一种基于隐马尔可夫模型的协议识别技术

目前的协议识别技术主要是基于端口映射或静态报文特征匹配的。随着网络协议的发展,一些新的协议采用动态端口进行通信或不具有明显的静态报文特征,且部分协议采用了加密技术。这使得传统的识别技术准确率大幅下降。针对传统协议识别技术的局限性,这里提出一种基于隐马尔可夫模型(Hidden Markov Model,HMM)的协议识别技术。它是一种基于统计特性的识别方法,选用对于加密不敏感的特征如包的大小、达到时间等来实现协议的识别。实验结果证明,与传统识别技术相比,它能有效地提高协议识别的准确率,并能用于加密条件下的协议识别。

2023年全同态加密研究热点回眸

在大数据和人工智能时代,全同态加密方法被公认为是解决数据安全与隐私泄露问题的理想技术,但目前存在计算效率差、密文膨胀等问题,严重影响了全同态加密技术的应用和推广。从针对全同态加密算法的硬件加速和围绕全同态加密算法的优化2个方面,回顾了2023年计算机体系结构与密码学相关研究进展:以专用集成电路技术路线为代表的硬件加速效果明显;从算法角度进行优化,进展显著。可以预测,未来几年内,同态加密将与人工智能技术相结合,在跨行业、行业总分机构数据协作和利用中发挥更多价值。

一种基于行为特征的网络靶场大规模攻击流量生成方法

网络靶场是进行网络安全研究和攻防对抗演练的重要基础设施,生成攻击流量是网络靶场复杂行为模拟的主要组成内容。现有的攻击流量生成方法存在攻击类型有限、生成速率低下、流量内容单一等问题,难以满足网络靶场的应用需求。针对上述问题,本文提出了一种基于行为特征的网络靶场大规模攻击流量生成方法,根据攻击的动作序列和关键载荷等行为特征构建攻击模型,通过动态填充数据包模板的方式高速生成内容可变的大规模攻击流量。在此基础上,本文实现了攻击流量生成系统FATG。实验结果表明,与现有工具相比,FATG在攻击类型、可扩展性、流量内容灵活性以及生成速率等方面均存在优势,能够有效地模拟漏洞利用、拒绝服务等攻击行为支撑对网络靶场各类靶标设备的安全测试。