(19)中华 人民共和国 国家知识产权局 (12)发明 专利申请 (10)申请公布号 (43)申请公布日 (21)申请 号 202111517688.7 (22)申请日 2021.12.13 (71)申请人 四川启睿 克科技有限公司 地址 610000 四川省成 都市中国 （四川） 自 由贸易试验区成都高新区天府四街 199号1栋33层 (72)发明人 张文静　 (74)专利代理 机构 四川省成 都市天策商标专利 事务所(有限合 伙) 51213 代理人 刘兴亮 (51)Int.Cl. H04L 9/40(2022.01) H04L 41/14(2022.01) G06F 30/27(2020.01) G06N 3/04(2006.01) (54)发明名称 一种web攻击溯源方法 (57)摘要 本发明公开了一种web攻击溯源方法， 通过 把采集到的web攻击 特征， 包括攻击路线， 攻击手 段等以标准化流的方法进行web攻击溯源， 通过 一系列可逆变换函数将一个简单的分布转化为 一个复杂的分布； 在一串变换中， 将变量变换定 理重复地进行变量替换， 并最终得到目标变量即 目标攻击者的概率分布； 标准化流模 型具有良好 的可逆性和可微性， 可对web攻击手段， 攻击路径 及其变种样 本进行计算及概率分布进行追踪， 从 而达到web攻击溯源的目的， 提升web攻击溯源准 确率。 权利要求书2页 说明书5页 附图1页 CN 114221802 A 2022.03.22 CN 114221802 A 1.一种web攻击溯源方法， 其特 征在于， 包括以下步骤： 步骤1， 搜集大量已知web 攻击样本， 建立web 攻击样本数据集x∈Xi， 定义样本为连续均 匀分布的向量； 步骤2， 逆变换采样， 以雅可比矩阵行列式的方式读取样本数据集中的向量， 建立双射 函数f， 通过双射函数经过一系列的可逆映射把原始分布转换成新的分布， 每个双射函数可 以写成一个网络的层， 建立原 始分布和新分布之间双向可逆通道； 步骤3， Tensorflow转换分布， 把拟合真实数据的分布问题变成拟合变换后的概率对数 密度问题； 逆变换采样后分布f(x)其概率密度函数值为P(x)， 因为在i维空间中x与y一一对 应， 所以从dx体积映射到dy体积时， 体积内包含的概率之和不变， 那么被积分的部 分绝对值 必定处处相等， 此处采用Tensorflow的标准化转换分布， 约定其概率值的积分等于1， 保证 其概率的变化守恒； ∫P(X)dx＝1＝ ∫P(Y)dy 则其概率密度函数为： P(x)＝P(y) ·|detJ(f‑1(y))|； |detJ(f‑1(y))|为局部线性变换对应的体积变化， J(f‑1(y))代表雅各比矩阵的逆， 是 d (x)/d(y)的高维变种； 假设有多个变换f， 对应不同的网络层映射变换， 此处引入雅各 比矩阵的逆对数行列 式， 评估转换后分布的对数密度； logP(X)＝ logP(Y)+l og|detJ(f‑1(y))| 通过优化 这一系列分布， 实现将简单的高斯分布转换为复杂的真实后验分布； 步骤4， 使用最大似然法则， 寻找一个值使这个采样的 “可能性”最大化， 最接近原始数 据分布， 最大化样本的对数概率期 望来训练样 本， 而这些样本均是从步骤3中真实数据的分 布采样出来； 假设在k个变换f中， 通过对变换后的概率密度评估计算其最大似然数据集合为θ＝ {0.2， 0.3， 0.8， 0.6， 0.9， . .....， K}， 将其作为训练参数 带入到步骤5； 步骤5， 搭建标准化流模型， 采用步骤1至步骤4来建模可逆神经网络可逆变换f， 利用最 大似然法则作为目标函数来训练可逆神经网络的参数。 2.如权利要求1所述的一种web攻击溯源方法， 其特征在于， 所述步骤1中， 攻击样本包 括攻击手段， 攻击结果， 网络代理。 3.如权利要 求1所述的一种web攻击溯源方法， 其特征在于， 所述步骤2中， 给定样本 Xi在 i维空间存在一个逆 变换f， 对 于不同的x， 存在随机变 量y＝f(x)； 对 应的随机变 量f‑1(y)跟x 有相同的分布； 前向映射， y＝f(x)， f从Xi维实空间映射到Yi维实空间， 定义神经网络的结构 和前向传播的结果； 对应的反向映射x＝f‑1(y)， 通过分布f(x)的逆变换来 生成随机样本 。 4.如权利要求1所述的一种web攻击溯源方法， 其特征在于， 所述步骤2中， 给定逆变换 f， 设有一个二维向量 那么变换f的雅可比矩阵Jf；权　利　要　求　书 1/2 页 2 CN 114221802 A 2变换f的逆变换f‑1， f‑1的雅可比矩阵 互为逆变换的f和f‑1， 其对应的雅可比矩阵Jf与 互为逆矩阵， 由此建立双射函数的 前向映射及反射映射。权　利　要　求　书 2/2 页 3 CN 114221802 A 3