面向弱监督小样本的边缘网络安全防护方法研究

边缘计算模式下网络攻击手段复杂化和自动化对网络防护提出了更高的挑战,提出一种弱监督小样本的网络安全防护方法。首先,该方法利用EfficientNet-B0方法得到多尺度、细粒度的真实告警事件特征集;然后,引入域随机化方法生成大量虚拟告警事件语义特征并采用组合方式合成大量的虚拟告警事件语义特征集,在此基础上,采用余弦相似性来筛选满足条件的虚拟告警事件语义特征集从而解决传统入侵检测方法所需要大量训练样本的难题;最后,采用增量式学习的方法来校正模型参数以解决传统入侵检测模型不适用于动态多变未知攻击场景的安全防护问题。实验表明,面对未知攻击场景,所提出的安全防护方法相较于传统方法具有更强的泛化能力,具有一定的扩展性。

面向5G网络边缘计算的安全技术方案与研究

基于5G网络中新引入的技术网元MEC的安全进行全方位研究,通过对MEC外部网络环境的安全性与其自身内部环境的安全问题进行探索,分别总结出无线侧CU/DU部署对MEC安全影响、可信域与非可信域之间传输不可靠引起的数据安全影响、部分边缘DC机房硬体环境的安全影响、NFV环境的安全影响以及第三方应用的安全影响五大场景,并在逐一研究后提出可行性解决方案。

基于动态行为与网络流量分析技术的威胁检测研究

随着网络技术的快速发展,伴随而来的是愈来愈多的新型网络威胁,传统安全防护体系也濒临失效,基于全流量威胁检测逐渐成为新型威胁检测的有效途径。在实战过程中,依靠传统的分析方式,传统安全设备通常无法对新型网络威胁的各个阶段进行有效的检测。换个角度来看攻防实战,真相往往隐藏在网络流量中。本文采用网络流量实时采集的思路,通过动态行为分析和网络流量分析技术实现新型网络威胁行为检测,有效解决了新型网络威胁的发现难题。