本發明涉及網絡安全智能監控方案設計，具體涉及一種網絡安全智能監控方法及系統、電子設備。

背景技術：

1、隨著信息技術的飛速發展，網絡安全問題日益嚴峻。現有技術中的網絡安全智能監控方案存在一些未解決的技術問題。例如，在面對復雜多變的網絡攻擊時，現有的監控方案往往存在誤報率較高的情況。這是由于單一的特征匹配或者簡單的規則引擎難以準確區分正常網絡行為和新型攻擊行為，尤其是對于經過加密或者偽裝的攻擊流量，容易將其誤判為正常流量或者錯誤地判定為已知類型的攻擊。同時，在大規模網絡環境下，監控系統的處理效率較低，難以實時對海量的網絡數據進行有效的分析處理，導致監控存在滯后性，無法及時對網絡安全威脅做出響應。另外，現有的監控方案缺乏自適應能力，不能根據網絡環境的動態變化(如網絡拓撲結構的改變、新的網絡應用的出現等)及時調整監控策略，從而影響監控的準確性和有效性。

2、因此，現有技術還有待進一步發展。

技術實現思路

1、本發明的目的在于克服上述技術不足，提供一種網絡安全智能監控方法及系統、電子設備，以解決現有技術存在的問題。

2、為達到上述技術目的，根據本發明的第一方面，本發明提供了一種網絡安全智能監控方法，包括：

3、s1、數據采集步驟：從網絡中的多個數據源采集網絡數據，所述數據源包括網絡設備、服務器和終端設備，采集的數據包括網絡流量數據、系統日志數據和應用程序日志數據；

4、s2、數據預處理步驟：對采集到的網絡數據進行預處理，所述預處理包括數據清洗、格式統一和特征提取，其中特征提取包括基于深度學習算法提取網絡流量數據的深層特征；

5、s3、行為分析步驟：采用基于機器學習的行為分析模型對預處理后的數據進行行為分析，所述行為分析模型通過訓練數據集進行訓練，訓練數據集中包含正常網絡行為數據和已知類型的異常網絡行為數據，行為分析模型能夠識別正常網絡行為和異常網絡行為，并確定異常網絡行為的類型；

6、s4、實時監控與決策步驟：實時監控分析結果，當判定為異常網絡行為時，根據異常行為的類型和嚴重程度，結合預定義的策略進行決策，決策結果包括報警、阻斷連接或者調整網絡訪問權限；

7、s5、自適應調整步驟：持續監測網絡環境的變化，根據網絡環境的變化自動調整行為分析模型的參數或者更新訓練數據集。

8、具體的，在所述行為分析步驟中，所述基于機器學習的行為分析模型為集成學習模型，由多個不同的基礎機器學習模型組合而成，每個基礎機器學習模型對數據進行不同角度的分析，綜合各基礎模型的結果以提高行為分析的準確性。

9、具體的，在所述數據采集步驟中，所述網絡流量數據的采集是通過網絡嗅探技術或者流量鏡像技術實現的。

10、具體的，在所述數據預處理步驟中，所述特征提取包括提取網絡流量數據的時序特征、包頭特征和協議特征。

11、具體的，在所述實時監控與決策步驟中，所述報警信息包含詳細的異常網絡行為特征、相關的源ip地址和目的ip地址以及可疑時間戳。

12、具體的，在所述實時監控與決策步驟中，所述報警方式包括聲音報警、郵件報警和短信報警中的至少一種。

13、具體的，在所述自適應調整步驟中，當網絡環境發生變化時，通過采集新環境下的網絡數據作為新的訓練樣本，對行為分析模型的參數進行微調或者重新訓練模型的一部分結構，從而更新行為分析模型。

14、具體的，在所述行為分析步驟中，所述異常網絡行為的類型包括網絡攻擊行為、惡意軟件活動行為和異常的用戶訪問行為。

15、根據本發明的第二方面，提供一種網絡安全智能監控系統，包括：

16、數據采集模塊：用于從網絡中的多個數據源采集網絡數據，所述數據源包括但不限于網絡設備、服務器和終端設備，采集的數據包括網絡流量數據、系統日志數據和應用程序日志數據；

17、數據預處理模塊：用于對采集到的網絡數據進行預處理，所述預處理包括數據清洗、格式統一和特征提取，其中特征提取包括基于深度學習算法提取網絡流量數據的深層特征；

18、行為分析模塊：用于采用基于機器學習的行為分析模型對預處理后的數據進行行為分析，所述行為分析模型通過訓練數據集進行訓練，訓練數據集中包含正常網絡行為數據和多種已知類型的異常網絡行為數據，行為分析模型能夠識別正常網絡行為和異常網絡行為，并確定異常網絡行為的類型；

19、實時監控與決策模塊：用于實時監控分析結果，當判定為異常網絡行為時，根據異常行為的類型和嚴重程度，結合預定義的策略進行決策，決策結果包括報警、阻斷連接或者調整網絡訪問權限；

20、自適應調整模塊：用于持續監測網絡環境的變化，根據網絡環境的變化自動調整行為分析模型的參數或者更新訓練數據集，以提高監控系統的自適應能力。

21、根據本發明的第三方面，提供一種電子設備，包括：存儲器；以及處理器，所述存儲器上存儲有計算機可讀指令，所述計算機可讀指令被所述處理器執行時實現上述的網絡安全智能監控方法。

22、有益效果：

23、1.有效降低誤報率

24、本發明通過從多個數據源(網絡設備、服務器和終端設備)全面采集網絡數據，并采用基于深度學習算法進行特征提取，能夠挖掘出網絡流量數據的深層特征。結合集成學習模型，由多個不同的基礎機器學習模型從不同角度對數據進行分析，綜合各模型結果，充分考慮了數據的多種特征和潛在模式，使得對網絡行為的分析更加全面和深入。這種多特征融合與深度分析的方式能夠更準確地區分正常網絡行為和異常網絡行為，尤其是對于新型攻擊行為和經過加密或偽裝的攻擊流量，有效降低了誤報率，避免將正常流量錯誤判定為異常或反之。本發明在對異常網絡行為類型的判斷上，不僅關注網絡攻擊行為，還涵蓋了惡意軟件活動行為和異常的用戶訪問行為等多種類型，并對每種類型進行了細致的劃分和準確識別。這種多維度的行為分析體系能夠更精準地定位和識別異常情況，提高了行為分析的準確性，進一步降低了誤報率。

25、2.顯著提升處理效率

26、本發明的監控方案采用集成化的處理流程，從數據采集、預處理到行為分析、實時監控與決策以及自適應調整，各個環節緊密協同、高效運作。數據預處理步驟中的格式統一和特征提取操作能夠優化數據格式，為后續的分析提供高效的數據結構；集成學習模型的應用提高了行為分析的速度和準確性；實時監控與決策模塊能夠快速響應異常情況，避免了傳統監控系統中常見的滯后性問題，使得監控系統能夠在大規模網絡環境下實時對海量網絡數據進行有效的分析處理。本發明的系統具備自適應能力，能夠持續監測網絡環境的變化并自動調整行為分析模型的參數或更新訓練數據集。這種動態調整機制使得模型能夠快速適應新的網絡應用、技術變革和攻擊手段的變化，無需人工頻繁干預即可保持最佳性能，進一步提升了監控系統的處理效率和適應能力。

27、3.增強監控的自適應能力

28、本發明提供的自適應調整模塊能夠實時捕捉網絡環境的各種變化，如新增網絡應用、網絡拓撲結構調整等。通過對新環境下的網絡數據進行自動采集和分析，確保監控系統始終關注到最新的網絡安全態勢，為及時做出準確的決策提供了基礎。當發現網絡環境變化時，系統采用增量學習和模型調整策略，能夠快速微調行為分析模型的參數或重新訓練模型的一部分結構，使模型能夠迅速適應新環境的挑戰。這種動態優化能力確保了監控系統在不同網絡環境下都能保持高度的自適應性和有效性，為用戶提供持續的、可靠的網絡安全防護。

29、4.豐富且靈活的報警與決策機制

30、本發明在報警信息的生成方面，包含了詳細的異常網絡行為特征、源ip地址和目的ip地址以及可疑時間戳等關鍵信息，為管理員提供了全面且準確的異常情況描述。這種豐富的報警信息有助于管理員快速定位和理解安全事件，縮短故障響應時間。本發明支持多種報警方式，如聲音報警、郵件報警和短信報警等，管理員可以根據實際需求和場景靈活選擇報警方式，確保在面對不同級別的安全事件時能夠及時接收到報警信息并采取相應的措施。這種靈活性增強了監控系統的實用性，提高了網絡安全應急響應的效率。

31、綜上所述，本發明的網絡安全智能監控方案在降低誤報率、提升處理效率、增強自適應能力以及豐富報警與決策機制等方面具有顯著優勢，能夠為網絡安全領域提供更可靠、高效的監控解決方案。