云計算環境中移動網絡低匹配度異質信息入侵感知預測算法

陳惠娟,趙 旭,陳 亮

(西安工程大學 計算機科學學院,西安 710048)

隨著云計算技術的高速發展,云計算環境中移動網絡廣泛應用于物流、商務、航海等領域.在云計算移動網絡中,低匹配度異質信息的特征與復雜性令低匹配度異質信息入侵感知預測十分困難[1-6].因此,尋求有效算法準確預測云計算移動網絡中的低匹配度異質信息,采用合理措施對該信息進行處理,有利于提高云計算環境中移動網絡的安全性及質量.傳統云計算移動網絡中對低匹配度異質信息入侵感知預測算法主要有兩種：1) 把低匹配度異質信息的全部節點與連接都作為同一類型進行處理；2) 單獨處理低匹配度異質信息的各類型節點,無視各類型連接間的關聯性[7].上述兩種傳統算法均存在重要信息易丟失的問題,因為不同類型的低匹配度異質信息間的連接代表不同的意義,具有不同的構成機制[8],并且能夠互相關聯、互相作用.所以,在進行云計算環境中移動網絡低匹配度異質信息入侵感知預測時,區分不同的低匹配度異質信息十分重要[9].傳統灰色神經網絡組合預測算法,在云計算環境中進行移動網絡低匹配度異質信息入侵感知預測時,因入侵信息較復雜,對信息入侵預測的精度較差,導致互聯網信息防御性降低.因此,本文提出一種新的云計算環境中移動網絡低匹配度異質信息入侵感知預測算法,通過構建云計算環境中移動網絡低匹配度異質信息入侵預測模型,解析并檢驗低匹配度異質信息入侵網絡傳輸中的信息和參數,構建低匹配度異質信息概率矩陣,實現云計算環境中移動網絡低匹配度異質信息入侵感知預測.

1 算法設計

先運用灰色模型對云計算平臺網絡中低匹配度異質信息進行預處理,解析并檢驗異質信息入侵網絡傳送中的信息,再通過元路徑對異質信息入侵進行感知預測.由于低匹配度異質信息中有很多不同類別的信息節點,因此信息節點間采用不同的關系對信息進行連接[10].運用組合信息對象在不同元路徑上構造連接展開入侵預測,以提升云計算平臺移動網絡低匹配度異質信息預測的精確度[11].

1.1 初始低匹配度異質信息預處理

由于云計算移動網絡中的低匹配度異質信息入侵在時間序列上存在繁瑣性、非線性的特點[12],因此為了確保信息與信息規則相符,通過灰色模型對初始低匹配度異質信息進行預處理,達到降低干擾因素的作用,將初始低匹配度異質信息進行轉換得到有序數列.低匹配度異質信息包的時間序列表達式為

X={X0,X1,X2,…,Xn}.

(1)

運用AGO函數得到序列X′,使信息包的時間序列灰色模型變為

X′={AGOX0,AGOX1,AGOX2,…,AGOXn}.

(2)

根據X′構造方程

(3)

其中：a表示信息發展灰度;u表示操控信息灰度;t表示時間序列的某時刻.

設灰色網絡的表達式為

(4)

(5)

于是

(6)

(7)

(8)

(9)

式(1)～(9)為構造灰色模型的偏差模擬和演練過程,該過程實現了云計算環境中移動網絡初始低匹配度異質信息序列的預處理.

1.2 基于元路徑的低匹配度異質信息入侵感知預測算法

采用灰色模型對云計算環境中移動網絡初始低匹配度異質信息進行預處理后,獲取了初始低匹配度異質信息有序序列,在此基礎上,再采用基于元路徑的低匹配度異質信息入侵預測算法,完成云計算環境中移動網絡低匹配度異質信息的入侵感知檢測.

已知信息節點vi,作為信息特征節點,其節點類別為τ(vi).令云計算環境移動網絡中低匹配度異質信息入侵特征類別為S,信息目的節點為vj,其節點類別為τ(vj),信息目的類別為T.假設所給的元路徑為Pm時,信息入侵目的之間為各自孤立的,相鄰矩陣Wm的關系式為各自孤立出現的[15],信息節點路徑兩邊的任意節點間為孤立的,相對低匹配度異質信息特征S和信息目的類別T,給出元路徑Pm,則其概率為

(10)

其中:wij,m表示信息節點vi和vj間元路徑Pm上觀察到的信息權值;Wm和Πm分別表示相鄰矩陣和概率矩陣；πij,m表示i和j路過元路徑P可能相連的概率.

若令πi,m表示包含參數φi,m的信息分布,入侵信息αm通過觀察的相鄰矩陣Wm與概率矩陣Πm確定,找到am,令信息入侵權重觀察的相鄰矩陣為amWm時,πi,m后驗概率達到最大,則

am=argmaxP(πi,m|amwi,m).

(11)

根據式(11)得云計算環境中移動網絡低匹配度異質信息入侵的概率密度為

(12)

θ=argmaxJ(θ),

(13)

其中J(θ)表示信息參數的步長.通過元路徑算法令低匹配度異質信息入侵參數達到最優,信息參數更新過程如下:

(14)

其中:ηθ表示信息參數迭代步長;θt-1表示信息參數迭代次數.通過信息目的函數求解低匹配度異質信息分布參數φij,m的偏導數,則

(15)

(16)

根據信息入侵迭代步長,更新獲得的信息分布參數為

(17)

通過觀察云計算環境中移動網絡低匹配度異質信息入侵相鄰矩陣和分布參數,構造信息概率矩陣,設置信息入侵對象vi及其與入侵目的對象vj相連的概率πij,在給出異質信息入侵相鄰矩陣及參數的前提下,得到最大化πi,m的后驗概率為

(18)

(19)

其中πij,m表示πi,m的第j個異質信息.

運用組合信息節點對元路徑構造相連概率,即πij=∑πij,m,完成云計算環境中移動網絡低匹配度異質信息入侵感知預測.

1.3 低匹配度異質信息入侵攻擊意圖預測算法

為了有效抵御云計算環境中移動網絡入侵攻擊,需對預測出的低匹配度異質信息入侵攻擊意圖進行預測.通過對云計算環境中移動網絡低匹配度入侵異質信息攻擊意圖進行預測,得到入侵信息原始概率分布,計算出攻擊意圖矩陣,構建攻擊意圖邏輯關系圖,計算出攻擊獲得的效用函數,基于此實現移動網絡低匹配度異質信息入侵攻擊意圖預測.

令Sse表示初始云計算環境中移動網絡低匹配度異質入侵預警信息,將與Sse相同屬性的Sjk入侵預警信息設置為特級入侵預警信息,Xsd,Xyd分別表示攻擊X中存在的兩個意圖,aij表示兩個意圖間的狀態轉換概率,則云計算環境中移動網絡低匹配度異質入侵信息原始概率分布為

(20)

其中wsdjj為攻擊意圖關聯規范.

令udf表示云計算環境中移動網絡低匹配度異質信息入侵預警信息權重,gdf表示權重分派集,kdf表示歸屬度矩陣,Alert表示云計算環境中移動網絡低匹配度異質信息攻擊意圖判斷的未知元素,δde表示意圖狀態轉換概率最大權重,bj(ot)表示觀察值ot狀態時出現的概率值,o表示觀察序列,則云計算平臺移動網絡低匹配度異質信息攻擊意圖狀態矩陣可表示為

(21)

其中Edfpp為攻擊意圖項集.

若令sdjj表示云計算環境中移動網絡低匹配度異質信息攻擊完成的概率,aij表示攻擊ai完成后達到狀態sj的概率,o表示觀察事件置信度,oi表示攻擊觀察事件oi證實ai發生的概率,則云計算平臺移動網絡低匹配度異質信息攻擊意圖可表示為

(22)

若令εdfgg表示觀察事件置信度數值范疇,O(s,A)表示狀態節點集s與攻擊節點集A中節點積聚概率,將O(s,A)設置成觀察事件序列中存在的攻擊意圖總概率,則可得攻擊獲得的有效函數為

(23)

其中:θsdpp表示全部節點積聚概率;edff表示存在最高概率攻擊路徑;zxgg表示節點與有向邊數量的總數;ddffp表示有效攻擊意圖數;tfg表示同一性質的攻擊攻略.若令use表示存在最高幾率的攻擊節點,Pep為低匹配度異質入侵信息原始概率分布,則可進一步實現對云計算平臺移動網絡低匹配度異質信息入侵的攻擊意圖預測：

(24)

2 實驗分析

下面對某云計算環境中移動網絡進行低匹配度異質信息入侵感知預測仿真實驗,以驗證本文實驗的有效性.實驗區域為1 580 m×1 580 m,信息節點數量為55 個,惡意節點數量為12個,信息節點運動速度為57 m/s,惡意信息數據為46 條.

2.1 算法數據發送成功率驗證

圖1 3種算法低匹配度異質信息發送成功率對比Fig.1 Comparison of transmission success rates of three algorithms with low matching degree heterogeneous information

圖1為本文算法、基于灰色神經網絡組合入侵預測算法和基于參數選擇屬性網絡入侵預測算法,對實驗云計算環境中移動網絡的低匹配度異質信息數據發送成功率的對比.由圖1可見,開始10 s內本文算法與其他兩種算法的信息發送成功率均較高,隨著時間的延長,發送次數不斷增多,兩種對比算法均存在著某些信息節點無法順利發送信息數據的問題,導致信息數據發送成功率較低,而本文算法采用元路徑對實驗云計算環境中移動網絡低匹配度異質信息節點入侵進行預測,能保持信息數據發送成功率一直處于較穩定的狀態.

2.2 算法入侵節點防御成功率驗證

圖2為3種算法對實驗云計算環境中移動網絡的低匹配度異質信息入侵節點防御成功率的對比.由圖2可見,對比算法在進行異質信息入侵防御時,未對惡意節點發起檢驗,使信息節點消耗能量,同時信息節點能力持續降低,防御能力不穩定,并隨著信息節點能量的下降防御能力不斷降低,而本文算法在同一時間段內,對入侵節點的防御成功率一直處于穩定狀態,防御成功率約為85%.實驗結果表明,本文算法有效提升了云計算環境中移動網絡低匹配度異質信息入侵節點防御的成功率.

2.3 算法準確率驗證

圖3為3種算法對實驗云計算環境中移動網絡低匹配度異質信息入侵感知預測準確率的對比.由圖3可見,本文算法的低匹配度異質信息入侵感知預測準確率比另外兩種對比算法高,這是因為本文算法對低匹配度異質信息進行預處理,降低了干擾因素的不利影響,再運用元路徑對異質信息入侵節點進行預測,有效提升了網絡低匹配度異質信息入侵感知預測準確率,達到了保障云平臺移動網絡安全的作用.

2.4 算法入侵攻擊意圖預測有效性驗證

為驗證本文算法對云計算環境移動網絡中低匹配度異質信息入侵攻擊意圖預測的有效性,下面對3種預測算法進行入侵攻擊意圖預測對比實驗.通過對比誤警率和漏警率兩項指標,對本文算法與基于灰色神經網絡組合入侵預測算法、基于參數選擇屬性網絡入侵預測算法的有效性進行比較,結果分別如圖4和圖5所示.

圖2 3種算法低匹配度異質信息入侵 節點防御成功率對比Fig.2 Comparison of success rates of defense for intrusion node of three algorithms with low matching degree heterogeneous information

圖3 3種算法低匹配度異質信息入侵 感知預測準確率對比Fig.3 Comparison of intrusion awareness prediction accuracy of three algorithms with low matching degree heterogeneous information

圖4 3種算法預測誤警率對比Fig.4 Comparison of predicting false alarm rate of three algorithms

圖5 3種算法預測漏警率對比Fig.5 Comparison of predicting missed alarm rate of three algorithms

由圖4和圖5可見,相對于其他兩種對比算法,本文算法對云計算環境中移動網絡低匹配度異常信息入侵攻擊意圖預測更有效,因為本文算法在對入侵攻擊意圖進行預測時,能反映出入侵攻擊由一個主體到另一個主體的轉移過程,獲得了攻擊意圖完成的最大概率,從而有效保障了移動網絡的安全.

綜上所述,本文提出了一種新的云計算平臺網絡低匹配度異質信息入侵感知預測算法,先運用元路徑對低匹配度異質信息進行感知預測,再通過不同元路徑上信息對象的關聯概率,對信息入侵進行預測,并對網絡低匹配度異質信息入侵攻擊意圖進行準確檢測.實驗結果表明,本文算法實現了網絡低匹配度異質信息入侵的全面、準確預測,有效提升了云計算環境中移動網絡的安全性.