張 璇

(安徽體育運(yùn)動(dòng)職業(yè)技術(shù)學(xué)院，安徽 合肥 230051)

0 引言

網(wǎng)絡(luò)技術(shù)的迅速發(fā)展，優(yōu)化了計(jì)算機(jī)網(wǎng)絡(luò)體系，為更多網(wǎng)絡(luò)用戶提供了便利條件，很多網(wǎng)絡(luò)端口支持友情訪問(wèn)，即從當(dāng)前網(wǎng)絡(luò)端口可以直接連接另外一個(gè)網(wǎng)絡(luò)端口[1]。除此之外，還有很多新型網(wǎng)絡(luò)技術(shù)。然而這些技術(shù)的開(kāi)發(fā)，埋藏著一定的安全風(fēng)險(xiǎn)。目前，一些不法分子攻擊網(wǎng)絡(luò)，篡改用戶文件信息、盜取重要信息及個(gè)人隱私等，給網(wǎng)絡(luò)用戶帶來(lái)了較大的損失和不便[2]。網(wǎng)絡(luò)入侵識(shí)別是防御不法分子攻擊網(wǎng)絡(luò)的有效途徑之一，由于網(wǎng)絡(luò)入侵行為較為復(fù)雜，很難保證入侵行為的識(shí)別精度[3]。從目前掌握的資料來(lái)看，大部分入侵識(shí)別模型的精度較低，未能有效解決網(wǎng)絡(luò)安全問(wèn)題[4-5]。為了彌補(bǔ)以往研究的不足，該文選擇模糊SVM模型作為工具展開(kāi)此方面的研究。

1 模糊SVM模型

1.1 模糊分類模型的構(gòu)建

模型引入模糊處理方法，處理噪聲、數(shù)據(jù)孤立點(diǎn)等因素影響問(wèn)題，從而提高數(shù)據(jù)分類精準(zhǔn)度[6]。另外，模型還采取優(yōu)化訓(xùn)練SVM參數(shù)的方式，針對(duì)入侵檢測(cè)數(shù)據(jù)采取高精度識(shí)別分類。假設(shè)樣本為i，其標(biāo)簽為li，特征向量為vi，增加函數(shù)為fi，用該函數(shù)描述隸屬度，數(shù)值范圍0

li[w·λ(vi)+b]-1+μi≥0

(1)

公式(1)中，i的取值范圍1,2，…，m；C代表常數(shù)，為固定值；μi代表松弛因子。

針對(duì)網(wǎng)絡(luò)入侵檢測(cè)數(shù)據(jù)的識(shí)別，運(yùn)用模糊SVM模型轉(zhuǎn)換問(wèn)題，將問(wèn)題變?yōu)榛跀?shù)據(jù)集訓(xùn)練處理的隸屬度函數(shù)求解問(wèn)題。利用SVM訓(xùn)練器、DBSCAN訓(xùn)練處理函數(shù)，而后運(yùn)用分類工具，對(duì)網(wǎng)絡(luò)行為輸入進(jìn)行進(jìn)一步的識(shí)別，判斷是否具備入侵行為特性，給出最終判斷結(jié)果。

1.2 模型作業(yè)流程

模糊分類模型的作業(yè)流程。首先需要對(duì)數(shù)據(jù)包進(jìn)行預(yù)處理，而后利用粗分類器，判斷當(dāng)前的數(shù)據(jù)包中的數(shù)據(jù)類型。數(shù)據(jù)分為待處理數(shù)據(jù)、正常數(shù)據(jù)，正常數(shù)據(jù)不需要進(jìn)行任何處理，待處理數(shù)據(jù)需要利用細(xì)分類器，對(duì)數(shù)據(jù)的類別進(jìn)行進(jìn)一步處理[7]。如圖1所示為模型作業(yè)流程。

圖1 模型作業(yè)流程

第一步，對(duì)數(shù)據(jù)集中的數(shù)據(jù)采取預(yù)處理，接下來(lái)采用兩種不同的訓(xùn)練器，對(duì)數(shù)據(jù)進(jìn)行分類。其中，使用到的訓(xùn)練器有兩種，SVM訓(xùn)練器用于初篩，經(jīng)過(guò)該過(guò)程處理篩選出感興趣數(shù)據(jù)；DBSCAN訓(xùn)練器用于攻擊數(shù)據(jù)類別的劃分，是對(duì)預(yù)處理中表現(xiàn)出攻擊特點(diǎn)的數(shù)據(jù)采取篩選，轉(zhuǎn)入細(xì)分類器中，對(duì)此部分?jǐn)?shù)據(jù)類型進(jìn)行進(jìn)一步的分類。第二步，數(shù)據(jù)類型劃分，分別運(yùn)用FSVM工具、細(xì)分類器進(jìn)行分類。第三步，數(shù)據(jù)類型判斷，對(duì)當(dāng)前數(shù)據(jù)類型進(jìn)行判斷，如果屬于正常數(shù)據(jù)，則直接結(jié)束識(shí)別操作。反之，需要將FSVM工具數(shù)據(jù)結(jié)果發(fā)送至細(xì)分類器中，對(duì)此部分?jǐn)?shù)據(jù)的類型采取進(jìn)一步的劃分。第四步，對(duì)于攻擊類型數(shù)據(jù)，在記錄信息的同時(shí)，采取聯(lián)動(dòng)防御處理。

另外，F(xiàn)SVM工具分類數(shù)據(jù)對(duì)象，除了來(lái)自數(shù)據(jù)集以外，還有一部分直接來(lái)自網(wǎng)絡(luò)數(shù)據(jù)。利用數(shù)據(jù)采集工具，從網(wǎng)絡(luò)中挖掘用戶行為數(shù)據(jù)，而后對(duì)此部分?jǐn)?shù)據(jù)采取預(yù)處理，開(kāi)啟預(yù)處理器作業(yè)模式，得到初篩結(jié)果，此部分結(jié)果數(shù)據(jù)就是FSVM分類作業(yè)的數(shù)據(jù)來(lái)源。

2 基于模糊SVM模型的計(jì)算機(jī)網(wǎng)絡(luò)入侵識(shí)別算法

2.1 DBSCAN算法開(kāi)發(fā)

為了降低噪聲點(diǎn)對(duì)入侵?jǐn)?shù)據(jù)類型識(shí)別的影響，利用DBSCAN(Density-Based Spatial Clustering of Applications with Noise)算法處理此部分?jǐn)?shù)據(jù)，生成聚類后得到的類別數(shù)量較為穩(wěn)定[8]。選取數(shù)據(jù)集KDD Cup99作為訓(xùn)練數(shù)據(jù)集，構(gòu)造4個(gè)訓(xùn)練器，對(duì)入侵?jǐn)?shù)據(jù)類別進(jìn)行識(shí)別。以下為DBSCAN算法應(yīng)用的核心代碼。

輸入端：3個(gè)輸入對(duì)象，分別是密度閾值、半徑、數(shù)據(jù)對(duì)象集合，記為MinPts、Eps、D。

輸出端：聚類，記為C。

DBSCAN( D，Eps，Min Pts) //定義3個(gè)輸入對(duì)象

begin

init C = 0; //系統(tǒng)初始化處理。其中，簇?cái)?shù)量為 0

for each unvisited point p in D //指針?lè)较虻拇_定

mark p as visited; //標(biāo)記已訪問(wèn)對(duì)象p

N=get Neighbours (p，Eps); //按照順序，對(duì)相鄰p逐次賦給N

if size Of(N)< Min Pts then //設(shè)定判斷條件，滿足該條件時(shí)，達(dá)到終止循環(huán)標(biāo)準(zhǔn)

mark p as noise; //滿足上述條件情況下，認(rèn)為p為噪聲，并加以標(biāo)記

Else //不滿足上述判斷條件，則執(zhí)行以下運(yùn)行語(yǔ)句

C = next cluster; //創(chuàng)建一個(gè)新的簇，賦給C

Expand Cluster (p,N,C,Eps，Min Pts); //

end if

end for

end

運(yùn)行上述算法，能夠有效識(shí)別入侵?jǐn)?shù)據(jù)信息中的噪聲，對(duì)于干擾因素處理有所幫助。

2.2 Expand Cluster算法開(kāi)發(fā)

為了擴(kuò)大識(shí)別對(duì)象范圍，得到更大的數(shù)據(jù)分類集，在研究方案中引入了Expand Cluster算法，對(duì)此算法應(yīng)用功能的核心程序進(jìn)行開(kāi)發(fā)，程序如下：

Expand Cluster(p,N,C,Eps,Min Pts) //定義5個(gè)對(duì)象

add p to cluster C; //將p加入集群 C中

for each point p' in N //在N取任意一個(gè)

mark p' as visited; //將點(diǎn)p′作為核心點(diǎn)

N'=get Neighbours (p', Eps) ; // 以p′為核心，對(duì)N鄰域內(nèi)所有點(diǎn)展開(kāi)半徑檢查

if size Of(N')>=Min Pts then //設(shè)定判斷條件，滿足該條件時(shí)，達(dá)到終止循環(huán)標(biāo)準(zhǔn)

N = N + N'; // 滿足大于Min Pts條件，則擴(kuò)展N數(shù)目

end if //結(jié)束條件判斷分析

if p' is not member of any cluster //如果p′不是集群C中的成員，則執(zhí)行以下程序

add p' to cluster C; // 將 p′加入集群簇C中

end if //結(jié)束本輪條件判斷

end for //結(jié)束本次for循環(huán)

end Expand Cluster //結(jié)束集群簇?cái)U(kuò)展

3 計(jì)算機(jī)網(wǎng)絡(luò)入侵識(shí)別實(shí)驗(yàn)測(cè)試分析

3.1 網(wǎng)絡(luò)入侵檢測(cè)數(shù)據(jù)處理

開(kāi)展實(shí)驗(yàn)測(cè)試工作之前，需對(duì)離散字符型數(shù)據(jù)采取預(yù)處理，而后引入標(biāo)準(zhǔn)處理技術(shù)和歸一化技術(shù)，對(duì)此部分?jǐn)?shù)據(jù)采取二次處理，經(jīng)過(guò)數(shù)據(jù)格式轉(zhuǎn)換，得到網(wǎng)絡(luò)訪問(wèn)行為數(shù)據(jù)識(shí)別對(duì)象。其中，實(shí)驗(yàn)選取的數(shù)據(jù)格式為L(zhǎng)IBSVM，為SVM模型的運(yùn)用創(chuàng)造基礎(chǔ)條件。

3.2 測(cè)試內(nèi)容與方法

測(cè)試以訓(xùn)練時(shí)間、分類準(zhǔn)確率作為測(cè)試指標(biāo)，利用DBSCAN分類器、模糊SVM-DBSCAN聯(lián)合分類器識(shí)別網(wǎng)絡(luò)訪問(wèn)行為數(shù)據(jù)。為了避免單次實(shí)驗(yàn)測(cè)試得到的結(jié)果受某些因素影響降低可靠性，所以開(kāi)設(shè)5組測(cè)試實(shí)驗(yàn)。其中，每組實(shí)驗(yàn)環(huán)境和基礎(chǔ)環(huán)境相同。

3.3 測(cè)試結(jié)果分析

分別運(yùn)用DBSCAN分類器、模糊SVM-DBSCAN聯(lián)合分類器，進(jìn)行5次實(shí)驗(yàn)，對(duì)網(wǎng)絡(luò)訪問(wèn)行為數(shù)據(jù)進(jìn)行類別的劃分，從而挖掘入侵行為數(shù)據(jù)，為網(wǎng)絡(luò)安全防御工作的開(kāi)展提供參考依據(jù)。表1所示為訓(xùn)練時(shí)間與分類準(zhǔn)確率測(cè)試結(jié)果。

表1 訓(xùn)練時(shí)間與分類準(zhǔn)確率測(cè)試結(jié)果

表1中統(tǒng)計(jì)結(jié)果顯示，與DBSCAN算法相比，該文提出的模糊SVM-DBSCAN聯(lián)合算法，雖然耗費(fèi)的訓(xùn)練時(shí)間稍微長(zhǎng)一些，但是分類準(zhǔn)確率明顯提升。例如，測(cè)試1中，DBSCAN算法訓(xùn)練時(shí)間為1.24s，分類準(zhǔn)確率為84.34%，雖然模糊SVM-DBSCAN聯(lián)合算法訓(xùn)練時(shí)間增加了0.15s,但是分類準(zhǔn)確率卻達(dá)到了96.78%。

4 結(jié)論

SVM-DBSCAN雙訓(xùn)練器應(yīng)用下的網(wǎng)絡(luò)入侵識(shí)別模型，配備Expand Cluster算法，能有效提升入侵?jǐn)?shù)據(jù)的分類準(zhǔn)確率，實(shí)現(xiàn)對(duì)更多數(shù)據(jù)類別的識(shí)別。實(shí)驗(yàn)測(cè)試結(jié)果顯示，該算法應(yīng)用于多樣本數(shù)據(jù)時(shí)，雖然訓(xùn)練時(shí)間小幅增加，但分類準(zhǔn)確率在96.78%以上，達(dá)到網(wǎng)絡(luò)入侵識(shí)別算法改進(jìn)要求。