基于Python的機(jī)器學(xué)習(xí)入侵檢測(cè)的研究

◆孟 平 龍華秋

（五邑大學(xué)智能制造學(xué)部 廣東 529020）

如今互聯(lián)網(wǎng)的發(fā)展速度和規(guī)模的擴(kuò)張十分迅猛，IT技術(shù)、硬件產(chǎn)品和軟件產(chǎn)品的迭代更新非常迅速。互聯(lián)網(wǎng)+的時(shí)代，如此迅速的發(fā)展給我們的生活帶來(lái)了巨大的便利，同時(shí)也帶來(lái)了眾多的安全隱患。在大多數(shù)人眼中，互聯(lián)網(wǎng)上的安全問(wèn)題，大多都是數(shù)據(jù)泄露，以及其他相關(guān)問(wèn)題，這些問(wèn)題影響的大多都是企業(yè)，造成的損失也基本是經(jīng)濟(jì)上的損失。然而近年來(lái)發(fā)生的多起工業(yè)控制系統(tǒng)相關(guān)的安全問(wèn)題，充分證明了攻擊者完全可以通過(guò)互聯(lián)網(wǎng)威脅到人們的現(xiàn)實(shí)生活，比如近期國(guó)外發(fā)生的工控系統(tǒng)入侵事件導(dǎo)致的他國(guó)全國(guó)范圍大部分地區(qū)停電的事件。當(dāng)下互聯(lián)網(wǎng)的安全問(wèn)題，已經(jīng)被國(guó)家高中重視，網(wǎng)絡(luò)安全事關(guān)國(guó)家安全。

利用機(jī)器學(xué)習(xí)中的監(jiān)督學(xué)習(xí)相關(guān)算法訓(xùn)練好的模型，在實(shí)際中應(yīng)用時(shí)，可以快速對(duì)一個(gè)新提取的樣本做判斷，判斷其是否惡意。比以往通過(guò)特征碼等其他判斷方式，少了查詢“特征碼集合”和比對(duì)的操作，其判斷速度上要遠(yuǎn)快于傳統(tǒng)方式。良好的訓(xùn)練集和合適的算法及相應(yīng)的參數(shù)，可使訓(xùn)練出來(lái)的模型具有很好的泛化性能。

1 系統(tǒng)設(shè)計(jì)

計(jì)算機(jī)網(wǎng)絡(luò)具有多層協(xié)議，在其七層模型（物理層、數(shù)據(jù)鏈路層、網(wǎng)絡(luò)層、傳輸層、會(huì)話層、表示層、應(yīng)用層）中，物理層和數(shù)據(jù)鏈路層太過(guò)底層，會(huì)話層、表示層和應(yīng)用層涉及的協(xié)議眾多不適合作為用于進(jìn)行判斷其是否惡意的基礎(chǔ)。在網(wǎng)絡(luò)層上可以開(kāi)始不考慮具體的數(shù)據(jù)傳輸?shù)膶?shí)現(xiàn)，而傳輸層TCP和UDP協(xié)議是上層協(xié)議的基礎(chǔ)且僅為實(shí)現(xiàn)連續(xù)和離散的傳輸方式。因此在本次研究中，判斷流量是否惡意便是基于網(wǎng)絡(luò)層和傳輸層的數(shù)據(jù)報(bào)文。

在整個(gè)機(jī)器學(xué)習(xí)入侵檢測(cè)中，我們需要有“流量探針”為我們捕獲流量，而捕獲的數(shù)據(jù)報(bào)文要經(jīng)過(guò)“特征提取”，提取的特征會(huì)組成一個(gè)“樣本”，樣本將會(huì)是我們直接用于訓(xùn)練模型和模型判斷的目標(biāo)。在本次研究中，由于服務(wù)器性能等問(wèn)題，為了方便，我們直接使用KDD 99 比賽中提供的五百萬(wàn)現(xiàn)成的樣本，作為訓(xùn)練模型和模型評(píng)估的數(shù)據(jù)集合。在整個(gè)系統(tǒng)中將分為三個(gè)部分：模型訓(xùn)練、樣本采集和模型判斷。

圖1為系統(tǒng)流程圖。

2 具體實(shí)現(xiàn)

如流程圖中所示，整個(gè)系統(tǒng)中有三個(gè)部分相對(duì)獨(dú)立：模型訓(xùn)練、檢測(cè)判斷、樣本采集。本系統(tǒng)涉及機(jī)器學(xué)習(xí)的內(nèi)容，要保證模型訓(xùn)練、樣本采集和檢測(cè)判斷的部分的最終樣本的維度特征的一致性，才能保證模型的使用。因本課題中，對(duì)樣本的判斷可以看作是分類，即是否具有攻擊性和可能的攻擊類別，因此在機(jī)器學(xué)習(xí)模型算法的選擇上，我們將選擇分類器相關(guān)的算法。

圖1 系統(tǒng)流程圖

以下將對(duì)模型訓(xùn)練階段的內(nèi)容進(jìn)行講解：

2.1 機(jī)器學(xué)習(xí)算法—邏輯斯諦回歸

在本次研究課題中，我們采用的是機(jī)器學(xué)習(xí)中監(jiān)督學(xué)習(xí)的邏輯斯諦回歸算法（Logistic Regression）。需要注意的是，邏輯斯諦回歸算法并不是回歸模型相關(guān)的算法，而是用于分類的分類器算法。

2.1.1 算法原理

邏輯斯蒂回歸（Logistic Regression），是一種分類算法，其算法原理如下：

不同類的x對(duì)應(yīng)z的值為0或者1，單位階躍函數(shù)由于函數(shù)性質(zhì)不可導(dǎo)不連續(xù)，所以引入sigmoid函數(shù)：

圖2函數(shù)圖

所以令：

得到：

化成對(duì)數(shù)形式：

y/(1-y) 代表了樣本作為正例的可能性，1-y是反例。

所以y=概率p(y=1|x)

1-y=概率p(y=0|x)

所以上式又可化為：

解得：

將這2個(gè)等式化成一個(gè)等式：

對(duì)上式連乘，然后取對(duì)數(shù)，進(jìn)行極大似然估計(jì)：

最大化上式相等于最小化：

這是一個(gè)凸函數(shù)，可以使用梯度下降或者牛頓迭代（割線法）來(lái)求最優(yōu)解。

梯度下降的迭代式為：

因?yàn)橐龈叩姆较颍允?號(hào)，代表梯度的正方向。

2.1.2 邏輯斯蒂回歸——多分類擴(kuò)展

邏輯斯蒂回歸是二分類器，本系統(tǒng)是多分類器，所以采用OVR的方式將二分類器的方式擴(kuò)展到多分類器，OVR訓(xùn)練多個(gè)分類器，每一個(gè)分類器將某一類別的視為正樣本，其他視為負(fù)樣本，訓(xùn)練出n個(gè)后，然后輸出每個(gè)樣本對(duì)應(yīng)每個(gè)類別的概率，取最大的概率作為最終的輸出結(jié)果。

2.2 特征工程

為了方便，我們?cè)谀Ｐ陀?xùn)練階段直接使用了KDD 99比賽的數(shù)據(jù)集，以縮減前期數(shù)據(jù)采集的時(shí)間。該數(shù)據(jù)集采集自美國(guó)軍方網(wǎng)絡(luò)，其樣本的特征基于計(jì)算機(jī)網(wǎng)絡(luò)的網(wǎng)絡(luò)層和傳輸層的，但在其提供的特征上做了適當(dāng)?shù)倪x擇和特征的向量化，使其更加適用于本課題的研究。

具體特征內(nèi)容如下：

（1）duration：TCP以3次握手建立到FIN/ACK連接結(jié)束為止的時(shí)間；

（2）protocol type：協(xié)議類型；

（3）Service：網(wǎng)絡(luò)服務(wù)類型；

（4）flag：連接正常或錯(cuò)誤；

（5）src_bytes：源主機(jī)到目標(biāo)主機(jī)數(shù)據(jù)字節(jié)數(shù)；

（6）dst_bytes：目標(biāo)主機(jī)到源主機(jī)數(shù)據(jù)字節(jié)數(shù)；

（7）land：若連接來(lái)自或送達(dá)同一個(gè)主機(jī)則為1，否則為0；

（8）wrong_fragment：錯(cuò)誤分段數(shù)量；

（9）urgent：加急包個(gè)數(shù)；

（10）count：與當(dāng)前連接具有相同的目標(biāo)主機(jī)的連接數(shù)；

（11）srv_count：與當(dāng)前連接具有相同服務(wù)的連接數(shù)；

（12）serror_rate：在與當(dāng)前連接具有相同目標(biāo)主機(jī)的連接中，出現(xiàn)“SYN”錯(cuò)誤的連接的百分比；

（13）srv_serror_rate：在與當(dāng)前連接具有相同服務(wù)的連接中，出現(xiàn)“SYN”錯(cuò)誤的連接的百分比；

（14）rerror_rate：在與當(dāng)前連接具有相同目標(biāo)主機(jī)的連接中，出現(xiàn)“REJ”錯(cuò)誤的連接的百分比；

（15）srv_rerror_rate：在與當(dāng)前連接具有相同服務(wù)的連接中，出現(xiàn)“REJ”錯(cuò)誤的連接的百分比；

（16）same_srv_rate：在與當(dāng)前連接具有相同目標(biāo)主機(jī)的連接中，與當(dāng)前連接具有相同服務(wù)的連接的百分比；

（17）diff_srv_rate：在與當(dāng)前連接具有相同目標(biāo)主機(jī)的連接中，與當(dāng)前連接具有不同服務(wù)的連接的百分比；

（18）srv_diff_host_rate：在與當(dāng)前連接具有相同服務(wù)的連接中，與當(dāng)前連接具有不同目標(biāo)主機(jī)的連接的百分比；

（19）dst_host_count：與當(dāng)前連接具有相同目標(biāo)主機(jī)的連接數(shù)；

（20）dst_host_srv_count：與當(dāng)前連接具有相同目標(biāo)主機(jī)相同服務(wù)的連接數(shù)；

（21）dst_host_same_srv_rate：與當(dāng)前連接具有相同目標(biāo)主機(jī)相同服務(wù)的連接所占的百分比；

（22）dst_host_diff_srv_rate：與當(dāng)前連接具有相同目標(biāo)主機(jī)不同服務(wù)的連接所占的百分比；

（23）dst_host_same_src_port_rate：與當(dāng)前連接具有相同目標(biāo)主機(jī)相同源端口的連接所占的百分比；

（24）dst_host_srv_diff_host_rate：與當(dāng)前連接具有相同目標(biāo)主機(jī)相同服務(wù)的連接中，與當(dāng)前連接具有不同源主機(jī)的連接所占的百分比；

（25）dst_host_serror_rate：與當(dāng)前連接具有相同目標(biāo)主機(jī)的連接中，出現(xiàn)SYN錯(cuò)誤的連接所占的百分比；

（26）dst_host_srv_serror_rate：與當(dāng)前連接具有相同目標(biāo)主機(jī)相同服務(wù)的連接中，出現(xiàn)SYN錯(cuò)誤的連接所占的百分比；

（27）dst_host_rerror_rate：與當(dāng)前連接具有相同目標(biāo)主機(jī)的連接中，出現(xiàn)REJ錯(cuò)誤的連接所占的百分比；

（28）dst_host_srv_rerror_rate：與當(dāng)前連接具有相同目標(biāo)主機(jī)相同服務(wù)的連接中，出現(xiàn)REJ錯(cuò)誤的連接所占的百分比。

2.3 模型訓(xùn)練代碼

def ReadData(path)：

data=open(path).readlines()

data=np.array([i.split(',') for i in data])

data[：, -1]= [i.replace(' ', '').replace('.', '') for i in data[：, -1]]

data_r=np.zeros(shape=data.shape)

data_r[：,0]=[float(i) for i in data[：,0]]

for i in range(4,40)：

data_r[：, i]= [float(j) for j in data[：, i]]

protocol_type={k：i for i,k in enumerate(set(data[：,1]))}

service={k：i for i,k in enumerate(set(data[：,2]))}

flag={k：i for i,k in enumerate(set(data[：,3]))}

label={k：i for i,k in enumerate(set(data[：,-1]))}

print(protocol_type)

print(service)

print(flag)

print(label)

data_r[：, 1]= [protocol_type[j]for j in data[：, 1]]

data_r[：, 2]= [service[j]for j in data[：, 2]]

data_r[：, 3]= [flag[j]for j in data[：, 3]]

data_r[：, -1]= [label[j]for j in data[：, -1]]

data_r=np.c_[data_r[：,0：9],data_r[：,22：42]]

weight={}

for j in range(len(label))：

weight[j]=len(data)-len([i for i in data_r if i[-1]==j])

return data_r,weight

def Classify(feature,weight)：

lr=LogisticRegression()

X_train, X_test, y_train, y_test = train_test_split(feature[：,：-1],feature[：,-1], test_size = 0.3, random_state = 42)

w=[weight[i]for i in y_train]

d = [weight[i]for i in y_test]

lr.fit(X_train,y_train,sample_weight=w)

print(str(lr.score(X_test,y_test,sample_weight=d)))

joblib.dump(lr, 'kdd99lr')

def train()：

feature,weight=ReadData(r'kddcup.data.corrected')

Classify(feature,weight)

train()

3 功能測(cè)試

3.1 數(shù)據(jù)采集功能（見(jiàn)圖3）

圖3 數(shù)據(jù)采集功能

其中DONE表明該表明該樣本已經(jīng)過(guò)模型檢測(cè)判斷等處理。

3.2 模型檢測(cè)

圖4內(nèi)容為已訓(xùn)練好的模型對(duì)樣本采集器中樣本的檢測(cè)結(jié)果。

圖4 檢測(cè)結(jié)果

3.3 模型性能評(píng)估（見(jiàn)表1）

表1 模型性能評(píng)估表

phf 0.00 0.00 0.00 1 ipsweep 0.98 0.20 0.33 3709 smurf 1.00 1.00 1.00 842033 pod 0.00 0.00 0.00 72 rootkit 0.00 0.00 0.00 3 neptune 0.99 1.00 0.99 321807 warezmaster 0.00 0.00 0.00 5 multihop 0.00 0.00 0.00 1 nmap 0.88 0.09 0.17 733 teardrop 1.00 0.99 0.99 279 back 0.00 0.00 0.00 664 spy 0.00 0.00 0.00 1 ftp_write 0.00 0.00 0.00 4 loadmodule 0.00 0.00 0.00 3 land 0.50 0.20 0.29 10 buffer_overflow 0.00 0.00 0.00 10 warezclient 0.00 0.00 0.00 303 guess_passwd 0.00 0.00 0.00 13 portsweep 0.25 0.00 0.00 3079 Imap 0.00 0.00 0.00 1 perl 0.00 0.00 0.00 1 multihop 0.98 1.00 0.99 291976 Micro-avg 0.99 0.99 0.99 1469530 Macro-avg 0.33 0.23 0.25 1469530 Weighted-avg 0.99 0.99 0.99 1469530

4 結(jié)束語(yǔ)

本文詳細(xì)介紹了基于Python的機(jī)器學(xué)習(xí)入侵檢測(cè)系統(tǒng)的設(shè)計(jì)與實(shí)現(xiàn)。項(xiàng)目總共有三大功能需要實(shí)現(xiàn)：模型訓(xùn)練、檢測(cè)判斷、樣本采集。在本項(xiàng)目中，我們直接使用KDD 99 比賽中提供的五百萬(wàn)現(xiàn)成的樣本，作為訓(xùn)練模型和模型評(píng)估的數(shù)據(jù)集，使用邏輯斯蒂回歸算法對(duì)流量樣本進(jìn)行訓(xùn)練，從大量的流量數(shù)據(jù)集合中找到惡意樣本。通過(guò)在實(shí)際環(huán)境進(jìn)行的大量網(wǎng)絡(luò)流量測(cè)試，與流量樣本的測(cè)試，驗(yàn)證了該入侵檢測(cè)系統(tǒng)的實(shí)用性。