高藝博

（鄭州工業(yè)應(yīng)用技術(shù)學(xué)院，河南 鄭州 451100）

0 引 言

隨著信息技術(shù)的不斷發(fā)展和通信網(wǎng)絡(luò)的應(yīng)用普及，網(wǎng)絡(luò)安全問題日益凸顯。通信網(wǎng)絡(luò)作為信息傳輸?shù)闹匾d體，其安全性直接關(guān)系個(gè)人隱私、國家安全以及經(jīng)濟(jì)發(fā)展[1-2]。然而，隨著網(wǎng)絡(luò)規(guī)模的不斷擴(kuò)大和網(wǎng)絡(luò)攻擊手段的日益復(fù)雜化，傳統(tǒng)的網(wǎng)絡(luò)安全檢測手段已經(jīng)顯得力不從心[3-4]。在這種背景下，大數(shù)據(jù)技術(shù)的興起為通信網(wǎng)絡(luò)安全帶來了新的解決方法。

大數(shù)據(jù)技術(shù)以其強(qiáng)大的數(shù)據(jù)處理能力和智能化分析方法，在各個(gè)領(lǐng)域展現(xiàn)出廣泛的應(yīng)用前景[5-6]。在通信網(wǎng)絡(luò)安全領(lǐng)域，利用大數(shù)據(jù)技術(shù)構(gòu)建高效的安全監(jiān)測系統(tǒng)，對于及時(shí)發(fā)現(xiàn)網(wǎng)絡(luò)異常行為、快速響應(yīng)網(wǎng)絡(luò)攻擊具有重要意義。同時(shí)，結(jié)合機(jī)器學(xué)習(xí)等技術(shù)，可以實(shí)現(xiàn)對海量通信數(shù)據(jù)的智能化分析和挖掘，為網(wǎng)絡(luò)安全決策提供更加精準(zhǔn)的支持。然而，目前國內(nèi)外對于大數(shù)據(jù)技術(shù)在通信網(wǎng)絡(luò)安全檢測方面的研究尚處于起步階段，尤其是在實(shí)際應(yīng)用層面的探索較為有限。國外學(xué)者主要集中在大數(shù)據(jù)技術(shù)的理論研究和模型構(gòu)建上，缺乏對于實(shí)際通信網(wǎng)絡(luò)場景下的應(yīng)用研究。而國內(nèi)研究雖然逐漸增多，但整體水平仍有待提高。

文章旨在深入研究該領(lǐng)域，針對通信網(wǎng)絡(luò)安全領(lǐng)域的實(shí)際需求，結(jié)合大數(shù)據(jù)技術(shù)和機(jī)器學(xué)習(xí)方法，提出一種基于大數(shù)據(jù)的通信網(wǎng)絡(luò)安全監(jiān)測系統(tǒng)，并探討基于支持向量機(jī)（Support Vector Machine，SVM）的通信大數(shù)據(jù)安全監(jiān)測方法[7-8]。文章以AWID 數(shù)據(jù)集為基礎(chǔ)，測試和驗(yàn)證所提方法，旨在為通信網(wǎng)絡(luò)安全領(lǐng)域的研究和實(shí)踐提供一定的參考和借鑒，推動(dòng)大數(shù)據(jù)技術(shù)在網(wǎng)絡(luò)安全領(lǐng)域的應(yīng)用和發(fā)展[9-10]。

1 基于大數(shù)據(jù)的通信網(wǎng)絡(luò)安全監(jiān)測系統(tǒng)

文章研究的基于大數(shù)據(jù)的通信網(wǎng)絡(luò)安全監(jiān)測系統(tǒng)架構(gòu)包括數(shù)據(jù)采集、數(shù)據(jù)預(yù)處理、特征提取、安全分析及結(jié)果展示等主要模塊。第一，數(shù)據(jù)采集模塊負(fù)責(zé)從通信網(wǎng)絡(luò)中收集原始數(shù)據(jù)，包括網(wǎng)絡(luò)流量數(shù)據(jù)和日志數(shù)據(jù)等。第二，數(shù)據(jù)預(yù)處理模塊對采集到的數(shù)據(jù)進(jìn)行清洗、去噪及格式化處理，以保證數(shù)據(jù)的質(zhì)量和一致性。第三，特征提取模塊從預(yù)處理后的數(shù)據(jù)中提取出與網(wǎng)絡(luò)安全相關(guān)的特征，如流量統(tǒng)計(jì)特征和協(xié)議分布特征等。第四，安全分析模塊利用機(jī)器學(xué)習(xí)、數(shù)據(jù)挖掘等技術(shù)對提取的特征進(jìn)行分析和建模，識別出網(wǎng)絡(luò)中的異常行為和潛在威脅。第五，結(jié)果展示模塊將分析結(jié)果以可視化的形式展示給安全管理員，幫助其及時(shí)發(fā)現(xiàn)和應(yīng)對網(wǎng)絡(luò)安全事件。通信網(wǎng)絡(luò)安全監(jiān)測系統(tǒng)架構(gòu)如圖1 所示。

圖1 通信網(wǎng)絡(luò)安全監(jiān)測系統(tǒng)架構(gòu)

2 基于改進(jìn)型SVM 的通信安全檢測

SVM 是一種經(jīng)典的機(jī)器學(xué)習(xí)方法，廣泛應(yīng)用于分類和回歸問題的解決。其基本原理是通過構(gòu)建一個(gè)高維特征空間，將輸入數(shù)據(jù)映射到該空間，并在該空間中找到一個(gè)最優(yōu)的超平面來實(shí)現(xiàn)數(shù)據(jù)的分類或回歸。在分類問題中，SVM 的目標(biāo)是找到一個(gè)能夠?qū)⒉煌悇e的數(shù)據(jù)樣本分隔開的最優(yōu)超平面，使得各類樣本到超平面的距離最大化，從而達(dá)到最好的分類效果。在回歸問題中，SVM 的目標(biāo)是找到一個(gè)能夠使得訓(xùn)練樣本與超平面之間的間隔最大化的超平面，從而實(shí)現(xiàn)對未知數(shù)據(jù)的回歸預(yù)測。支持向量機(jī)具有優(yōu)秀的泛化能力和對高維數(shù)據(jù)的處理能力，其核心思想是通過尋找最優(yōu)的間隔來實(shí)現(xiàn)數(shù)據(jù)的分類或回歸，而不依賴于數(shù)據(jù)的分布形式。在通信網(wǎng)絡(luò)安全監(jiān)測中，支持向量機(jī)方法能夠利用其在高維空間中的優(yōu)化性質(zhì)，有效地分類網(wǎng)絡(luò)數(shù)據(jù)，并檢測網(wǎng)絡(luò)數(shù)據(jù)中的異常數(shù)據(jù)，從而快速響應(yīng)和準(zhǔn)確識別網(wǎng)絡(luò)安全事件。因此，文章選擇支持向量機(jī)方法作為通信網(wǎng)絡(luò)安全監(jiān)測的核心分析工具。

文章采用的是一種自適應(yīng)支持向量機(jī)（Adaptive Support Vector Machine，ASVM）方法，旨在進(jìn)一步提升其在通信大數(shù)據(jù)中的性能。該方法通過引入自適應(yīng)參數(shù)調(diào)整機(jī)制，動(dòng)態(tài)調(diào)整支持向量機(jī)的參數(shù)，以適應(yīng)不同的數(shù)據(jù)特征和分布情況，從而提高其分類準(zhǔn)確率和泛化能力。

首先，定義支持向量機(jī)的目標(biāo)函數(shù)O為

式中：w為超平面的法向量；b為超平面的截距；ξ為松弛變量；C為正則化參數(shù)，控制模型的復(fù)雜度和分類錯(cuò)誤的懲罰程度。

其次，引入自適應(yīng)參數(shù)γ，動(dòng)態(tài)調(diào)整正則化參數(shù)C

式中：iγ為樣本i的自適應(yīng)參數(shù)，根據(jù)樣本的特征和分布情況進(jìn)行動(dòng)態(tài)調(diào)整。

再次，定義自適應(yīng)參數(shù) iγ的更新規(guī)則為

式中：dij為樣本i和樣本j之間的距離，可以是歐氏距離或其他度量方法計(jì)算得到。利用更新后的自適應(yīng)參數(shù) iγ計(jì)算新的正則化參數(shù)C。

最后，將更新后的正則化參數(shù)C帶入支持向量機(jī)的目標(biāo)函數(shù)中，重新優(yōu)化模型參數(shù)w和b，以獲得最優(yōu)的分類超平面。

通過引入自適應(yīng)參數(shù)調(diào)整機(jī)制，ASVM 方法能夠根據(jù)數(shù)據(jù)的特征和分布情況動(dòng)態(tài)調(diào)整支持向量機(jī)的參數(shù)，增強(qiáng)模型的適應(yīng)性和泛化能力，從而進(jìn)一步提高其在通信大數(shù)據(jù)中的性能表現(xiàn)。

3 實(shí)驗(yàn)與分析

文章在實(shí)驗(yàn)部分使用AWID 數(shù)據(jù)集來測試提出的自適應(yīng)支持向量機(jī)方法。AWID 數(shù)據(jù)集是一種常用的通信網(wǎng)絡(luò)數(shù)據(jù)集，用于評估網(wǎng)絡(luò)安全檢測方法的性能。該數(shù)據(jù)集包含大量的Wi-Fi 信號數(shù)據(jù)和相關(guān)的網(wǎng)絡(luò)流量信息。其中，Wi-Fi 信號數(shù)據(jù)涵蓋多種不同的網(wǎng)絡(luò)活動(dòng)，包括正常的用戶活動(dòng)和潛在的攻擊行為，涵蓋多種不同的網(wǎng)絡(luò)通信協(xié)議和應(yīng)用場景。AWID 數(shù)據(jù)集的特點(diǎn)是具有較高的復(fù)雜性和真實(shí)性，能夠充分反映實(shí)際通信網(wǎng)絡(luò)中的各種情況和異常行為。因此，該數(shù)據(jù)集被廣泛應(yīng)用于通信網(wǎng)絡(luò)安全領(lǐng)域的研究和實(shí)踐，有助于評估和對比不同安全檢測方法的性能和效果。

采用的實(shí)驗(yàn)方法如下：第一，數(shù)據(jù)集準(zhǔn)備，從AWID 數(shù)據(jù)集中獲取所需的Wi-Fi 信號數(shù)據(jù)和相關(guān)的網(wǎng)絡(luò)流量信息；第二，數(shù)據(jù)預(yù)處理，對從AWID 數(shù)據(jù)集中獲取的數(shù)據(jù)進(jìn)行預(yù)處理，包括數(shù)據(jù)清洗、去噪及格式化處理，確保數(shù)據(jù)的質(zhì)量和一致性；第三，特征提取，從預(yù)處理后的數(shù)據(jù)中提取與通信網(wǎng)絡(luò)安全相關(guān)的特征，包括流量統(tǒng)計(jì)特征和協(xié)議分布特征等，用于描述數(shù)據(jù)的特性和行為；第四，實(shí)驗(yàn)設(shè)置，基于MATLAB 構(gòu)建自適應(yīng)支持向量機(jī)，并將數(shù)據(jù)集劃分為訓(xùn)練集和測試集；第五，模型訓(xùn)練，使用AWID 數(shù)據(jù)集中的訓(xùn)練集數(shù)據(jù)，利用自適應(yīng)支持向量機(jī)方法進(jìn)行模型訓(xùn)練；第六，模型評估，使用AWID 數(shù)據(jù)集中的測試集數(shù)據(jù)，評估訓(xùn)練好的自適應(yīng)支持向量機(jī)模型，通過計(jì)算分類準(zhǔn)確率、召回率、精確率等指標(biāo)來評價(jià)模型的性能。實(shí)驗(yàn)結(jié)果如表1 所示。

表1 實(shí)驗(yàn)結(jié)果

由表1可知，首先，模型在不同實(shí)驗(yàn)條件下的分類準(zhǔn)確率均在92%～96%，表現(xiàn)穩(wěn)定且數(shù)值較高，表明文章提出的自適應(yīng)支持向量機(jī)方法在識別和分類通信網(wǎng)絡(luò)數(shù)據(jù)時(shí)具有較高的準(zhǔn)確性和可靠性。其次，模型在不同實(shí)驗(yàn)條件下的召回率均在90%～94%，表現(xiàn)出較好的正例識別能力。最后，從精確率的角度來看，模型在不同實(shí)驗(yàn)條件下的精確率均在93%～97%，表現(xiàn)出較高的正例識別準(zhǔn)確性。這意味著文章提出的方法在識別出的異常行為中，能夠有效地減少誤報(bào)率，提高網(wǎng)絡(luò)安全檢測的精度和可信度。

實(shí)驗(yàn)結(jié)果充分證明文章提出的自適應(yīng)支持向量機(jī)方法在通信網(wǎng)絡(luò)安全檢測中的有效性和可行性，具有較高的分類準(zhǔn)確率、召回率及精確率，為提高網(wǎng)絡(luò)安全防護(hù)水平提供有力支持。

4 結(jié) 論

文章以大數(shù)據(jù)技術(shù)為基礎(chǔ)，針對通信網(wǎng)絡(luò)安全監(jiān)測的需求，提出一種自適應(yīng)支持向量機(jī)方法，旨在提高通信網(wǎng)絡(luò)安全檢測的效率和準(zhǔn)確性。通過構(gòu)建基于大數(shù)據(jù)的監(jiān)測系統(tǒng)架構(gòu)，并研究ASVM 方法的數(shù)學(xué)原理，系統(tǒng)地探討了該方法的設(shè)計(jì)與實(shí)現(xiàn)。實(shí)驗(yàn)結(jié)果驗(yàn)證了ASVM 方法在AWID 數(shù)據(jù)集上的有效性，表現(xiàn)出較高的分類準(zhǔn)確率、召回率及精確率，證明了其在通信網(wǎng)絡(luò)安全領(lǐng)域的潛力和應(yīng)用前景。ASVM 方法為通信網(wǎng)絡(luò)安全監(jiān)測提供一種有效的解決方案，為網(wǎng)絡(luò)安全的研究和實(shí)踐貢獻(xiàn)重要的理論和實(shí)踐經(jīng)驗(yàn)。