基于隨機(jī)矢量共振的網(wǎng)絡(luò)病毒動(dòng)態(tài)交互抑制模型

朱亞?wèn)|

（江蘇聯(lián)合職業(yè)技術(shù)學(xué)院 南京工程分院，江蘇 南京 211135）

基于隨機(jī)矢量共振的網(wǎng)絡(luò)病毒動(dòng)態(tài)交互抑制模型

朱亞?wèn)|

（江蘇聯(lián)合職業(yè)技術(shù)學(xué)院 南京工程分院，江蘇 南京 211135）

通過(guò)對(duì)網(wǎng)絡(luò)病毒的抑制模型設(shè)計(jì)，實(shí)現(xiàn)對(duì)病毒的有效檢測(cè)和攔截，提高網(wǎng)絡(luò)安全性。傳統(tǒng)的網(wǎng)絡(luò)病毒抑制模型采用靜態(tài)局部檢測(cè)方法，對(duì)攻擊病毒的結(jié)構(gòu)層次交互抑制效果不好。提出一種基于隨機(jī)矢量共振的網(wǎng)絡(luò)病毒動(dòng)態(tài)交互抑制模型。構(gòu)建病毒入侵的傳播路徑分析，進(jìn)行數(shù)學(xué)演化聚類描述，通過(guò)隨機(jī)矢量共振對(duì)病毒的入侵路徑進(jìn)行向量合成，分析病毒演化趨勢(shì)穩(wěn)態(tài)權(quán)向量，進(jìn)行數(shù)學(xué)演化聚類率，實(shí)現(xiàn)動(dòng)態(tài)交互抑制。研究結(jié)果表明，采用該方法進(jìn)行網(wǎng)絡(luò)病毒動(dòng)態(tài)交互抑制，提高了對(duì)病毒的抑制能力，從而提高檢測(cè)概率，保證網(wǎng)絡(luò)安全。

網(wǎng)絡(luò)病毒；隨機(jī)矢量；檢測(cè)；動(dòng)態(tài)交互

隨著網(wǎng)絡(luò)攻擊形式的不斷進(jìn)化，網(wǎng)絡(luò)安全受到人們重視，網(wǎng)絡(luò)病毒入侵是網(wǎng)絡(luò)攻擊的一個(gè)重要形式，網(wǎng)絡(luò)病毒入侵是通過(guò)拒絕服務(wù)攻擊等方法實(shí)現(xiàn)對(duì)數(shù)據(jù)庫(kù)的篡改，是一種對(duì)網(wǎng)絡(luò)危害巨大的惡意攻擊。當(dāng)前，網(wǎng)絡(luò)病毒入侵具有代表性的攻擊手段包括PingofDeath、TearDrop、UDPflood、SYNflood、LandAttack、IPSpoofingDoS等。簡(jiǎn)單的看，網(wǎng)絡(luò)病毒入侵只是一種破壞網(wǎng)絡(luò)服務(wù)的黑客方式，雖然具體的實(shí)現(xiàn)方式千變?nèi)f化，但都有一個(gè)共同點(diǎn)，就是利用被攻擊主機(jī)提供服務(wù)或傳輸協(xié)議上處理重復(fù)連接的缺陷，使受害主機(jī)或網(wǎng)絡(luò)無(wú)法及時(shí)接收并處理外界請(qǐng)求，或無(wú)法及時(shí)回應(yīng)外界請(qǐng)求。為了實(shí)現(xiàn)對(duì)網(wǎng)絡(luò)病毒入侵的防御，需要通過(guò)對(duì)網(wǎng)絡(luò)病毒的抑制模型設(shè)計(jì)，實(shí)現(xiàn)對(duì)病毒的有效檢測(cè)和攔截，提高網(wǎng)絡(luò)安全性［1］。

傳統(tǒng)方法中，對(duì)網(wǎng)絡(luò)病毒的入侵檢測(cè)和抑制模型主要采用方向性空間搜索模型和信號(hào)檢測(cè)模型等，采用靜態(tài)局部檢測(cè)方法，對(duì)攻擊病毒的結(jié)構(gòu)層次交互抑制效果不好［2］。對(duì)此，相關(guān)文獻(xiàn)進(jìn)行改進(jìn)，其中，文獻(xiàn)［3］采用了一種基于博弈論的網(wǎng)絡(luò)攻擊容忍系統(tǒng)病毒抑制算法，進(jìn)行安全性擴(kuò)展，對(duì)攻擊者的行動(dòng)策略帶來(lái)紊亂博弈行為，提高了對(duì)病毒的聚類能力，但算法的平均失效時(shí)間較短，不適應(yīng)與對(duì)大規(guī)模潛質(zhì)入侵病毒的檢測(cè)和聚類。文獻(xiàn)［4］中，優(yōu)化了攻擊容忍系統(tǒng)的狀態(tài)轉(zhuǎn)移特征，對(duì)病毒的入侵路徑進(jìn)行量化分析，實(shí)現(xiàn)了對(duì)病毒的結(jié)構(gòu)層次性掃頻，然而該算法沒(méi)能有效避免網(wǎng)絡(luò)防御措施之間相互的影響，系統(tǒng)安全性受到限制，系統(tǒng)對(duì)病毒的檢測(cè)效果不好［5］。

針對(duì)上述問(wèn)題，文中提出一種基于隨機(jī)矢量共振的網(wǎng)絡(luò)病毒動(dòng)態(tài)交互抑制模型。首先構(gòu)建病毒入侵的傳播路徑分析，進(jìn)行數(shù)學(xué)演化聚類描述，采用隨機(jī)矢量共振算法實(shí)現(xiàn)對(duì)病毒的動(dòng)態(tài)監(jiān)測(cè)，實(shí)現(xiàn)動(dòng)態(tài)交互抑制，仿真實(shí)驗(yàn)進(jìn)行了性能驗(yàn)證，展示了本文算法實(shí)現(xiàn)網(wǎng)絡(luò)病毒動(dòng)態(tài)交互抑制方面的優(yōu)越性能。

1　病毒傳播路徑分析和病毒數(shù)據(jù)聚類模型

1.1網(wǎng)絡(luò)病毒傳播路徑分析

主要對(duì)病毒入侵信息進(jìn)行信息處理過(guò)程中，主要分為線性信息處理方法和非線性信息處理方法，在交叉和變異過(guò)程中對(duì)每一個(gè)病毒入侵環(huán)節(jié)進(jìn)行個(gè)體適應(yīng)度求解，采用流數(shù)據(jù)分類和分形的方法，實(shí)現(xiàn)抗病毒攻擊。在此需要構(gòu)建一個(gè)陣列模型，在從location、document.URL、document.referrer等污點(diǎn)數(shù)據(jù)對(duì)象中獲取高階次冪分布式陣元域，本文采用污點(diǎn)數(shù)據(jù)雙模聚類算法，對(duì)攻擊調(diào)頻信號(hào)虛警預(yù)估計(jì)［6］，基于此，設(shè)計(jì)得到的病毒傳播路徑模型結(jié)果如圖1所示。

圖1　網(wǎng)絡(luò)病毒傳播路徑分析模型

圖1所示為傳播半徑R為的節(jié)點(diǎn)1，病毒傳播過(guò)程中，病毒在蔓延半徑之內(nèi)從A點(diǎn)移動(dòng)到B點(diǎn)病毒傳播到新節(jié)點(diǎn)的概率定義為：

首先假設(shè)網(wǎng)絡(luò)病毒傳播信息流表示為：

式中，ψ0表示為病毒傳播方向性系數(shù)，β為病毒演化趨勢(shì)穩(wěn)態(tài)權(quán)向量，f0為病毒狀態(tài)轉(zhuǎn)移中心頻移特征，在等效低通信道中，病毒免疫系統(tǒng)對(duì)可疑信息接收分析響應(yīng)特征的計(jì)算式表達(dá)為：

其中an（t）是病毒在傳播過(guò)程中的第n條路徑上接收信號(hào)的衰減因子，τn（t）為第n條路徑的傳播延時(shí)，fc為調(diào)制頻率，sl（t）為要傳輸?shù)男畔ⅲ诓《緜鞑ミ^(guò)程中，用戶通過(guò)安裝補(bǔ)丁而免于被傳染，設(shè)備感染病毒以后，其關(guān)機(jī)的概率為Pic，由此計(jì)算特定類別的與時(shí)間相關(guān)的感染率，實(shí)現(xiàn)對(duì)網(wǎng)絡(luò)病毒傳播路徑分析模型分析。

1.2病毒數(shù)據(jù)聚類模型和信號(hào)模型構(gòu)建

在復(fù)雜網(wǎng)絡(luò)環(huán)境中存在著雜波信號(hào)，對(duì)網(wǎng)絡(luò)病毒的入侵具有很好的掩蓋作用，病毒傳播的方向性空間搜索信號(hào)用式表示為：

其中f0與ψ0分別為起始頻率與初始相位，最大的傳播概率定義為：

連接概率可以定義為：

得到病毒入侵進(jìn)程的概率信號(hào)瞬時(shí)頻率和時(shí)間的關(guān)系為：

式中β為病毒對(duì)用戶的掃頻系數(shù)，在病毒傳播過(guò)程中為一組連續(xù)的數(shù)值屬性序列，得到系統(tǒng)的最終感染比例隨感染概率的變化關(guān)系式為：

設(shè)病毒信號(hào)掃頻帶寬為W，線性調(diào)頻時(shí)段長(zhǎng)度為T(mén)，則有：

對(duì)網(wǎng)絡(luò)病毒傳播進(jìn)程中的局部平穩(wěn)性進(jìn)行評(píng)價(jià)，WT為處理增益，用ε1（t）表示2維非規(guī)則病毒傳輸網(wǎng)絡(luò)中方差為σ的高斯雜波干擾白噪聲。在用ε2（t）表示方差為的高斯白噪聲。通過(guò)上述算法實(shí)現(xiàn)和模型構(gòu)建，得到了網(wǎng)絡(luò)病毒傳統(tǒng)的路路徑擴(kuò)散模型，實(shí)現(xiàn)對(duì)病毒數(shù)據(jù)聚類模型和信號(hào)模型構(gòu)建，為網(wǎng)絡(luò)病毒動(dòng)態(tài)交互抑制模型設(shè)計(jì)奠定信號(hào)基礎(chǔ)。

線性調(diào)頻信號(hào)的自相關(guān)函數(shù)為：

病毒數(shù)據(jù)聚類分類模型的WAIFW矩陣記為：

2　網(wǎng)絡(luò)病毒動(dòng)態(tài)交互抑制模型改進(jìn)

對(duì)于網(wǎng)絡(luò)的服務(wù)層、主機(jī)層和網(wǎng)絡(luò)系統(tǒng)級(jí)進(jìn)行層次化網(wǎng)絡(luò)安全威脅，偽隨機(jī)時(shí)頻跳變信號(hào)對(duì)網(wǎng)絡(luò)服務(wù)的安全威脅與服務(wù)的正常訪問(wèn)量密切相關(guān)。撞庫(kù)攻擊會(huì)導(dǎo)致系統(tǒng)應(yīng)用層的許多重要信息丟失和失真，然后進(jìn)行不正當(dāng)?shù)挠?jì)算機(jī)攻擊威脅操作。本文設(shè)計(jì)信息特征潛質(zhì)博弈方法，實(shí)現(xiàn)對(duì)攻擊行為的欺騙性鑒別，需要給出網(wǎng)絡(luò)威脅離散度狀態(tài)方程，得到網(wǎng)絡(luò)病毒交互規(guī)則性函數(shù)為：

在多層網(wǎng)絡(luò)模型中，有M個(gè)多源方向性攻擊信號(hào)，在攻擊進(jìn)化中得到抗體種群選擇概率為Ac，P個(gè)偽隨機(jī)時(shí)頻跳變信號(hào)以θ0，θ1，…，θP的角度輸入到網(wǎng)絡(luò)病毒檢測(cè)系統(tǒng)中，病毒攻擊特征時(shí)間分布方法調(diào)節(jié)系統(tǒng)參數(shù)a，b。由此能使各個(gè)接入網(wǎng)絡(luò)的負(fù)載均衡，也可以根據(jù)用戶級(jí)別提供不同的QoS保證。由此構(gòu)建網(wǎng)絡(luò)病毒動(dòng)態(tài)交互抑制模型，通過(guò)上述模型，計(jì)算不同病毒傳播模式的感染率，實(shí)現(xiàn)對(duì)網(wǎng)絡(luò)病毒的動(dòng)態(tài)交互抑制。模型改進(jìn)設(shè)計(jì)流程如圖2所示。

圖2　算法改進(jìn)設(shè)計(jì)流程

3　仿真實(shí)驗(yàn)與結(jié)果

為了測(cè)試算法在病毒攻擊過(guò)程中的動(dòng)態(tài)交互抑制和檢測(cè)性能，進(jìn)行仿真實(shí)驗(yàn)，采用自適應(yīng)調(diào)整策略實(shí)現(xiàn)病毒傳播方向聚類分析。仿真實(shí)驗(yàn)建立在TS10000高性能集群系統(tǒng)，采用32 nm制程工藝英特爾至強(qiáng)5600系列處理器，模擬多目標(biāo)無(wú)限方差網(wǎng)絡(luò)攻擊從不同無(wú)規(guī)則方向進(jìn)行攻擊，病毒攻擊路徑中，步長(zhǎng)為0.1，多目標(biāo)無(wú)限方差網(wǎng)絡(luò)攻擊在第一次遷徙過(guò)程中，步長(zhǎng)是0.2，第二次遷徙過(guò)程中步長(zhǎng)是0.1，設(shè)發(fā)送端Alice和接收端Bob之間共有M個(gè)病毒攻擊中繼節(jié)點(diǎn)。在網(wǎng)絡(luò)中繼節(jié)點(diǎn)中，每個(gè)節(jié)點(diǎn)只需要保持記錄 4 bit，即（MinHop，N0，N1，N2），根據(jù)上述仿真環(huán)境，進(jìn)行仿真，首先對(duì)病毒進(jìn)行聚類分解，采用隨機(jī)矢量共振方法，進(jìn)行網(wǎng)絡(luò)病毒入侵?jǐn)?shù)據(jù)聚類分析，得到結(jié)果如圖3所示。

圖3　網(wǎng)絡(luò)病毒入侵?jǐn)?shù)據(jù)聚類

圖4　病毒入侵抑制性能分析

從圖3可見(jiàn)，采用本文方法，能有效實(shí)現(xiàn)對(duì)網(wǎng)絡(luò)病毒入侵?jǐn)?shù)據(jù)的分類，提高數(shù)據(jù)聚類性能，以此為基礎(chǔ)，進(jìn)行病毒抑制和檢測(cè)仿真，得到采用本文方法和傳統(tǒng)方法下的病毒動(dòng)態(tài)交互抑制概率如圖4所示，從圖4可見(jiàn)，采用本文模型，通過(guò)隨機(jī)矢量共振對(duì)病毒的入侵路徑進(jìn)行向量合成，提高了對(duì)病毒的抑制能力，從而提高檢測(cè)概率，采用 10000次蒙特卡洛實(shí)驗(yàn)進(jìn)行分析，可以證明采用本文方法提高檢測(cè)概率達(dá)到23.45%，性能優(yōu)越，保證了網(wǎng)絡(luò)不被病毒攻擊入侵。

4　結(jié)　論

通過(guò)對(duì)網(wǎng)絡(luò)病毒的抑制模型設(shè)計(jì)，實(shí)現(xiàn)對(duì)病毒的有效檢測(cè)和攔截，提高網(wǎng)絡(luò)安全性。傳統(tǒng)的網(wǎng)絡(luò)病毒抑制模型采用靜態(tài)局部檢測(cè)方法，對(duì)攻擊病毒的結(jié)構(gòu)層次交互抑制效果不好。提出一種基于隨機(jī)矢量共振的網(wǎng)絡(luò)病毒動(dòng)態(tài)交互抑制模型。首先構(gòu)建病毒入侵的傳播路徑分析，進(jìn)行數(shù)學(xué)演化聚類描述，采用隨機(jī)矢量共振算法實(shí)現(xiàn)對(duì)病毒的動(dòng)態(tài)監(jiān)測(cè)，實(shí)現(xiàn)動(dòng)態(tài)交互抑制，研究結(jié)果表明，采用本文方法通過(guò)隨機(jī)矢量共振對(duì)病毒的入侵路徑進(jìn)行向量合成，提高了對(duì)病毒的抑制能力，從而提高檢測(cè)概率，保證網(wǎng)絡(luò)安全。

［1］黃向黨，羊秋玲，金志剛.無(wú)線Mesh網(wǎng)絡(luò)延遲及丟包控制機(jī)制研究［J］.湘潭大學(xué)自然科學(xué)學(xué)報(bào)，2013，35（3）：95-101.

［2］成國(guó)營(yíng)，王艷.無(wú)線傳感器網(wǎng)絡(luò)中多移動(dòng)Agent協(xié)同控制數(shù)據(jù)分流方法［J］.計(jì)算機(jī)應(yīng)用，2015，35（4）：910-915.

［3］劉典型．多虛擬機(jī)下基于內(nèi)存緩存的動(dòng)態(tài)塊遷移算法［J］．計(jì)算機(jī)應(yīng)用與軟件，2015，32（3）：11-15，123．

［4］匡桂娟，曾國(guó)蓀.一種基于時(shí)分復(fù)用的云資源管理方法［J］.同濟(jì)大學(xué)學(xué)報(bào)：自然科學(xué)版，2014，42（5）：782-789.

［5］石鑫，周勇，胡光波.基于信號(hào)峰脊陡變調(diào)制的雷達(dá)測(cè)距算法［J］.物聯(lián)網(wǎng)技術(shù)，2015，5（4）：12-14.

［6］曾志，王晉，杜震洪，等.一種云格環(huán)境下可計(jì)算資源與服務(wù)高效調(diào)配機(jī)制［J］.浙江大學(xué)學(xué)報(bào)：理學(xué)版，2014，41（3）：353-357.

［7］張紅蕊，張永，于靜雯．云計(jì)算環(huán)境下基于樸素貝葉斯的數(shù)據(jù)分類［J］．計(jì)算機(jī)應(yīng)用與軟件，2015，32（3）：27-30．

Network virus dynamic interaction suppression model based on random vector resonance

ZHU Ya-dong
（Nanjing Engineering Branch of，Jiangsu Union Technical Institute，Nanjing 211135，China）

Through the design of network virus inhibition model，realize the effective detection and interception of the virus，improve network security.The traditional network virus inhibition by static local detection model，structure of virus attacks the reciprocal inhibition effect is not good.This paper presents an interactive model of network virus inhibition dynamic random vector based on resonance.Analysis of the propagation path of the virus，the mathematical description of the evolutionary clustering，vector synthesis through the path of the invasion of random vector resonance of the virus，virus evolution trend of steady state analysis of the weight vector，mathematical evolutionary clustering rate，to achieve dynamic interaction inhibition. The results of the study show that，using the method of dynamic network virus reciprocal inhibition，improves the ability to suppress the virus，so as to improve the probability of detection，network security.

network virus；random vector；detection；dynamic interaction

TP393

A

1674－6236（2016）06-0026-03

2015-05-05稿件編號(hào)：201505034

朱亞?wèn)|（1976—），男，江蘇阜寧人，副教授。研究方向：計(jì)算機(jī)網(wǎng)絡(luò)。