改進(jìn)機(jī)器學(xué)習(xí)算法在網(wǎng)絡(luò)數(shù)據(jù)安全風(fēng)險預(yù)測中的應(yīng)用

韓高峰，鐘元權(quán)

（安徽文達(dá)信息工程學(xué)院 計算機(jī)工程學(xué)院，安徽 合肥 230000）

0 引言

隨著網(wǎng)絡(luò)技術(shù)的發(fā)展，采用通信技術(shù)進(jìn)行組網(wǎng)學(xué)習(xí)，提高數(shù)據(jù)實時轉(zhuǎn)發(fā)和控制能力，在進(jìn)行網(wǎng)絡(luò)組網(wǎng)設(shè)計中，大量的數(shù)據(jù)比特序列流通過網(wǎng)絡(luò)進(jìn)行傳輸和收發(fā)控制，由于網(wǎng)絡(luò)組網(wǎng)的開放性以及節(jié)點分布的隨機(jī)性，導(dǎo)致網(wǎng)絡(luò)通信容易受到入侵，使得網(wǎng)絡(luò)的安全性受到威脅［1］.需要對網(wǎng)絡(luò)的數(shù)據(jù)安全風(fēng)險進(jìn)行有效預(yù)測，結(jié)合大數(shù)據(jù)挖掘和信息融合技術(shù)，實現(xiàn)網(wǎng)絡(luò)的安全風(fēng)險預(yù)測，提高網(wǎng)絡(luò)的抗攻擊能力.研究網(wǎng)絡(luò)的數(shù)據(jù)安全風(fēng)險預(yù)測方法受到人們的極大關(guān)注［2］.

對網(wǎng)絡(luò)數(shù)據(jù)安全預(yù)測研究是建立在對網(wǎng)絡(luò)數(shù)據(jù)的特征提取和異常性分析基礎(chǔ)上，采用譜分析和大數(shù)據(jù)關(guān)聯(lián)規(guī)則挖掘技術(shù)，進(jìn)行網(wǎng)絡(luò)數(shù)據(jù)的風(fēng)險異常特征提取，其中，文獻(xiàn)［3］提出一種基于CMA調(diào)制的移動傳感網(wǎng)絡(luò)數(shù)據(jù)傳輸安全優(yōu)化控制技術(shù)，采用波特間隔均衡控制方法，進(jìn)行無線網(wǎng)絡(luò)的輸出信道均衡設(shè)計，采用小波降噪方法進(jìn)行信道碼間干擾抑制，實現(xiàn)網(wǎng)絡(luò)數(shù)據(jù)安全預(yù)測，提高輸出的均衡性和抗干擾能力，但該方法的實時性不好，對多徑干擾的抗干擾性不強(qiáng).文獻(xiàn)［4］中提出一種基于非線性失真單周控制無線通信網(wǎng)絡(luò)大數(shù)據(jù)風(fēng)險預(yù)測算法，通過最優(yōu)分集均衡配置方法進(jìn)行信道輸出尋優(yōu)控制，提高大數(shù)據(jù)傳輸和調(diào)度的安全性和風(fēng)險預(yù)測能力，但該方法的計算復(fù)雜度較高.針對上述問題，本文提出一種基于改進(jìn)機(jī)器學(xué)習(xí)算法的網(wǎng)絡(luò)數(shù)據(jù)安全風(fēng)險預(yù)測算法.首先構(gòu)建網(wǎng)絡(luò)的數(shù)據(jù)傳輸信道分布模型，提取網(wǎng)絡(luò)傳輸碼元比特流的安全風(fēng)險數(shù)據(jù)統(tǒng)計特征量，然后結(jié)合關(guān)聯(lián)特征挖掘方法進(jìn)行網(wǎng)絡(luò)數(shù)據(jù)的安全風(fēng)險指向性預(yù)測，采用機(jī)器學(xué)習(xí)算法進(jìn)行網(wǎng)絡(luò)安全風(fēng)險預(yù)測中的收斂性控制，實現(xiàn)網(wǎng)絡(luò)數(shù)據(jù)安全風(fēng)險預(yù)測.最后進(jìn)行仿真實驗分析，得出有效性結(jié)論.

1 網(wǎng)絡(luò)數(shù)據(jù)的統(tǒng)計分析及特征提取

1.1 網(wǎng)絡(luò)數(shù)據(jù)的統(tǒng)計分析

為了實現(xiàn)網(wǎng)絡(luò)數(shù)據(jù)安全風(fēng)險預(yù)測，需要首先進(jìn)行網(wǎng)絡(luò)傳輸大數(shù)據(jù)的統(tǒng)計特征分析，對進(jìn)行網(wǎng)絡(luò)傳輸比特序列數(shù)據(jù)的統(tǒng)計分析［5］，采用一個多元統(tǒng)計特征方程描述網(wǎng)絡(luò)傳輸比特序列數(shù)據(jù)的高維空間存儲狀態(tài)模型為：

其中，0 ≤p(ai)≤1(i= 0，1，2，…，m)且表示網(wǎng)絡(luò)傳輸比特序列數(shù)據(jù)的關(guān)聯(lián)規(guī)則特征分布，通過數(shù)據(jù)的離散解析化處理，得到網(wǎng)絡(luò)傳輸比特序列數(shù)據(jù)的分布特征信息熵為：

對于一個連續(xù)的網(wǎng)絡(luò)傳輸比特序列數(shù)據(jù)隨機(jī)采樣序列，每個空間解向量對應(yīng)網(wǎng)絡(luò)傳輸比特序列數(shù)據(jù)的特征訓(xùn)練子集Si(i= 1，2，…，L)，令xn+1=μxn(1-xn)是一個網(wǎng)絡(luò)傳輸比特序列數(shù)據(jù)隨機(jī)采樣序列的統(tǒng)計學(xué)模型的共軛解，滿足初始值特征分解條件，其中k= 1，2，…，L.對于一組多元變量的網(wǎng)絡(luò)傳輸比特序列數(shù)據(jù)統(tǒng)計序列x（n），由此構(gòu)建網(wǎng)絡(luò)傳輸比特序列數(shù)據(jù)的存儲結(jié)構(gòu)模型如圖1所示.

對高維重構(gòu)后的網(wǎng)絡(luò)傳輸比特序列數(shù)據(jù)信息流通過關(guān)聯(lián)規(guī)則挖掘方法提取數(shù)據(jù)的標(biāo)簽屬性特征量，采用自適應(yīng)學(xué)習(xí)方法，進(jìn)行數(shù)據(jù)聚類過程中的聚類中心調(diào)節(jié)［6］，得到數(shù)據(jù)分類的聚類中心調(diào)節(jié)函數(shù)為：

其中，xj(t)表示網(wǎng)絡(luò)傳輸比特序列數(shù)據(jù)先驗信息在第t代的第j個聚類中心的輸出標(biāo)簽屬性，lj(t)表示第t代學(xué)習(xí)后在第j個聚類中心的輸出標(biāo)簽屬性，由此構(gòu)建網(wǎng)絡(luò)的數(shù)據(jù)傳輸信道分布模型，提取網(wǎng)絡(luò)傳輸碼元比特流的安全風(fēng)險數(shù)據(jù)統(tǒng)計特征量.

1.2 特征提取

在進(jìn)行網(wǎng)絡(luò)數(shù)據(jù)的統(tǒng)計分析的基礎(chǔ)上，進(jìn)行特征提取分析，根據(jù)風(fēng)險統(tǒng)計分布特征提取結(jié)果進(jìn)行融合聚類處理，假設(shè)高維相空間重構(gòu)模型中極限學(xué)習(xí)機(jī)的迭代次數(shù)為N，其中第i代極限學(xué)習(xí)機(jī)學(xué)習(xí)的初始聚類中心位置(xi，yi)，對應(yīng)的網(wǎng)絡(luò)數(shù)據(jù)的分類決策函數(shù)為f((xi，yi))，根據(jù)慣性權(quán)重優(yōu)化控制方法，采用神經(jīng)網(wǎng)絡(luò)分類器進(jìn)行網(wǎng)絡(luò)數(shù)據(jù)的主特征提取和分類識別，神經(jīng)網(wǎng)絡(luò)分類器的輸入層的權(quán)重為，隱含層的自適應(yīng)加權(quán)權(quán)重為，采用聯(lián)合特征識別方法，對網(wǎng)絡(luò)數(shù)據(jù)分類的主特征量進(jìn)行極限學(xué)習(xí)和自適應(yīng)加權(quán)，記它們的權(quán)值為，復(fù)制高權(quán)值的神經(jīng)元集，在網(wǎng)絡(luò)的傳輸信道中進(jìn)行網(wǎng)絡(luò)流量采集，構(gòu)建網(wǎng)絡(luò)入侵的傳輸信道模型，得到網(wǎng)絡(luò)風(fēng)險入侵特征信息：

已知a(t) ≥|s(t)|，表示a(t)在網(wǎng)絡(luò)風(fēng)險入侵檢測的包絡(luò)幅值，當(dāng)最大包絡(luò)幅值為|s(t)|，選取曲率為a(t)的曲線進(jìn)行定量回歸分析，構(gòu)建4P× 4P矩陣進(jìn)行網(wǎng)絡(luò)風(fēng)險數(shù)據(jù)的結(jié)構(gòu)重組：

式 中，E=[e1，e2，…e4P] 為 衰 減 系 數(shù)，在 傳 輸 鏈 路(a，bm) 上 構(gòu) 建 酉 矩 陣，當(dāng) 統(tǒng) 計 特 征 量∑=diag[σ1，σ2，…，σ4P]滿足得到網(wǎng)絡(luò)數(shù)據(jù)安全預(yù)測的特征提取結(jié)果為：

網(wǎng)絡(luò)數(shù)據(jù)的傳輸系數(shù)a=1s，相對時延為b=τ，根據(jù)風(fēng)險統(tǒng)計分布特征提取結(jié)果進(jìn)行融合聚類處理，構(gòu)建網(wǎng)絡(luò)數(shù)據(jù)安全風(fēng)險預(yù)測的量化回歸分析模型.

2 網(wǎng)絡(luò)數(shù)據(jù)安全預(yù)測

2.1 網(wǎng)絡(luò)數(shù)據(jù)的融合聚類處理

在上述建網(wǎng)絡(luò)的數(shù)據(jù)傳輸信道分布模型，提取網(wǎng)絡(luò)傳輸碼元比特流的安全風(fēng)險數(shù)據(jù)統(tǒng)計特征量的基礎(chǔ)上，進(jìn)行網(wǎng)絡(luò)數(shù)據(jù)的安全風(fēng)險預(yù)測處理，本文提出一種基于改進(jìn)機(jī)器學(xué)習(xí)算法的網(wǎng)絡(luò)數(shù)據(jù)安全風(fēng)險預(yù)測算法.根據(jù)風(fēng)險統(tǒng)計分布特征提取結(jié)果進(jìn)行融合聚類處理［7］，構(gòu)建網(wǎng)絡(luò)數(shù)據(jù)安全風(fēng)險預(yù)測的量化回歸分析模型，為：

其中X~1(k)，X~2(k)分別是X1(k)，X2(k)前N/2+ 1 項組成網(wǎng)絡(luò)入侵特征分布序列，在網(wǎng)絡(luò)風(fēng)險數(shù)據(jù)分布結(jié)構(gòu)模型下，以β為邊界條件，得到網(wǎng)絡(luò)風(fēng)險數(shù)據(jù)整合的拓展外延Mβ：

其中：

根據(jù)上述分析，得到網(wǎng)絡(luò)風(fēng)險數(shù)據(jù)融合聚類輸出為x(t)，t= 0，1，···，n- 1，結(jié)合關(guān)聯(lián)特征分析方法，構(gòu)建入侵信息的整合有限集合為：

其中：i= 1，2，[Cmin，Cmax]是學(xué)習(xí)因子，由此實現(xiàn)對網(wǎng)絡(luò)數(shù)據(jù)的融合聚類處理.

2.2 安全風(fēng)險指向性預(yù)測

在大數(shù)據(jù)處理環(huán)境下，對整個網(wǎng)絡(luò)安全風(fēng)險預(yù)測資源庫的統(tǒng)計分布序列開始逐幀處理，在模糊聚類中心，分析網(wǎng)絡(luò)風(fēng)險數(shù)據(jù)的統(tǒng)計測量誤差［8］，通過權(quán)重更新方法，得到模糊跟蹤項滿足||C(l) -C(l-1)||＜ξ，得到網(wǎng)絡(luò)風(fēng)險數(shù)據(jù)的生成式模型為：

設(shè)(sk，ak)和(sl，al)為網(wǎng)絡(luò)風(fēng)險數(shù)據(jù)整合節(jié)點之間的模糊貼近度函數(shù)，用xn-i表示網(wǎng)絡(luò)風(fēng)險數(shù)據(jù)屬性集的模糊分布自相關(guān)量特征量，入侵碼元形式為：

其中，Φk為資源調(diào)度特征分布集，ζ(n)為單個矩形脈沖，pk為網(wǎng)絡(luò)風(fēng)險數(shù)據(jù)的量化特征分布集，對不同輻射源的風(fēng)險入侵包絡(luò)特征進(jìn)行關(guān)聯(lián)規(guī)則挖掘，得到特征估計式為：

在信息化條件下進(jìn)行網(wǎng)絡(luò)風(fēng)險數(shù)據(jù)配置，網(wǎng)絡(luò)風(fēng)險數(shù)據(jù)配置統(tǒng)計面板數(shù)據(jù)定義為vm，m∈[1，n]，構(gòu)建網(wǎng)絡(luò)風(fēng)險數(shù)據(jù)配置集合G（其元素為gωm，ω?{G，T，W，L}，m∈[1，n]），采用機(jī)器學(xué)習(xí)算法進(jìn)行網(wǎng)絡(luò)安全風(fēng)險預(yù)測中的收斂性控制，機(jī)器學(xué)習(xí)的迭代過程描述為：

綜上分析，采用改進(jìn)的機(jī)器學(xué)習(xí)算法進(jìn)行網(wǎng)絡(luò)安全風(fēng)險預(yù)測［9］，機(jī)器學(xué)習(xí)的實現(xiàn)過程如圖2所示.

3 仿真實驗分析

為了驗證本文方法在實現(xiàn)網(wǎng)絡(luò)數(shù)據(jù)安全風(fēng)險預(yù)測中的應(yīng)用性能，在Matlab 環(huán)境中進(jìn)行仿真實驗分析，實驗中構(gòu)造一個INVITE資源數(shù)據(jù)庫作為網(wǎng)絡(luò)數(shù)據(jù)發(fā)送包，網(wǎng)絡(luò)數(shù)據(jù)傳輸樣本集包括1 200組測試樣本和100組訓(xùn)練集，對網(wǎng)絡(luò)數(shù)據(jù)采樣的單組樣本長度為1 024，相關(guān)性特征分布見表1.

表1 網(wǎng)絡(luò)風(fēng)險數(shù)據(jù)預(yù)測的相關(guān)性特征分布Tab.1 Correlation characteristic distribution of network risk data prediction

根據(jù)上述仿真環(huán)境和參數(shù)設(shè)定，進(jìn)行網(wǎng)絡(luò)數(shù)據(jù)安全風(fēng)險預(yù)測仿真實驗，得到網(wǎng)絡(luò)數(shù)據(jù)的風(fēng)險特征采樣樣本集如圖3所示.

以圖3的數(shù)據(jù)為輸入，構(gòu)建網(wǎng)絡(luò)數(shù)據(jù)安全風(fēng)險預(yù)測的量化回歸分析模型，結(jié)合關(guān)聯(lián)特征挖掘方法進(jìn)行網(wǎng)絡(luò)數(shù)據(jù)的安全風(fēng)險指向性預(yù)測，得到風(fēng)險數(shù)據(jù)的預(yù)測輸出如圖4所示.

分析圖4得知，采用本文方法能有效實現(xiàn)對網(wǎng)絡(luò)數(shù)據(jù)的安全風(fēng)險預(yù)測，對風(fēng)險數(shù)據(jù)的聚類性較好，測試不同方法進(jìn)行風(fēng)險預(yù)測的準(zhǔn)確性，得到對比結(jié)果如圖5所示，分析得知，本文方法進(jìn)行風(fēng)險預(yù)測的準(zhǔn)確性較高.

4 結(jié)語

本文提出一種基于改進(jìn)機(jī)器學(xué)習(xí)算法的網(wǎng)絡(luò)數(shù)據(jù)安全風(fēng)險預(yù)測算法.采用自適應(yīng)學(xué)習(xí)方法，進(jìn)行數(shù)據(jù)聚類過程中的聚類中心調(diào)節(jié)，采用神經(jīng)網(wǎng)絡(luò)分類器進(jìn)行網(wǎng)絡(luò)數(shù)據(jù)的主特征提取和分類識別，根據(jù)風(fēng)險統(tǒng)計分布特征提取結(jié)果進(jìn)行融合聚類處理，構(gòu)建網(wǎng)絡(luò)數(shù)據(jù)安全風(fēng)險預(yù)測的量化回歸分析模型，在信息化條件下進(jìn)行網(wǎng)絡(luò)風(fēng)險數(shù)據(jù)配置，采用改進(jìn)的機(jī)器學(xué)習(xí)算法進(jìn)行網(wǎng)絡(luò)安全風(fēng)險預(yù)測，機(jī)器學(xué)習(xí)算法的逐步改進(jìn)會更加優(yōu)化網(wǎng)絡(luò)環(huán)境以面對各種未知的攻擊［10］.研究得知，采用本文方法進(jìn)行網(wǎng)絡(luò)數(shù)據(jù)安全風(fēng)險預(yù)測準(zhǔn)確性較高，抗干擾性較好.