模糊網(wǎng)絡(luò)入侵中多層序列特征自動(dòng)提取方法研究

朱聞亞

摘 要： 模糊網(wǎng)絡(luò)中入侵特征較為多樣化，無法通過固定的閾值進(jìn)行合理判斷。為了解決模糊網(wǎng)絡(luò)入侵檢測方法存在檢測率低、誤報(bào)率高和檢測速度慢等問題，提出一種基于量子神經(jīng)網(wǎng)絡(luò)的層序列特征自動(dòng)提取方法。在該算法中，通過對模糊網(wǎng)絡(luò)進(jìn)行層次劃分，運(yùn)用量子BP神經(jīng)網(wǎng)絡(luò)模型以量子形式形態(tài)的空間思維結(jié)構(gòu)來提取信息，通過量子空間結(jié)構(gòu)中量子門的移位與旋轉(zhuǎn)變化對神經(jīng)網(wǎng)絡(luò)量子形態(tài)相位進(jìn)行操作，完成多層序列特征自動(dòng)提取。仿真實(shí)驗(yàn)表明，該算法具有較好高的檢測率和檢測效率，并且誤報(bào)率較低。

關(guān)鍵詞： 模糊網(wǎng)絡(luò)； 入侵檢測； 分層操作； 特征自動(dòng)提取

中圖分類號(hào)： TN711?34； TP393.08 文獻(xiàn)標(biāo)識(shí)碼： A 文章編號(hào)： 1004?373X（2017）10?0114?04

Abstract： The intrusion features in fuzzy network are diverse， so the intrusion features can not be reasonably judged with the fixed threshold. A kind of layer sequence characteristics′ automatic extraction method based on quantum neural network is put forward to solve the problems of low detection rate and high false rate and slow detection speed in the fuzzy network intrusion detection methods. In this algorithm， the quantum BP neural network model is used to extract information in the space thinking structure of quantum form by means of hierarchical division of fuzzy network， and the phase in quantum form of neural network is operated by means of quantum gate displacement and rotation changes in quantum space structure to complete automatic extraction of multilayered sequence features. The experimental simulation result show that the algorithm has better detection rate， detection efficiency and low false alarm rate.

Keywords： fuzzy network； intrusion detection； hierarchical operation； characteristic automatic extraction

0 引 言

入侵檢測為保證網(wǎng)絡(luò)安全的重要技術(shù)，通過學(xué)習(xí)能力、適應(yīng)能力較高的智能學(xué)習(xí)算法完成檢測，不但可以提高檢測精度，還可以大大降低錯(cuò)誤率。因此，在智能學(xué)習(xí)算法的基礎(chǔ)之上，研究入侵檢測方法是很有意義的[1]。在模糊網(wǎng)絡(luò)的入侵特征提取中，出現(xiàn)了很多較好的方法，支持向量機(jī)是一種依據(jù)核函數(shù)的學(xué)習(xí)算法，將非線性訓(xùn)練集投影至高維空間中，使非線性訓(xùn)練集達(dá)到線性可分的目的，將最大優(yōu)化間隔面看作分類面，識(shí)別樣本數(shù)據(jù)并對其進(jìn)行分類整理[2]。文獻(xiàn)[3]提出一種基于[K]近鄰算法的入侵檢測方法，依據(jù)待測樣本與相鄰樣本之間的距離確定權(quán)重，從而實(shí)現(xiàn)樣本數(shù)據(jù)集的分類，達(dá)到入侵檢測的目的。該方法實(shí)現(xiàn)過程簡單，然而在計(jì)算相鄰樣本權(quán)重時(shí)，容易造成局部出現(xiàn)最優(yōu)的問題。文獻(xiàn)[4]在信息熵的基礎(chǔ)上，提出一種[K]鄰近算法，將其應(yīng)用于入侵檢測中，利用樣本信息熵完成分類，從而實(shí)現(xiàn)入侵檢測。該方法檢測效率高，然而其信息熵的求解方法不可靠，導(dǎo)致入侵檢測結(jié)果不可靠。文獻(xiàn)[5]在提出一種基于支持多種向量機(jī)的檢測方法，通過分散方法實(shí)現(xiàn)對集合的訓(xùn)練，構(gòu)建分類器，通過分類器實(shí)現(xiàn)入侵檢測。該方法檢測精度高，但其中聚類處理對初始值的要求較高，且該方法計(jì)算量非常大。

依據(jù)上述分析，本文提出了一種基于量子神經(jīng)網(wǎng)絡(luò)的層序列特征自動(dòng)提取方法。在該算法中，通過對模糊網(wǎng)絡(luò)進(jìn)行層次劃分，運(yùn)用量子BP神經(jīng)網(wǎng)絡(luò)模型以量子形式形態(tài)的空間思維結(jié)構(gòu)來提取信息，通過量子空間結(jié)構(gòu)中的量子門的移位與旋轉(zhuǎn)變化對神經(jīng)網(wǎng)絡(luò)量子形態(tài)相位進(jìn)行操作，完成多層序列特征自動(dòng)提取。仿真實(shí)驗(yàn)證明，該算法具有較高的檢測率和檢測效率，并且誤報(bào)率較低。

1 模糊網(wǎng)絡(luò)入侵中多層序列劃分步驟

Step1：如果由[α]代表模糊網(wǎng)絡(luò)入侵特征的約簡閾值，在有限樣本集存放在臨界值[N]的狀態(tài)下，滿足于[α≥N]的條件，假如在樣本中不含有簡約樣本，那么樣本的簡約程度不會(huì)受到[α]值的影響，可通過不斷簡約調(diào)整其[α]的取值。

Step2：假設(shè)由[xi]代表模糊網(wǎng)絡(luò)中訓(xùn)練集[L]的樣本，則需要計(jì)算出[Ci]代表的相對應(yīng)的最近領(lǐng)鏈[6?7]。

Step3：相對于[Ci]代表的最近領(lǐng)鏈的距離序列，需要滿足于：

Step4：假如對[xij]代表的模糊網(wǎng)絡(luò)訓(xùn)練集[L]中標(biāo)記的入侵特征進(jìn)行初始化操作，會(huì)獲取[L′]代表的簡約特征。

Step5：當(dāng)模糊網(wǎng)絡(luò)的入侵特征變換為多類分類問題時(shí)，對于[L]可形成多層次分類的局面，其任意的入侵?jǐn)?shù)據(jù)都可以進(jìn)行約簡。針對[c]分類問題，對入侵的特征進(jìn)行[c-1]次約簡，從而得到[c-1]的層次集合，則會(huì)將相同類型的層次結(jié)果歸納為相同類別的最終分層內(nèi)容。

Step6：假如由[xt]代表模糊網(wǎng)絡(luò)的入侵特征，[L′]代表初始化的集合，則在[L′]中查詢和其最近鄰的數(shù)量為[k]的入侵特征，且需要滿足[xt1，xt2，…，xtk]的條件；在求取相關(guān)值時(shí)，將歐氏距離用度量單位表示，由[dt1，dt2，…，dtk]代表樣本[xt]的最大距離序列。

2 模糊網(wǎng)絡(luò)入侵中多層序列特征提取

量子BP神經(jīng)網(wǎng)絡(luò)模型是在傳統(tǒng)人工BP神經(jīng)網(wǎng)絡(luò)基礎(chǔ)上融合量子計(jì)算的神經(jīng)網(wǎng)絡(luò)模型，量子BP神經(jīng)網(wǎng)絡(luò)模型實(shí)質(zhì)為量子門神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)模型。量子BP神經(jīng)網(wǎng)絡(luò)模型不同于傳統(tǒng)神經(jīng)網(wǎng)絡(luò)的形式，主要在于量子BP神經(jīng)網(wǎng)絡(luò)模型以量子形態(tài)的空間思維結(jié)構(gòu)來傳遞信息，通過量子空間結(jié)構(gòu)中量子門的移位與旋轉(zhuǎn)變化操作神經(jīng)網(wǎng)絡(luò)量子形態(tài)相位，詳細(xì)描述量子BP神經(jīng)網(wǎng)絡(luò)模型的計(jì)算運(yùn)行原則為：量子門作為量子BP神經(jīng)網(wǎng)絡(luò)模型進(jìn)行量子計(jì)算的前提，通過通用量子門取代神經(jīng)網(wǎng)絡(luò)的激勵(lì)函數(shù)對輸入向量進(jìn)行運(yùn)算操作。并在模糊網(wǎng)絡(luò)入侵中多層序列特征提取中進(jìn)行應(yīng)用。

由式（8）和式（9）可以看出，量子BP神經(jīng)網(wǎng)絡(luò)模型入侵特征提取的作用是使輸入的量子BP神經(jīng)網(wǎng)絡(luò)模型量子態(tài)發(fā)生相位的移動(dòng)變化；而量子BP神經(jīng)網(wǎng)絡(luò)模型兩位特征提取層中[γ]代表模型控制參數(shù)。當(dāng)滿足[γ=1]時(shí)，模型量子態(tài)出現(xiàn)翻轉(zhuǎn)變化；當(dāng)滿足[γ=0]時(shí)，雖然量子BP神經(jīng)網(wǎng)絡(luò)模型量子態(tài)相位發(fā)生了變化，但是通過觀測量子態(tài)的概率幅并無變化。將這種情況視為量子態(tài)沒有發(fā)生變化，當(dāng)[γ]為其他值時(shí)可以任意調(diào)整量子BP神經(jīng)網(wǎng)絡(luò)模型量子態(tài)的變化。

圖1中：[X=x1，x2，…，xn]代表將模糊網(wǎng)絡(luò)入侵中多層序列特征提取的問題轉(zhuǎn)變?yōu)榱孔覤P神經(jīng)網(wǎng)絡(luò)模型量子態(tài)相應(yīng)的角度輸入；[λ]代表閾值；[δ]代表量子態(tài)角度控制因子；arg（u）代表u的相位也被稱為權(quán)值，[argu=arctanImuReu]；z表示量子BP神經(jīng)網(wǎng)絡(luò)模型量子神經(jīng)元的輸出；[gx]代表sigmoid函數(shù)。

假設(shè)由[Ii]代表量子BP神經(jīng)網(wǎng)絡(luò)模型量子神經(jīng)元的第i個(gè)輸入，則圖1所示的量子BP神經(jīng)網(wǎng)絡(luò)模型量子神經(jīng)元的特征提取輸出表示為：

式中：該量子BP神經(jīng)網(wǎng)絡(luò)模型的輸出模糊網(wǎng)絡(luò)入侵中多層序列特征提取結(jié)果主要根據(jù)[θi，λ，δ]這三個(gè)控制參數(shù)進(jìn)行調(diào)節(jié)。首先對量子BP神經(jīng)網(wǎng)絡(luò)模型輸入量子態(tài)進(jìn)行相位轉(zhuǎn)移，通過對量子態(tài)相位轉(zhuǎn)移的結(jié)果引入相位角度偏置進(jìn)行修正處理，在此基礎(chǔ)上將相位角度修正結(jié)果通過量子BP神經(jīng)網(wǎng)絡(luò)模型可控非門獲得該模型量子神經(jīng)元的輸出，由此完成對模糊網(wǎng)絡(luò)入侵中多層序列特征提取的操作。

3 實(shí)驗(yàn)仿真與分析

將樣本數(shù)據(jù)集[8]內(nèi)的2個(gè)不相關(guān)子集當(dāng)成測試數(shù)據(jù)集，在對樣本集進(jìn)行預(yù)操作以及訓(xùn)練過程中，任意劃分訓(xùn)練樣本集，獲取1組訓(xùn)練樣本、2組常量數(shù)據(jù)集，具體的數(shù)據(jù)集如表1所示。

實(shí)驗(yàn)采用Matlab 7.1及l(fā)ibsvmmat 2.911工具實(shí)現(xiàn)算法，將徑向基函數(shù)[RBF]當(dāng)成[SVM]的核函數(shù)，通過交叉驗(yàn)證參數(shù)方法設(shè)置核參數(shù)和限制系數(shù)的值，聚類數(shù)是[k=n2]，[n]用于描述樣本總數(shù)。實(shí)驗(yàn)對本文算法和[B-ISVM]算法的檢測率、誤報(bào)率和訓(xùn)練時(shí)間進(jìn)行比較，詳細(xì)結(jié)果如圖2～圖5所示。

4 結(jié) 語

本文提出了一種基于量子神經(jīng)網(wǎng)絡(luò)的層序列特征自動(dòng)提取方法。在該算法中，通過對模糊網(wǎng)絡(luò)進(jìn)行層次劃分，運(yùn)用量子BP神經(jīng)網(wǎng)絡(luò)模型以量子形式形態(tài)的空間思維結(jié)構(gòu)來提取信息，通過量子空間結(jié)構(gòu)中的量子門的移位與旋轉(zhuǎn)變化對神經(jīng)網(wǎng)絡(luò)量子形態(tài)相位進(jìn)行操作，完成多層序列特征自動(dòng)提取。實(shí)驗(yàn)仿真證明，該算法具有較高的檢測率和檢測效率，并且誤報(bào)率低。

參考文獻(xiàn)

[1] 李駿驍.多層差異網(wǎng)絡(luò)深度入侵?jǐn)?shù)據(jù)挖掘方法研究[J].計(jì)算機(jī)仿真，2015，32（4）：235?238.

[2] 陳利軍，郭紅艷.基于粒子濾波的網(wǎng)絡(luò)入侵相頻特征提取算法[J].科技通報(bào)，2016，32（3）：101?104.

[3] 康松林，劉樂，劉楚楚，等.多層極限學(xué)習(xí)機(jī)在入侵檢測中的應(yīng)用[J].計(jì)算機(jī)應(yīng)用，2015，35（9）：2513?2518.

[4] 隆忠華，王祥.基于模糊時(shí)間序列的車輛檢測器數(shù)據(jù)修補(bǔ)方法研究[J].物聯(lián)網(wǎng)技術(shù)，2016，6（6）：21?24.

[5] 胡向東，熊文韜.面向智能家居的入侵檢測方法研究[J].廣東通信技術(shù)，2016，36（5）：10?16.

[6] 趙龍才，李強(qiáng)子，黃慧萍.基于高分辨率影像的平原地區(qū)農(nóng)村居民點(diǎn)自動(dòng)化提取方法研究[J].遙感技術(shù)與應(yīng)用，2016，36（4）：784?792.

[7] 張凱.大數(shù)據(jù)網(wǎng)絡(luò)入侵過程的痕跡數(shù)據(jù)監(jiān)測方法研究[J].科學(xué)技術(shù)與工程，2016，16（14）：254?258.

[8] 吳華，王海順.基于雙向聯(lián)想記憶網(wǎng)絡(luò)的航空雷達(dá)在線入侵診斷方法研究[J].計(jì)算機(jī)測量與控制，2015，23（1）：57?59.