石 小 兵

(安徽工業(yè)經(jīng)濟(jì)職業(yè)技術(shù)學(xué)院，安徽 合肥 230001)

0 引 言

在當(dāng)今網(wǎng)絡(luò)時(shí)代，網(wǎng)絡(luò)的開放性越來越強(qiáng)，特別是在網(wǎng)絡(luò)中，受到網(wǎng)絡(luò)環(huán)境和網(wǎng)絡(luò)自身結(jié)構(gòu)因素的影響，導(dǎo)致網(wǎng)絡(luò)敏感信息越來越多，需要對(duì)網(wǎng)絡(luò)敏感信息實(shí)現(xiàn)有效檢測(cè)和過濾處理，凈化網(wǎng)絡(luò)環(huán)境，確保網(wǎng)絡(luò)的安全性。研究網(wǎng)絡(luò)敏感信息自動(dòng)過濾方法，對(duì)網(wǎng)絡(luò)的開放式發(fā)展和網(wǎng)絡(luò)安全管理具有重要意義，相關(guān)的網(wǎng)絡(luò)敏感信息自動(dòng)過濾方法研究受到人們的極大關(guān)注。

網(wǎng)絡(luò)敏感信息的自動(dòng)過濾方法是建立在對(duì)網(wǎng)絡(luò)敏感信息的特征提取和大數(shù)據(jù)融合基礎(chǔ)上，結(jié)合對(duì)網(wǎng)絡(luò)敏感信息特征分布式表達(dá)和信息識(shí)別，提取網(wǎng)絡(luò)敏感信息的關(guān)聯(lián)規(guī)則特征量，通過分布式的節(jié)點(diǎn)融合和特征檢測(cè)，采用模式識(shí)別方法，實(shí)現(xiàn)對(duì)網(wǎng)絡(luò)敏感信息過濾。當(dāng)前，網(wǎng)絡(luò)敏感信息過濾方法主要有網(wǎng)絡(luò)虛擬社區(qū)文本內(nèi)容敏感詞過濾系統(tǒng)[1]以及一種面向網(wǎng)絡(luò)安全的圖像文字敏感詞過濾方法[2]，構(gòu)建網(wǎng)絡(luò)敏感信息的特征編碼和大數(shù)據(jù)融合模型，通過模糊度特征分布式重構(gòu)，實(shí)現(xiàn)網(wǎng)絡(luò)敏感信息過濾檢測(cè)，通過底層數(shù)據(jù)庫開發(fā)設(shè)計(jì)，建立網(wǎng)絡(luò)敏感信息的可視化重構(gòu)模型，提高信息過濾能力。但傳統(tǒng)方法進(jìn)行網(wǎng)絡(luò)敏感信息過濾的計(jì)算開銷較大，抗干擾能力不好[3]。

針對(duì)上述問題，本文提出基于K近鄰分類算法的網(wǎng)絡(luò)敏感信息自動(dòng)過濾方法。最后進(jìn)行仿真測(cè)試分析，展示了本文方法在提高網(wǎng)絡(luò)敏感信息自動(dòng)過濾能力方面的優(yōu)越性能。

1 網(wǎng)絡(luò)敏感信息的云存儲(chǔ)結(jié)構(gòu)模型和特征分析

1.1 云存儲(chǔ)結(jié)構(gòu)模型

為了實(shí)現(xiàn)基于K近鄰分類算法的網(wǎng)絡(luò)敏感信息自動(dòng)過濾，采用混合云構(gòu)架技術(shù)實(shí)現(xiàn)對(duì)網(wǎng)絡(luò)敏感信息的云存儲(chǔ)結(jié)構(gòu)分析，根據(jù)對(duì)敏感信息的數(shù)據(jù)結(jié)構(gòu)特征，采用自動(dòng)化的特征匹配和模板信息聚類分析方法，構(gòu)建網(wǎng)絡(luò)敏感信息的特征檢測(cè)和信息融合濾波分析模型[4-5]，根據(jù)信息濾波結(jié)果，結(jié)合嵌入式的融合過濾和自動(dòng)化控制方法，實(shí)現(xiàn)對(duì)網(wǎng)絡(luò)敏感信息的過濾分析，得到網(wǎng)絡(luò)敏感信息自動(dòng)過濾結(jié)構(gòu)框架(圖1)。

圖1 系統(tǒng)的總體結(jié)構(gòu)框架

在圖1所示的網(wǎng)絡(luò)敏感信息自動(dòng)過濾模型中，采用嵌入式融合控制的方法，構(gòu)建網(wǎng)絡(luò)敏感信息的云存儲(chǔ)結(jié)構(gòu)構(gòu)架模型，基于實(shí)體排序和聯(lián)合特征分析的方法[6-7]，得到網(wǎng)絡(luò)敏感信息的云存儲(chǔ)結(jié)構(gòu)構(gòu)架(圖2)。

圖2 網(wǎng)絡(luò)敏感信息云存儲(chǔ)結(jié)構(gòu)構(gòu)架

在圖2所示的網(wǎng)絡(luò)敏感信息云存儲(chǔ)結(jié)構(gòu)構(gòu)架體系中，采用G1和G2有向圖分析方法得到網(wǎng)絡(luò)敏感信息云存儲(chǔ)的模板參數(shù)e，通過聯(lián)合關(guān)聯(lián)規(guī)則挖掘，得到網(wǎng)絡(luò)敏感信息云存儲(chǔ)實(shí)體分布模型為

(1)

其中，f(x)表示關(guān)聯(lián)規(guī)則挖掘函數(shù)，隨機(jī)選擇k個(gè)網(wǎng)絡(luò)敏感信息的存儲(chǔ)節(jié)點(diǎn)，采用分段線性融合的方法，構(gòu)建網(wǎng)絡(luò)敏感信息的可視化分析模型，結(jié)合三維特征融合，提高網(wǎng)絡(luò)敏感信息的模式特征抽取能力[8]，采用三維線性規(guī)劃，得到網(wǎng)絡(luò)敏感信息的特征分辨率表示為

pk=p3DkΦN-k+1,k=0,1,2,…,N

(2)

其中，p3D表示網(wǎng)絡(luò)敏感信息的三維特征分辨率，采用高斯Copula函數(shù)R進(jìn)行網(wǎng)絡(luò)敏感信息的模糊信息聚類[9]，結(jié)合二元語義特征分析A得到網(wǎng)絡(luò)敏感信息的相空間融合輸出

(3)

采用大數(shù)據(jù)挖掘和識(shí)別，得到網(wǎng)絡(luò)敏感信息的特征提取和優(yōu)化存儲(chǔ)結(jié)構(gòu)模型。

1.2 網(wǎng)絡(luò)敏感信息的大數(shù)據(jù)結(jié)構(gòu)分析

采用混合云構(gòu)架技術(shù)實(shí)現(xiàn)對(duì)網(wǎng)絡(luò)敏感信息的云存儲(chǔ)結(jié)構(gòu)分析，根據(jù)對(duì)敏感信息的數(shù)據(jù)結(jié)構(gòu)特征，建立網(wǎng)絡(luò)敏感信息的特征融合模型[10]，得到網(wǎng)絡(luò)敏感信息可視化分析關(guān)聯(lián)綜合特征量X符合穩(wěn)定分布。采用有向圖分岔節(jié)點(diǎn)的特征匹配方法，計(jì)算有向圖分岔節(jié)點(diǎn)與數(shù)據(jù)存儲(chǔ)Source節(jié)點(diǎn)j之間的條件轉(zhuǎn)移概率，得到網(wǎng)絡(luò)敏感信息聯(lián)合關(guān)聯(lián)特征量Xij，表示為

(4)

其中，aij表示節(jié)點(diǎn)特征融合模型，從i=1開始進(jìn)行網(wǎng)絡(luò)敏感信息特征重組，建立網(wǎng)絡(luò)敏感信息的特征融合和空間特征壓縮模型[11]，采用自相關(guān)特征匹配方法實(shí)現(xiàn)對(duì)網(wǎng)絡(luò)敏感信息B=diag(b1,b2,…,bn)，得到網(wǎng)絡(luò)敏感信息可視化過濾和信息重組的節(jié)點(diǎn)的測(cè)度定義為

li=∑bnaij

(5)

采用模糊聚類方法，對(duì)網(wǎng)絡(luò)敏感信息的語義概念集融合，得到網(wǎng)絡(luò)敏感信息的數(shù)據(jù)關(guān)聯(lián)結(jié)構(gòu)分布為

(6)

2 網(wǎng)絡(luò)敏感信息過濾優(yōu)化

2.1 網(wǎng)絡(luò)敏感信息特征提取

結(jié)合數(shù)字標(biāo)簽識(shí)別技術(shù)，分析網(wǎng)絡(luò)敏感信息的模糊統(tǒng)計(jì)特征量α，通過模糊度檢測(cè)和云融合技術(shù)，得到網(wǎng)絡(luò)敏感信息特征轉(zhuǎn)移矩陣為

P=f(t)Tα

(7)

此時(shí)結(jié)合統(tǒng)計(jì)特征分析進(jìn)行網(wǎng)絡(luò)敏感信息的語義相似度融合，根據(jù)特征聚類分析結(jié)果，計(jì)算網(wǎng)絡(luò)敏感信息的輸出穩(wěn)態(tài)特征量，得到模糊度參數(shù)分布的指標(biāo)向量匹配集為S，選擇第K個(gè)關(guān)聯(lián)節(jié)點(diǎn)進(jìn)行網(wǎng)絡(luò)敏感信息的匹配濾波檢測(cè)，得到網(wǎng)絡(luò)敏感信息的K近鄰聚類中心表示為

(8)

式中，r為網(wǎng)絡(luò)敏感信息聚類中心的覆蓋半徑。

采用關(guān)聯(lián)規(guī)則融合方法進(jìn)行網(wǎng)絡(luò)敏感信息的模糊信息聚類處理，得到模糊度特征參量為

ε=q∑f(t)×x(t-1)

(9)

其中，x(t-1)為網(wǎng)絡(luò)敏感信息的語義相似特征量。選擇語義相近程度最高特征量作為訓(xùn)練集，設(shè)S為行網(wǎng)絡(luò)敏感信息的特征分布概率密度集，采用最大熵模型D(t)，構(gòu)建網(wǎng)絡(luò)敏感信息的聯(lián)合關(guān)聯(lián)規(guī)則挖掘模型，得到聯(lián)合關(guān)聯(lián)規(guī)則分布特征量表示為

(10)

由此構(gòu)建網(wǎng)絡(luò)敏感信息特征提取模型Fz(·)，得到量化特征解為

(11)

采用自適應(yīng)的K均值聚類方法，得到K近鄰分布集，根據(jù)K近鄰分布融合結(jié)果，實(shí)現(xiàn)敏感信息的融合聚類和濾波處理[12]。

2.2 網(wǎng)絡(luò)敏感信息自動(dòng)過濾

采用K近鄰分類算法，構(gòu)建網(wǎng)絡(luò)敏感信息的聚類和網(wǎng)格分塊重組模型λ，實(shí)現(xiàn)對(duì)網(wǎng)絡(luò)敏感特征表達(dá)，得到網(wǎng)絡(luò)敏感信息的統(tǒng)計(jì)特征量，表示為

(12)

結(jié)合實(shí)體集標(biāo)簽分析方法，得到網(wǎng)絡(luò)敏感信息的語義相關(guān)性實(shí)體模型表示為

(13)

綜上分析，通過Logistics模型訓(xùn)練的方法，得到網(wǎng)絡(luò)敏感信息自動(dòng)過濾的可視化數(shù)學(xué)模型表示如下

J(x)=H(f1(t),f2(t),…,fm(t))T

(14)

信息過濾輸出的圖節(jié)點(diǎn)模型屬性集V,V={Ii,j(t)，Ui,j(t)},其中Ii,j(t)表示網(wǎng)絡(luò)敏感信息分布的本體對(duì)象，Ui,j(t)表示網(wǎng)絡(luò)敏感信息過濾的語義概念集，表示為

(15)

此時(shí)，采用標(biāo)簽索引技術(shù)，得到敏感信息的K近鄰分類輸出為vij，設(shè)η為網(wǎng)絡(luò)敏感信息的關(guān)聯(lián)分析度量值，計(jì)算公式為

(16)

其中，gij(t)表示為網(wǎng)絡(luò)敏感信息過濾調(diào)度節(jié)點(diǎn)分布權(quán)系數(shù)。綜上分析，構(gòu)建網(wǎng)絡(luò)敏感信息的聚類和網(wǎng)格分塊重組模型，實(shí)現(xiàn)對(duì)網(wǎng)絡(luò)敏感信息自動(dòng)過濾。算法的改進(jìn)實(shí)現(xiàn)流程如圖3所示。

圖3 網(wǎng)絡(luò)敏感信息自動(dòng)過濾算法改進(jìn)流程

3 仿真測(cè)試分析

對(duì)本文所設(shè)計(jì)的基于K近鄰分類算法的網(wǎng)絡(luò)敏感信息自動(dòng)過濾方法進(jìn)行仿真測(cè)試，在測(cè)試過程中信息的采樣條數(shù)為1 200萬條，統(tǒng)計(jì)間隔周期為1 h，每200萬作為一組測(cè)試集進(jìn)行敏感信息過濾的分組檢測(cè)，得到敏感信息分布的時(shí)域波形檢測(cè)結(jié)果(圖4)。

圖4 網(wǎng)絡(luò)敏感信息分布的時(shí)域波形

根據(jù)圖4的網(wǎng)絡(luò)敏感信息分布檢測(cè)結(jié)果，利用本文方法與文獻(xiàn)[1]方法和文獻(xiàn)[2]方法分別進(jìn)行網(wǎng)絡(luò)敏感信息的自動(dòng)過濾處理，得到網(wǎng)絡(luò)敏感信息檢測(cè)精度比較結(jié)果(圖5)。

圖5 網(wǎng)絡(luò)敏感信息檢測(cè)精度比較結(jié)果

分析圖5得知，本文方法的網(wǎng)絡(luò)敏感信息檢測(cè)精度始終保持在90%以上，遠(yuǎn)高于文獻(xiàn)方法，說明該方法的網(wǎng)絡(luò)敏感信息檢測(cè)精度更高，可以為后續(xù)的網(wǎng)絡(luò)敏感信息過濾提供有效支持。

在上述基礎(chǔ)上，測(cè)試網(wǎng)絡(luò)敏感信息過濾的吞吐量，得到結(jié)果(圖6)。

圖6 吞吐量測(cè)試

分析圖6得知，本文方法進(jìn)行網(wǎng)絡(luò)敏感信息過濾的吞吐量較高，提高了檢測(cè)性能。

4 結(jié) 論

對(duì)網(wǎng)絡(luò)敏感信息實(shí)現(xiàn)有效的檢測(cè)和過濾處理，可以凈化網(wǎng)絡(luò)環(huán)境，確保網(wǎng)絡(luò)的安全性。本文提出基于K近鄰分類算法的網(wǎng)絡(luò)敏感信息自動(dòng)過濾方法。構(gòu)建網(wǎng)絡(luò)敏感信息的特征檢測(cè)和信息融合濾波分析模型，采用高斯Copula函數(shù)進(jìn)行網(wǎng)絡(luò)敏感信息的模糊信息聚類，結(jié)合二元語義特征分析，建立網(wǎng)絡(luò)敏感信息的特征融合和空間特征壓縮模型，根據(jù)K近鄰分布融合結(jié)果，實(shí)現(xiàn)敏感信息的融合聚類和濾波處理。研究得知，本文方法進(jìn)行網(wǎng)絡(luò)敏感信息分布檢測(cè)的精度較高，自動(dòng)過濾性能較好。