丁 俊

(安徽工業(yè)經(jīng)濟(jì)職業(yè)技術(shù)學(xué)院，安徽 合肥 230051)

0 引言

隨著軟件的廣泛應(yīng)用，對(duì)軟件的安全性要求越來(lái)越高，在復(fù)雜網(wǎng)絡(luò)環(huán)境下，在網(wǎng)絡(luò)攻擊等因素的影響下或是軟件設(shè)計(jì)本身的缺陷，導(dǎo)致軟件極容易出現(xiàn)安全漏洞，因此需要構(gòu)建優(yōu)化的軟件安全漏洞檢測(cè)模型，結(jié)合軟件安全漏洞大數(shù)據(jù)分布和挖掘結(jié)果，實(shí)現(xiàn)對(duì)軟件安全漏洞自動(dòng)挖掘，以提高軟件安全性，所以相關(guān)的軟件安全漏洞自動(dòng)挖掘方法研究在軟件開(kāi)發(fā)和維護(hù)中具有重要意義[1].

對(duì)軟件安全漏洞進(jìn)行自動(dòng)挖掘是保證軟件安全運(yùn)行的基礎(chǔ)，當(dāng)前，對(duì)軟件安全漏洞檢測(cè)的方法有很多，相關(guān)研究也受到了很多學(xué)者的廣泛關(guān)注.文獻(xiàn)[2]中提出基于關(guān)聯(lián)規(guī)則的軟件安全漏洞挖掘方法，該方法采用RDARF規(guī)則篩選器來(lái)獲取強(qiáng)規(guī)則，提取安卓驅(qū)動(dòng)的申請(qǐng)權(quán)限信息，從而建立權(quán)限特征集合，依據(jù)權(quán)限關(guān)系特征庫(kù)實(shí)現(xiàn)軟件漏洞的挖掘.文獻(xiàn)[3]中提出基于模糊測(cè)試技術(shù)的軟件安全漏洞挖掘方法，該方法首先進(jìn)行軟件安全漏洞信息的采集，根據(jù)采集信息結(jié)果構(gòu)建分布特征量模型，對(duì)其進(jìn)行融合處理從而實(shí)現(xiàn)關(guān)聯(lián)信息提取，并采用模糊測(cè)試技術(shù)實(shí)現(xiàn)信息自適應(yīng)聚類(lèi)和挖掘.文獻(xiàn)[4]中提出基于隨機(jī)探測(cè)算法和信息聚合的漏洞挖掘方法，采用隨機(jī)探測(cè)算法進(jìn)行靜態(tài)特征的提取，同時(shí)對(duì)參數(shù)進(jìn)行信息聚合處理，運(yùn)用隨機(jī)森林算法構(gòu)建訓(xùn)練模型以有效進(jìn)行軟件安全漏洞信息的挖掘.盡管上述方法具有有效性，但是由于上述方法的特征提取能力不高，導(dǎo)致軟件安全漏洞挖掘的效果較差.針對(duì)上述問(wèn)題，本文提出基于大數(shù)據(jù)技術(shù)的軟件安全漏洞自動(dòng)挖掘方法.

1 軟件安全漏洞信息采集和融合分析

1.1 軟件安全漏洞信息采集

為了實(shí)現(xiàn)基于大數(shù)據(jù)技術(shù)的軟件安全漏洞自動(dòng)挖掘，首先構(gòu)建軟件安全漏洞檢測(cè)的原始信息采集模型，采用自相關(guān)匹配檢測(cè)方法進(jìn)行軟件安全維數(shù)的信息分解[5]，得到軟件安全漏洞信息的指向性增益為：

(1)

建立軟件安全漏洞信道容量參數(shù)估計(jì)模型，結(jié)合改進(jìn)的空間信息聚類(lèi)方法[6]，得到軟件安全漏洞的信息分解結(jié)果為：

(2)

在上述基礎(chǔ)上，提取軟件安全漏洞信息的統(tǒng)計(jì)參數(shù)量，結(jié)合模糊信息散射簇聚類(lèi)方法，得到軟件安全漏洞參數(shù)的采集模型，在t時(shí)刻得到參數(shù)分解函數(shù)為：

(3)

構(gòu)建軟件的多徑傳輸信道模型，結(jié)合模糊參數(shù)融合，得到安全漏洞的傳輸信息采樣分量：

(4)

其中，A(t)為軟件安全漏洞融合的幅度.

提取軟件安全信息的譜信息，通過(guò)隨機(jī)泛函分析[7]，得到軟件的信道載波分量：

(5)

其中，N(z)是軟件消息傳遞的分子多項(xiàng)式，它的零點(diǎn)在z=e±jω0處，D(z)為軟件安全漏洞的大數(shù)據(jù)挖掘的統(tǒng)計(jì)特征量.分析軟件安全漏洞信息輸出的模糊信息匹配集，得到安全漏洞分布的殘差分量[8]，確定軟件態(tài)勢(shì)感知的幅頻響應(yīng)，得到軟件安全漏洞信息采集的基準(zhǔn)頻率為：

(6)

在得到安全漏洞信息采集基準(zhǔn)頻率的基礎(chǔ)上對(duì)軟件安全漏洞大數(shù)據(jù)信息參量進(jìn)行自適應(yīng)調(diào)整[9]，得到軟件安全漏洞信息的采集模型為：

(7)

其中，ejπ表示軟件安全漏洞的模糊貼近度.綜上所述分析，實(shí)現(xiàn)了對(duì)軟件安全漏洞的信息采集，下一步通過(guò)動(dòng)態(tài)信息融合以實(shí)現(xiàn)軟件安全漏洞信息的融合處理.

1.2 軟件安全漏洞信息融合

(8)

其中，μ1,μ2分別表示耦合參數(shù)集P中的耦合參數(shù).采用擴(kuò)頻序列分析的方法進(jìn)行軟件安全漏洞信息的分布式重組，得到軟件安全漏洞信息感知傳遞函數(shù)為：

(9)

其中，θ1，θ2分別表示不同匹配濾波的特征參數(shù)和帶寬參數(shù).假設(shè)軟件安全漏洞信息的諧振分量為v=rωr，阻抗因素為r=rr+lg，軟件安全漏洞信息的動(dòng)態(tài)抑制系數(shù)為B=kβk1Bg，安全漏洞信息的低頻調(diào)制系數(shù)為l=lskfkcAw/Ac，構(gòu)建自適應(yīng)反演控制模型，得到軟件安全漏洞信息融合函數(shù)：

(10)

通過(guò)級(jí)聯(lián)特征匹配[11]，建立軟件安全漏洞的梯度空間模型，其表示為：

(11)

其中，wp，wv，wc為軟件安全漏洞信息檢測(cè)的輸出權(quán)重，P1=Pcu+Ph+Pe+Pb+Pw為適應(yīng)度函數(shù)，Vt為耦合系數(shù)，C為軟件安全漏洞信息檢測(cè)的阻尼系數(shù).

在固定頻率段內(nèi)，得到軟件安全漏洞挖掘的多普勒頻移，記做ωd，采用動(dòng)態(tài)信息融合的方法，結(jié)合融合函數(shù)與梯度空間模型，構(gòu)建軟件安全漏洞的信息融合模型為：

(12)

基于信息融合結(jié)果的基礎(chǔ)上，結(jié)合統(tǒng)計(jì)特征分析方法，確定軟件安全漏洞的交叉信息分布集，以提高安全漏洞的自適應(yīng)挖掘能力[12].

2 軟件安全漏洞信息的挖掘優(yōu)化設(shè)計(jì)

2.1 軟件安全漏洞信息特征提取

采用基函數(shù)集穩(wěn)定分析的方法，得到軟件安全漏洞信息的遞歸特征量為：

(13)

其中，〈g1,g2〉表示軟件的安全漏洞檢測(cè)的頻譜特征量.

采用極限挖掘的方法，得到軟件的安全漏洞的擾動(dòng)特征分解結(jié)果為：

(14)

其中*G表示軟件安全漏洞檢測(cè)的卷積系數(shù)，統(tǒng)計(jì)特征分析方法，對(duì)軟件安全漏洞信息的定位進(jìn)行分析，得到漏洞信息定位分析方程：

(15)

采用大數(shù)據(jù)挖掘方法進(jìn)行軟件的傳輸信息采集和節(jié)點(diǎn)部署[13]，軟件安全漏洞挖掘的擴(kuò)頻帶寬為：

(16)

結(jié)合頻譜分布特性，來(lái)確定安全漏洞的交叉信息分布集，得到軟件安全漏洞挖掘的信道切換控制函數(shù)為：

(17)

基于信道切換控制結(jié)果，根據(jù)模糊決策模型，構(gòu)建軟件安全漏洞評(píng)價(jià)指標(biāo)集為Ek∈E(k=1,2,…,t)，得到自適應(yīng)切換控制函數(shù)定義為vm,m∈[1,n].利用頻譜分布特征分析，得到軟件安全漏洞信息的時(shí)域分布信息，表示為：

(18)

其中，τ為模糊度擴(kuò)展的時(shí)延，φ為軟件的多徑特征分量.

經(jīng)過(guò)“篩分”過(guò)程，獲取軟件的模糊概率密度函數(shù)，并結(jié)合大數(shù)據(jù)技術(shù)構(gòu)建軟件安全漏洞信息的特征提取模型，表達(dá)為：

(19)

其中，σV表示軟件的信道差異度函數(shù).綜上所述分析，得到軟件安全漏洞信息的特征提取結(jié)果，下一步需要采用大數(shù)據(jù)技術(shù)進(jìn)行軟件安全漏洞信息的大數(shù)據(jù)挖掘優(yōu)化設(shè)計(jì).

2.2 軟件安全漏洞信息的大數(shù)據(jù)挖掘優(yōu)化

基于特征提取結(jié)果，利用信息調(diào)度和大數(shù)據(jù)技術(shù)實(shí)現(xiàn)軟件安全漏洞信息的數(shù)據(jù)挖掘優(yōu)化設(shè)計(jì).假設(shè)軟件安全漏洞信息傳輸?shù)哪：齽?dòng)態(tài)約束參數(shù)模型描述為：xj={x1j,x2j,...,xmj}T，設(shè)計(jì)大數(shù)據(jù)挖掘模型，得到軟件安全漏洞挖掘的收斂性約束條件為：

(20)

式(20)中，|v|表示軟件安全漏洞分布的復(fù)包絡(luò).假設(shè)Sk(t)為軟件信息傳輸信道e上的傳輸數(shù)據(jù)量，采用異構(gòu)有向圖分析方法進(jìn)行軟件安全漏洞信息結(jié)構(gòu)重組，軟件安全漏洞挖掘的自適應(yīng)分配模糊度矩陣R=(rij,aij)m×n，利用大數(shù)據(jù)信息調(diào)度，得到軟件安全漏洞檢測(cè)的目標(biāo)函數(shù)為：

(21)

其中，區(qū)間[xmin,j,xmax,j]構(gòu)成軟件安全漏洞挖掘的大數(shù)據(jù)分布時(shí)間窗口，ρ為軟件安全漏洞挖掘的自適應(yīng)調(diào)節(jié)系數(shù)，其定義為：

(22)

結(jié)合多元交叉分布式辨識(shí)和大數(shù)據(jù)技術(shù)，得到軟件安全漏洞挖掘輸出的融合特征解，表示為：

(23)

利用軟件安全漏洞挖掘的信息聚類(lèi)模型，進(jìn)行軟件安全漏洞自動(dòng)挖掘，輸出的檢測(cè)統(tǒng)計(jì)量為：

(24)

其中，?t表示軟件安全漏洞挖掘的時(shí)間間隔.采用大數(shù)據(jù)信息調(diào)度和多元交叉分布式辨識(shí)的方法，構(gòu)建大數(shù)據(jù)挖掘的優(yōu)化模型，以實(shí)現(xiàn)安全漏洞的自動(dòng)挖掘優(yōu)化設(shè)計(jì)，大數(shù)據(jù)挖掘的優(yōu)化模型如圖1所示.

圖1 漏洞信息大數(shù)據(jù)挖掘的優(yōu)化模型

3 仿真測(cè)試分析

在軟件安全漏洞挖掘的仿真實(shí)驗(yàn)中，設(shè)定軟件安全漏洞信息測(cè)試的最大負(fù)載為240 Kbps，安全漏洞信息采樣的數(shù)據(jù)樣本規(guī)模為2 000，測(cè)試集的模板數(shù)據(jù)匹配度為0.35，訓(xùn)練樣本數(shù)據(jù)規(guī)模為240個(gè)，軟件安全漏洞信息挖掘的階數(shù)為5，空間分布維數(shù)為14，根據(jù)上述參數(shù)設(shè)定，在仿真平臺(tái)中構(gòu)建軟件安全漏洞信息大數(shù)據(jù)采集模型，得到漏洞信息數(shù)據(jù)分布如圖2所示.

圖2 軟件安全漏洞信息數(shù)據(jù)分布

以圖2的數(shù)據(jù)為測(cè)試對(duì)象，為進(jìn)一步驗(yàn)證本文方法的優(yōu)越性能，將文獻(xiàn)[2]方法、文獻(xiàn)[3]方法、文獻(xiàn)[4]方法設(shè)置為對(duì)照組，將本文方法設(shè)置為實(shí)驗(yàn)組，分別對(duì)這四種方法軟件安全漏洞自動(dòng)挖掘的特征提取能力和精度進(jìn)行分析.

為分析四種方法的特征提取能力，測(cè)試軟件安全漏洞挖掘的特征點(diǎn)分布情況，得到三種方法進(jìn)行漏洞信息自動(dòng)挖掘的特征點(diǎn)分布情況對(duì)比如圖3所示.

圖3 漏洞信息特征點(diǎn)分布情況對(duì)比

分析圖3得知，本文方法能夠有效進(jìn)行漏洞挖掘的特征點(diǎn)提取，與漏洞信息實(shí)際特征點(diǎn)的分布情況最為相近，由圖中可以看出，本文方法的特征點(diǎn)提取能力要優(yōu)于傳統(tǒng)的三種方法，表明本文方法能有效實(shí)現(xiàn)對(duì)軟件安全漏洞挖掘和檢測(cè)，有效提高了軟件安全漏洞信息挖掘的特征聚類(lèi)性.

測(cè)試軟件安全漏洞挖掘的精度，得到對(duì)比結(jié)果見(jiàn)表1.

表1 軟件安全漏洞挖掘的精度對(duì)比測(cè)試

分析表1得知，本文方法的軟件安全漏洞挖掘的精度較高，在樣本數(shù)達(dá)到240個(gè)時(shí)，本文方法的精度達(dá)到1，明顯高于其他三種方法的精度，由此可見(jiàn)本文方法能夠有效實(shí)現(xiàn)軟件安全漏洞的挖掘.

4 結(jié)語(yǔ)

為了實(shí)現(xiàn)軟件安全漏洞自動(dòng)挖掘，本文提出基于大數(shù)據(jù)技術(shù)的軟件安全漏洞自動(dòng)挖掘方法.采用擴(kuò)頻序列分析的方法進(jìn)行軟件安全漏洞信息的分布式結(jié)構(gòu)重組，挖掘軟件安全信息大數(shù)據(jù)特征量，通過(guò)級(jí)聯(lián)特征匹配進(jìn)行軟件安全漏洞分析，采用基函數(shù)集穩(wěn)定分析的方法得到軟件的安全漏洞檢測(cè)的頻譜特征量，通過(guò)大數(shù)據(jù)信息調(diào)度和多元交叉分布式辨識(shí)的方法，實(shí)現(xiàn)安全漏洞的自動(dòng)挖掘.研究得知，本文方法的軟件安全漏洞挖掘的特征提取能力較強(qiáng)，且準(zhǔn)確度較高.