本发明涉及互联网隐私保护，具体为一种隐私保护下ip黑名单局部协同预测方法。
背景技术：
1、自互联网社区诞生以来，对抗恶意网络流量的一种广泛应用的防御实践是通过黑名单，即列出最频繁发起攻击的源地址，将其整理、分享，并最终禁止其访问网络，用于阻止不受欢迎的网络内容、垃圾邮件生成者以及网络钓鱼网站，多年来，这种传统的黑名单策略一直在网络上进行沿用。然而，面对现在日益复杂且多样的网络攻击，传统的被动黑名单策略已经无法满足当前严峻的网络安全挑战。因此，理想的ip黑名单应该具有预测性的，即包含未来将会出现的许多恶意来源以及尽可能少的误报，但是建立准确的预测模型需要海量数据，网络安全研究人员提出采用协同预测的手段来解决上述问题，即协同预测ip黑名单。协同预测ip黑名单技术根据其预测目的和数据共享范围可分为全局ip黑名单协同预测和局部ip黑名单协同预测。
2、1.ip黑名单全局协同预测方法：该方法依赖于一个受信第三方来收集所有数据，所有的参与组织向受信第三方提供数据，受信任的第三方对大量的跨组织数据进行分析，并预测出ip黑名单列表。组织订阅受信第三方发布的黑名单列表用于防御网络攻击。
3、2.ip黑名单局部协同预测方法：该方法不依赖于一个受信第三方收集所有数据，每个参与组织根据自身的受威胁状况，与协作方共享与自身组织相关性高的警报数据，预测后生成高度适应于本地环境的预测性黑名单列表来防御网络攻击。
4、本发明的目的是提供一种隐私保护下ip黑名单局部协同预测方法，针对现有的ip黑名单局部协同预测方案存在的问题，旨在改善其协同方式、提高预测能力、优化隐私保护方案。具体来说：通过引入区块链和访问控制机制实现协同方式的去中心化；通过引入强化学习并对环境数据实现增量式的输入，同时定期剔除过期的警报数据实现动态预测窗口，来改善预测性能；通过使用交换加密与零知识证明技术来优化隐私保护方案，提高系统的安全性。
技术实现思路
1、针对背景技术中提到的问题，本发明的目的是提供一种隐私保护下ip黑名单局部协同预测方法，以解决背景技术中提到的问题。
2、本发明的上述技术目的是通过以下技术方案得以实现的：整个协同预测架构的具体流程如下：
3、1)参与用户注册成为区块链的一个成员，用户通过区块链进行协同；
4、2)协同参与用户分别使用自己的密钥加密信息，并传输给区块链系统；
5、3)区块链系统使用密钥对协同参与用户的密文再次加密，并存储到数据库中；
6、4)每个用户可以从区块链系统中取得数据，并验证数据是否被篡改，其他用户也可以根据访问控制权限验证信息是否被篡改；
7、5)每个用户使用自己的密钥对区块链系统加密后的信息进行解密(依据交换加密的性质)，然后得到区块链系统加密的数据；
8、6)用户之间进行对信息传递，并进行数据匹配；
9、7)匹配之后，用户就可以获得与其他用户数据的交集大小、以及交集数据；
10、8)然后用户可以将交集数据、交集大小传输给区块链系统；
11、9)区块链系统可以使用k-means算法对交集大小进行聚类，形成协同组，并告知用户其协作参与方。
12、10)用户依据访问控制权限获取协同组内数据。
13、11)每个用户结合共享数据和自身数据使用强化学习技术预测生成ip黑名单用于防御网络攻击。
14、2.根据权利要求1所述的一种隐私保护下ip黑名单局部协同预测方法，其特征在于：访问控制权限的具体流程：
15、1)数据所有者即参与用户,对数据进行访问控制权限acl分配，并对数据采用属性加密机制得到数据的访问控制权限，密文，以及信息的hash；
16、2)数据所有者，将访问控制权限，密文hash存储到区块链上；
17、3)同时用密文的hash作为key，value是真正的信息的密文，并存储到链下数据库；
18、4)数据索取者(参与用户)得到数据的hash,通过hash验证数据是否被篡改，并将hash对应的密文从链下读取到，以此解密得到明文m。
19、3.根据权利要求1所述的一种隐私保护下ip黑名单局部协同预测方法，其特征在于：在协同预测ip黑名单中引入强化学习技术，利用强化学习的奖励机制：对正确的预测给予奖励，而对错误的预测给予惩罚，让模型倾向于采取能使得真阳性尽可能多、假阳性尽可能少的预测选择，从而改善误报率；并通过动态更新环境实现动态预测窗口：环境依据网络警报数据实现增量式的输入，从而捕获较长时间跨度的恶意行为和信息，整个预测框架主要分为两个部分：智能体构建模块和预测模块；
20、(1)智能体构建模块：将协同预测ip黑名单视为一项强化学习任务。即将协同预测ip黑名单中的各种事件视为学习过程中的状态和动作，通过奖励或者惩罚来指导只能道理进行有效的学习和适应，让模型倾向于采取能使得真阳性尽可能多，假阳性尽可能少的预测选择，从而改善误报率，参数定义如下：
21、环境environment：定义为组织的入侵检测系统产生的警报数据，保持增量式的输入并且定期更新；
22、状态state：环境中的每个警报ip地址和ip地址的相关特征，状态通过特征工程方法被表示为特征向量输入到预测模型中；
23、动作action：在每个状态下，可以采取的动作，将某个ip标记为黑名单ip、将某个ip标记为正常；
24、奖励action：强化学习智能体根据当前环境状态通过给定动作输出获得的奖励或者惩罚；
25、(2)预测模块：该模块主要负责预测ip黑名单，模块首先从被监控的环境接收警报数据事件作为输入，这些收集到的数据随后被表示为一个特征向量，特征向量是通过特征提取模块提取的，提取的特征向量被送入生产环境中部署的强化学习智能体作为输入，然后，该智能体将特征向量视为环境状态并应用代理策略及其底层的机器学习模型，智能体输出预测结果，形成预测性黑名单。
26、4.根据权利要求1所述的一种隐私保护下ip黑名单局部协同预测方法，其特征在于：使用交换加密技术和零知识证明技术对现有的隐私保护协议进行优化，同时利用区块链架构实现去中心化信任，设计了面向ip黑名单局部协同预测的隐私保护协议；
27、其中，交换加密技术：构建基于交换加密技术的不经意伪随机函数，隐藏用户和区块链之间的交互，利用交换加密的性质，不需要用户之间共享相同的密钥，也不需要执行复杂的密钥管理协议，使得用户和区块链系统的密钥管理更简单，同时因为用户之间不再共享相同的密钥，这使可以提高系统的安全性；
28、零知识证明技术：针对区块链系统的操作进行验证：采用零知识证明技术来实现可验证的不经意伪随机函数，允许用户验证区块链系统是否正确地执行了协议，从而改变之前对中心化可信第三方的依赖。
29、5.根据权利要求4所述的一种隐私保护下ip黑名单局部协同预测方法，其特征在于：隐私保护协议具体流程如下：
30、一、密钥设置过程：每个用户生成一个单独的密钥x，区块链系统生成唯一密钥y，分别用于随机化和盲化，区块链系统还生成一对公钥α0∶＝g,β0∶＝gy，并将这个公钥会给所有的用户:公钥是在零知识证明中用于防止区块链系统对不同的客户使用不同的密钥；
31、二、泛化和随机化过程:
32、1.用户对ip地址进行划分，做到保留前缀并进行随机化：得到：αi＝fx(ipi)。对其他属性由加密算法进行泛化。
33、2.并将这个随机化后的序列发给区块链系统。
34、三、盲化和证明过程:
35、1.区块链系统对收到的随机化序列进行盲化处理：βi＝fy(αi)。用户通过区块链系统取得；
36、2.用户和区块链系统执行零知识证明协议过程；
37、2.1用户生成随机数ri←r[1,2λ],for each i∈[0,n]。并将i发送给服务器节点。
38、2.2区块链系统计算：u和v：v＝uy；
39、2.3服务器生成随机数s，并计算t1和t2：s←r[1,q-1],t1＝us,
40、2.4服务器将u,v,t1,t2发送给协同节点；
41、2.5协同节点选择随机数c并发送给服务器：c←r[1,q-1]；
42、2.6服务器计算t并输出证明π:t＝s-c·y，π＝t；
43、四、验证和去随机化过程：
44、1.用户验证发过来的π；
45、2.用户对盲化数据进行去随机化操作：
46、五、数据匹配过程：
47、这样每个用户都得到了通过区块链系统加密的ip值:δi，这样用户之间就可以匹配相关数据和相关数据大小，而不泄露其他的警报数据；
48、六、数据上传过程：
49、一旦找到匹配项，协同节点将匹配数据、匹配数据大小上传至链上，并可以请求匹配的ip数据以及对应的其他非身份属性的数据。
50、综上所述，本发明主要具有以下有益效果：
51、一：本发明是区块链技术在局部协同预测ip黑名单领域的首次尝试。利用区块链技术的分布式特性，构建分布式系统，每个组织(即用户)注册成为区块链的一个成员，用户通过区块链进行协同，不需要一个可信的第三方来集中式处理所有的数据。避免了如果某个中心(第三方)点出问题，整个网络就会崩溃的风险。且信息分布式共享方便跨域通信进行数据共享。同时，利用区块链技术的不可篡改和可追溯特性，将共享内容上传至链上，并进行数据验证，一旦数据被写入区块链，就无法被篡改或删除；为系统提供一个安全的数据共享平台，增强数据的完整性和信任度。避免了以往的局部协同预测ip黑名单需要依赖于一个可信第三方的问题。
52、二：本发明是强化学习技术在局部协同预测ip黑名单领域的首次尝试，根据协同预测ip黑名单的特点引入强化学习技术，利用强化学习的奖励机制：对正确的预测给予奖励，而对错误的预测给予惩罚，让模型倾向于采取能使得真阳性尽可能多、假阳性尽可能少的预测选择，从而改善误报率；并通过动态更新环境实现动态预测窗口：环境依据网络警报数据实现增量式的输入，从而捕获较长时间跨度的恶意行为和信息。
53、三：本发明针对现有的局部协同预测ip黑名单存在的问题。利用密钥同态加密的技术(交换加密)构建基于密钥同态加密(交换加密)的不经意伪随机函数，隐藏用户和分布式系统之间的交互；利用交换加密的性质，不需要用户之间共享相同的密钥，也不需要执行复杂的密钥管理协议，使得密钥管理更简单，同时因为用户不再共享相同的密钥，也提高了系统的安全性。同时利用零知识证明的技术，验证分布式系统的正确性，解决了现有的局部协同方式中的信任问题。
1.一种隐私保护下ip黑名单局部协同预测方法，其特征在于，整个协同预测架构的具体流程如下：
2.根据权利要求1所述的一种隐私保护下ip黑名单局部协同预测方法，其特征在于：访问控制权限的具体流程：
3.根据权利要求1所述的一种隐私保护下ip黑名单局部协同预测方法，其特征在于：在协同预测ip黑名单中引入强化学习技术，利用强化学习的奖励机制：对正确的预测给予奖励，而对错误的预测给予惩罚，让模型倾向于采取能使得真阳性尽可能多、假阳性尽可能少的预测选择，从而改善误报率；并通过动态更新环境实现动态预测窗口：环境依据网络警报数据实现增量式的输入，从而捕获较长时间跨度的恶意行为和信息，整个预测框架主要分为两个部分：智能体构建模块和预测模块；
4.根据权利要求1所述的一种隐私保护下ip黑名单局部协同预测方法，其特征在于：还包括使用交换加密技术和零知识证明技术对现有的隐私保护协议进行优化，同时利用区块链架构实现去中心化信任，设计了面向ip黑名单局部协同预测的隐私保护协议；
5.根据权利要求4所述的一种隐私保护下ip黑名单局部协同预测方法，其特征在于：隐私保护协议具体流程如下：
