顯式擁塞通知，TCP測試和UDP測試。每種測試會得到不同數(shù)量的響應(yīng)行數(shù)據(jù)，共計13個響應(yīng)行。其中，序列生成測試通過發(fā)送TCP數(shù)據(jù)包生成4個響應(yīng)行；ICMP回顯測試通過發(fā)送ICMP請求報文到目標(biāo)主機(jī)，生成1個響應(yīng)行，TCP顯式擁塞通知測試發(fā)送一個TCPSYN數(shù)據(jù)包，生成一個響應(yīng)行；TCP測試會發(fā)送6個具有特定設(shè)置的TCP數(shù)據(jù)包生成6個響應(yīng)行；UDP測試發(fā)送特殊構(gòu)造的UDP數(shù)據(jù)包到已知關(guān)閉的端口，根據(jù)返回的響應(yīng)信息，生成一個響應(yīng)行。分析每個響應(yīng)行的信息并提取其特征，生成該主機(jī)操作系統(tǒng)的形如[13,36]的二維指紋特征向量。

建模

基于深度學(xué)習(xí)的操作系統(tǒng)本質(zhì)為將二維特征向量經(jīng)過非線性變換映射到操作系統(tǒng)類型空間中。其網(wǎng)絡(luò)結(jié)構(gòu)如下：

Attention層對響應(yīng)行中的特征進(jìn)行權(quán)重的分配，賦予對結(jié)果識別結(jié)果有較大影響的特征更大的權(quán)重：

實驗結(jié)果

從網(wǎng)絡(luò)上隨機(jī)收集操作系統(tǒng)數(shù)據(jù)作為測試數(shù)據(jù)，基于該測試數(shù)據(jù)，我們的模型評估指標(biāo)Acc為0.95。同時，我們增加了對比實驗，在相同的測試數(shù)據(jù)上，對比卷積神經(jīng)網(wǎng)絡(luò)（CNN）、循環(huán)神經(jīng)網(wǎng)絡(luò)（RNN）、循環(huán)卷積神經(jīng)網(wǎng)絡(luò)（RCNN）、卷積神經(jīng)網(wǎng)絡(luò)-注意力機(jī)制（AttentionConvNet）的檢測結(jié)果，對比結(jié)果如下：

總結(jié)

網(wǎng)絡(luò)空間發(fā)展日新月異，復(fù)雜繁多的網(wǎng)絡(luò)安全問題也層出不窮。日益增長的網(wǎng)絡(luò)安全需求促使著相關(guān)研究人員將機(jī)器學(xué)習(xí)、深度學(xué)習(xí)算法應(yīng)用于更多更廣的網(wǎng)絡(luò)安全領(lǐng)域。近年來，基于AI的網(wǎng)絡(luò)安全研究成果不斷出現(xiàn)在各類文獻(xiàn)和報道中，很多研究成果成功落地并取得了良好效果。目前，利用人工智能（AI）技術(shù)解決網(wǎng)絡(luò)安全問題已成為必然的發(fā)展趨勢，基于AI的網(wǎng)絡(luò)安全技術(shù)是一項創(chuàng)新且富有挑戰(zhàn)性的工作，我們也將與更多先行者同行，不斷創(chuàng)造突破性技術(shù)，專注人工智能在網(wǎng)絡(luò)攻防安全領(lǐng)域的應(yīng)用研究，讓網(wǎng)絡(luò)攻防更智能。