王成滿

(四川外國語大學(xué)重慶南方翻譯學(xué)院，重慶 401120)

1 引言

科學(xué)技術(shù)的迅速發(fā)展使社交網(wǎng)絡(luò)、交通運輸、通信運營等多個領(lǐng)域均形成著大量的數(shù)據(jù)，這些數(shù)據(jù)存在著許多對管理者的決策起助力價值的信息[1]。隨著數(shù)據(jù)規(guī)模的增長，數(shù)據(jù)挖掘方法已變成當(dāng)今社會的重點研究項目之一?；ヂ?lián)網(wǎng)網(wǎng)絡(luò)規(guī)模的擴(kuò)大令越來越多的系統(tǒng)遭受到黑客的入侵，網(wǎng)絡(luò)攻擊的手段日漸復(fù)雜，網(wǎng)絡(luò)安全問題越來越突出[2-3]。

為了保障網(wǎng)絡(luò)的安全運行，相關(guān)專家們展開了大量研究。文獻(xiàn)[4]提出了基于內(nèi)網(wǎng)行為分析的網(wǎng)絡(luò)攻擊檢測數(shù)學(xué)模型，首先需要獲取網(wǎng)絡(luò)中的信息資源，其次對網(wǎng)絡(luò)中的行為異常風(fēng)險要素進(jìn)行分析，最后將信息的節(jié)點及資源獲取途徑當(dāng)作要素，創(chuàng)建一個攻擊檢測模型，利用該模型實現(xiàn)對網(wǎng)絡(luò)攻擊的檢測。文獻(xiàn)[5]提出了基于流量和IP熵特性的DDoS攻擊檢測方法，構(gòu)建M-ATS的網(wǎng)絡(luò)攻擊檢測數(shù)學(xué)模型，將博弈論(M-ATS)與馬爾可夫判決進(jìn)程(MJP)攻擊模式挖掘算法進(jìn)行了結(jié)合，通過M-ATS確定最佳網(wǎng)絡(luò)保護(hù)方法，利用MJP對未來發(fā)生的網(wǎng)絡(luò)攻擊進(jìn)行預(yù)測，根據(jù)預(yù)測結(jié)果設(shè)計相應(yīng)的保護(hù)方案，實現(xiàn)對網(wǎng)絡(luò)攻擊的檢測。文獻(xiàn)[6]提出了基于蟻群算法的網(wǎng)絡(luò)攻擊檢測數(shù)學(xué)模型，將蟻群收斂到的路徑當(dāng)作網(wǎng)絡(luò)異常路徑，求解該異常路徑上各個節(jié)點的O-measure值，通過O-measure值來確定網(wǎng)絡(luò)攻擊所在位置，實現(xiàn)對網(wǎng)絡(luò)攻擊的檢測。

雖然當(dāng)前研究取得一定進(jìn)展，但是依然存在網(wǎng)絡(luò)攻擊檢測率較低、網(wǎng)絡(luò)攻擊誤報率較高以及檢測時效性較差等問題，并不適用當(dāng)前的網(wǎng)絡(luò)攻擊檢測。因為網(wǎng)絡(luò)信息間拓?fù)潢P(guān)系不明確，所以在估算網(wǎng)絡(luò)信息的法向量及曲率時，需構(gòu)建網(wǎng)絡(luò)信息間的拓?fù)潢P(guān)系，提出基于增量式學(xué)習(xí)的網(wǎng)絡(luò)攻擊檢測數(shù)學(xué)模型。

2 基于增量式學(xué)習(xí)的網(wǎng)絡(luò)攻擊檢測模型

2.1 網(wǎng)絡(luò)信息噪聲去除

由于網(wǎng)絡(luò)信息間不存在明確的拓?fù)潢P(guān)系，在估算網(wǎng)絡(luò)信息的法向量及曲率時，需要構(gòu)建一個網(wǎng)絡(luò)信息之間的拓?fù)浣Y(jié)構(gòu)關(guān)系[7]。

假設(shè)網(wǎng)絡(luò)信息點pj的k鄰域點集是Nk(pi)構(gòu)造關(guān)于pi的協(xié)方差矩陣

(1)

(2)

將式(2)得到的法矢方向調(diào)成相同的方向。

?pi∈P的k鄰域點集是qi∈Q(i=1，2，…，k)，已知pi處的平均曲率是Hi，那么信息點pi在k鄰域下的局部權(quán)值求解公式為

(3)

(4)

模糊C均值聚類算法將包含n個l維向量pi(pi1，…，pil)的集合P={p1，p2，…，pn}分成m個組O={o1，o2，…，om]，每個組和一個聚類中心相對應(yīng)，求解每一個聚類組的聚類中心oj，(j=1，2，…，m)，致使目標(biāo)函數(shù)J最小，目標(biāo)函數(shù)J(U，O)的表達(dá)式如下

(5)

(6)

(7)

(8)

模糊權(quán)重系數(shù)使距離遠(yuǎn)的向量uij對oj的影響變小，距離近的向量對oj的影響變大。這種控制方式有效地擴(kuò)大了離群向量的特征[9]。特征保持權(quán)值求解方式如下

(9)

ωHi用于說明信息點pi的曲率對聚類的影響。

由于x，y，z在信息點附近的信息分布密度較大的情況下，信息點間的距離較近，信息點密度ρi較大，所以構(gòu)建了一個密度影響權(quán)值因子

(10)

ωρi表示信息點pi的密度對聚類的影響。利用模糊C均值聚類的權(quán)重因子能夠獲得目標(biāo)函數(shù)，利用該目標(biāo)函數(shù)實現(xiàn)拓?fù)鋷缀螌W(xué)原理信息點的密度求解公式如下

(11)

基于上述分析，構(gòu)建一個網(wǎng)絡(luò)信息之間的拓?fù)浣Y(jié)構(gòu)關(guān)系，其表達(dá)式為

(12)

利用該拓?fù)浣Y(jié)構(gòu)關(guān)系即可實現(xiàn)對網(wǎng)絡(luò)信息的噪聲去除，其公式為

(13)

式中，αH表示特征保持系數(shù)，αρ表示密度影響系數(shù)，J(U，C，ω)為去噪后的網(wǎng)絡(luò)信息。

2.2 基于增量式學(xué)習(xí)的網(wǎng)絡(luò)攻擊檢測模型

φi′=(X″TX″)-1X″TY

(14)

(15)

式(16)與式(17)為AR(2)的參數(shù)估計

(16)

(17)

(18)

二階自回歸模型的參數(shù)X″TY由時間序列數(shù)據(jù)的線性估計得出。利用二階自回歸模型檢測移動網(wǎng)絡(luò)信息樣本et′

(19)

若et′是后移算子，那么

=x″t′-φ1Bx″t′-φ2B2x″t′

=(1-φ1B-φ2B2)

=φ(B)x″t′

(20)

λ<-L′||λ>U

(21)

其中，L′和U是正數(shù)。

在進(jìn)行網(wǎng)絡(luò)攻擊判定實現(xiàn)檢測的基礎(chǔ)上，假設(shè)離散型屬性連續(xù)化后的增量式學(xué)習(xí)網(wǎng)絡(luò)攻擊檢測信息矩陣如式(22)所示。

(22)

其中，n′表示去噪處理后數(shù)據(jù)集中樣本的數(shù)量，M表示去噪后數(shù)據(jù)狀態(tài)節(jié)點隊列，d表示樣本屬性數(shù)量。則均值標(biāo)準(zhǔn)差歸一化方法對數(shù)據(jù)集中每個屬性值做歸一化處理，歸一化求解公式如下

(23)

式(23)中，xmean(i)和xstd(i)分別表示第i列數(shù)據(jù)的平均值和標(biāo)準(zhǔn)差，xij表示歸一化處理后的屬性值。

對去噪處理后的樣本信息采用B-ISVM增量式學(xué)習(xí)算法[10]。利用該算法完成對網(wǎng)絡(luò)攻擊信息的歸一化處理。設(shè)X為增量式學(xué)習(xí)網(wǎng)絡(luò)攻擊檢測矩陣X′歸一化處理后得到的一個矩陣

(24)

將歸一化處理后的樣本信息作為一個滑動時間窗，設(shè)滑動時間窗的大小是N′+1，每次從時間窗中取出N′+1個樣本信息。

時間窗內(nèi)的N′+1個信息樣本利用y1，y2，…yN+1來說明，利用前N′個信息樣本構(gòu)建一個自回歸模型AR，判斷第N′+1個信息樣本是否存在異常。選取恰當(dāng)?shù)腁R階數(shù)q′，時間窗口大小N′應(yīng)該相對小一些，AR(q′)在擬合時間序列時，準(zhǔn)確使用FPE衡量。時間窗口大小N′和階數(shù)q′的約束條件是0≤q′≤0.1N′，利用x″1，x″2，…，x″N′+1對二階自回歸模型AR(2)進(jìn)行擬合，擬合后得到的基于增量式學(xué)習(xí)的網(wǎng)絡(luò)攻擊檢測模型x″t′為

x″t′=φ1x″t′-1+φ2x″t′-2+et′J(U，C，ω)+xij

(25)

最后，完成了對基于增量式學(xué)習(xí)的網(wǎng)絡(luò)攻擊檢測數(shù)學(xué)模型的構(gòu)建。

3 仿真設(shè)計與結(jié)果分析

為了客觀評估實驗結(jié)果，實驗中采用網(wǎng)絡(luò)攻擊檢測率、網(wǎng)絡(luò)攻擊誤報率、網(wǎng)絡(luò)攻擊時效性、抗網(wǎng)絡(luò)攻擊性能四項評估指標(biāo)來驗證本文所提方法的有效性。

3.1 實驗環(huán)境

假設(shè)網(wǎng)絡(luò)攻擊檢測率為

(26)

其中，A表示網(wǎng)絡(luò)攻擊檢測率，B表示被正確分類的網(wǎng)絡(luò)攻擊樣本數(shù)量，C表示實驗樣本集中網(wǎng)絡(luò)攻擊樣本的總量。

網(wǎng)絡(luò)攻擊誤報率的設(shè)定為

(27)

其中，D表示網(wǎng)絡(luò)攻擊誤報率，E表示被錯誤分類的正常樣本數(shù)量，F(xiàn)表示正常樣本的總量。

實驗環(huán)境：本次實驗在內(nèi)存為2G，操作系統(tǒng)為Windows的計算機上進(jìn)行，實驗測試平臺是Matlab7.0。

3.2 網(wǎng)絡(luò)攻擊檢測結(jié)果

實驗從KDDCUP 1999數(shù)據(jù)集中隨機選取實驗樣本，在對實驗樣本進(jìn)行離散化后，形成的實驗樣本集如表1所示。

表1 網(wǎng)絡(luò)攻擊檢測實驗樣本集

數(shù)據(jù)集通常由正常和異常兩種信息構(gòu)成，異常信息分為四種類型，分別是DoS、Probe、R2L和U2R。其中每一種異常信息均包含多個子類型。

為了描述方便，將本文所構(gòu)建的檢測數(shù)學(xué)模型描述為A，基于行為分析的網(wǎng)絡(luò)攻擊檢測數(shù)學(xué)模型描述為B、基于流量和IP熵特性的DDoS攻擊檢測數(shù)學(xué)模型描述為C、基于蟻群算法的網(wǎng)絡(luò)攻擊檢測數(shù)學(xué)模型描述為D。四種網(wǎng)絡(luò)攻擊檢測數(shù)學(xué)模型的檢測結(jié)果，如表2所示。

表2 網(wǎng)絡(luò)攻擊檢測結(jié)果

從表2可以看出，四種網(wǎng)絡(luò)攻擊檢測數(shù)學(xué)模型中，本文所構(gòu)建模型的網(wǎng)絡(luò)攻擊檢測率是最高的，網(wǎng)絡(luò)攻擊誤報率是最低的，幾乎可以忽略不計，且可以檢測出絕大多數(shù)的網(wǎng)絡(luò)攻擊，這是由于所構(gòu)建的數(shù)學(xué)模型在檢測網(wǎng)絡(luò)攻擊之前，對檢測數(shù)據(jù)進(jìn)行了去噪處理，通過上述實驗數(shù)據(jù)可知，本文所構(gòu)建數(shù)學(xué)模型適用于對檢測率和誤報率有較高要求的場合。

3.3 網(wǎng)絡(luò)攻擊時效性和抗網(wǎng)絡(luò)攻擊性能結(jié)果

3.3.1 網(wǎng)絡(luò)攻擊時效性對比

為了驗證本文所構(gòu)建的檢測數(shù)學(xué)模型的時效性，將檢測模型A與B、C和D三種數(shù)學(xué)模型進(jìn)行了對比分析。四種數(shù)學(xué)模型的網(wǎng)絡(luò)攻擊檢測時效性對比結(jié)果如表3所示。

表3 時效性對比

從表3可以看出，四種網(wǎng)絡(luò)攻擊檢測數(shù)學(xué)模型中，A數(shù)學(xué)模型的時效性最高，其次是B數(shù)學(xué)模型，D數(shù)學(xué)模型的時效性是四種數(shù)學(xué)模型中最差的。以閾值25和閾值100為例，當(dāng)閾值為25時，A模型實現(xiàn)網(wǎng)絡(luò)攻擊檢測所需的時間要比B、C、D三種模型分別縮短17.5%、26.8%、31.58%；當(dāng)閾值為100時，A模型實現(xiàn)網(wǎng)絡(luò)攻擊檢測所需的時間要比B、C、D三種模型分別縮短18.58%、21.03%、22.36%，通過上述實驗數(shù)據(jù)可知，所構(gòu)建數(shù)學(xué)模型A較B模型、C模型和D模型得到了極大的改進(jìn)，采用本文所構(gòu)建數(shù)學(xué)模型A能夠高效實現(xiàn)對網(wǎng)絡(luò)攻擊的檢測。

3.3.2 網(wǎng)絡(luò)攻擊時效性對比

為了驗證本文所構(gòu)建網(wǎng)絡(luò)攻擊數(shù)學(xué)模型的抗攻擊能力，將本文所構(gòu)建模型A與B、C和D三種數(shù)學(xué)模型的抗攻擊能力進(jìn)行了對比。對比結(jié)果如圖1所示，其中橫坐標(biāo)為網(wǎng)絡(luò)攻擊數(shù)量，單位是個，縱坐標(biāo)為抗網(wǎng)絡(luò)攻擊性能，單位是百分比(%)。

圖1 四種數(shù)學(xué)模型的抗網(wǎng)絡(luò)攻擊性能對比圖

從圖1可以看出，在相同網(wǎng)絡(luò)攻擊數(shù)量的情況下，四種模型中所構(gòu)建模型A的抗攻擊性能最高，其次是模型C，模型D的抗攻擊性能最低。通過上述實驗數(shù)據(jù)可知，采用所構(gòu)建模型A可以在準(zhǔn)確檢測網(wǎng)絡(luò)攻擊的前提下，提高網(wǎng)絡(luò)的抗攻擊能力。

綜上所述，本文所構(gòu)建的數(shù)學(xué)模型A具有高檢測率、低誤報率、高時效性、高抗攻擊能力的特點。采用本文所構(gòu)建的數(shù)學(xué)模型能夠在高時效、高檢測率、高抗攻擊能力的情況下實現(xiàn)對網(wǎng)絡(luò)攻擊的檢測，且誤報率較低。表明本文所構(gòu)建的模型具有較好的檢測性能。

4 結(jié)論

針對現(xiàn)有網(wǎng)絡(luò)攻擊檢測數(shù)學(xué)模型存在的網(wǎng)絡(luò)攻擊檢測率較低、網(wǎng)絡(luò)攻擊誤報率較高、檢測時效性較差等問題，構(gòu)建了基于增量式學(xué)習(xí)的網(wǎng)絡(luò)攻擊檢測數(shù)學(xué)模型。

所構(gòu)建模型的創(chuàng)新點：

1)噪聲去除；

2)網(wǎng)絡(luò)信息歸一化處理；

經(jīng)上述實驗驗證，所構(gòu)建數(shù)學(xué)模型在網(wǎng)絡(luò)攻擊檢測率、網(wǎng)絡(luò)攻擊誤報率、網(wǎng)絡(luò)攻擊檢測時效性等方面均優(yōu)于基于行為分析的網(wǎng)絡(luò)攻擊檢測數(shù)學(xué)模型、基于流量和IP熵特性的DDoS攻擊檢測數(shù)學(xué)模型和基于蟻群算法的網(wǎng)絡(luò)攻擊檢測數(shù)學(xué)模型，采用本文所構(gòu)建的數(shù)學(xué)模型可以在高網(wǎng)絡(luò)攻擊檢測率、低網(wǎng)絡(luò)攻擊誤報率、高網(wǎng)絡(luò)攻擊檢測時效性的情況下更好的完成對網(wǎng)絡(luò)攻擊的檢測。