基于深度學(xué)習(xí)的船舶工業(yè)網(wǎng)絡(luò)入侵檢測研究

朱 軍，吳 鵬

(連云港杰瑞深軟科技有限公司，江蘇 連云港 222006)

0 引 言

船舶工業(yè)是我國實(shí)施海洋強(qiáng)國和"一帶一路"倡議的重要支撐，是《中國制造 2025》制造強(qiáng)國戰(zhàn)略的重要組成部分。船舶工業(yè)目前正處于轉(zhuǎn)型升級期，在船舶工業(yè)智能化建設(shè)過程中，工業(yè)互聯(lián)網(wǎng)建設(shè)占據(jù)重要地位，工業(yè)信息安全防護(hù)尤為重要。目前，船舶工業(yè)面臨的工業(yè)互聯(lián)網(wǎng)入侵手段層出不窮，檢測困難導(dǎo)致防護(hù)系統(tǒng)易受攻擊。因此，為確保船舶工業(yè)互聯(lián)網(wǎng)的安全運(yùn)行，網(wǎng)絡(luò)入侵檢測至關(guān)重要[1]。

目前，針對船舶工業(yè)網(wǎng)絡(luò)入侵檢測的方法主要有，基于主元分析、反向傳播（back propagation，BP）神經(jīng)網(wǎng)絡(luò)、極限學(xué)習(xí)機(jī)、粒子群等方法[2-3]。隨著船舶智能化的不斷提升，網(wǎng)絡(luò)環(huán)境更加復(fù)雜，遭受網(wǎng)絡(luò)入侵的風(fēng)險(xiǎn)逐步增加，上述方法在遇到新型入侵時(shí)，檢測準(zhǔn)確度不夠好，且不具有無標(biāo)簽網(wǎng)絡(luò)數(shù)據(jù)的學(xué)習(xí)能力，造成了極大的數(shù)據(jù)浪費(fèi)。針對上述問題，提出基于深度學(xué)習(xí)的船舶監(jiān)控網(wǎng)絡(luò)入侵檢測系統(tǒng)設(shè)計(jì)方法，并進(jìn)行了仿真測試，本文方法提高了船舶網(wǎng)絡(luò)入侵檢測魯棒性和準(zhǔn)確性。

1 船舶工業(yè)網(wǎng)絡(luò)入侵風(fēng)險(xiǎn)評估

1.1 船舶工業(yè)網(wǎng)絡(luò)系統(tǒng)

船舶工業(yè)中的網(wǎng)絡(luò)系統(tǒng)包括：工業(yè)控制網(wǎng)絡(luò)、工業(yè)監(jiān)控網(wǎng)絡(luò)、工業(yè)數(shù)據(jù)網(wǎng)絡(luò)和辦公網(wǎng)絡(luò)，如圖1所示。各網(wǎng)絡(luò)之間協(xié)同作業(yè)，確保船舶的安全運(yùn)行與正常通信。

圖 1 船舶工業(yè)網(wǎng)絡(luò)系統(tǒng)Fig. 1 Ship industry network system

該系統(tǒng)通過工業(yè)控制網(wǎng)絡(luò)與現(xiàn)場設(shè)備連接，并把信息傳遞到工作站，以便工程師了解現(xiàn)場狀況，更加準(zhǔn)確迅速地下達(dá)指令。數(shù)據(jù)庫用來存放船舶各系統(tǒng)的狀態(tài)數(shù)據(jù)以及船舶與外部的通信數(shù)據(jù)、航海日志等信息。

1.2 風(fēng)險(xiǎn)評估架構(gòu)

船舶工業(yè)網(wǎng)絡(luò)入侵?jǐn)?shù)據(jù)的確定主要是指在未授權(quán)情況下，對網(wǎng)絡(luò)進(jìn)行違背安全要求的訪問行為[4]。未經(jīng)授權(quán)的訪問，易導(dǎo)致非法外聯(lián)控制、不良訪問等情況。船舶工業(yè)網(wǎng)絡(luò)由于其獨(dú)立性、復(fù)雜性、龐大性不同于其他網(wǎng)絡(luò)結(jié)構(gòu)，為此，本文采用工控網(wǎng)絡(luò)流秩序行為分析法建立針對船舶工業(yè)網(wǎng)絡(luò)的風(fēng)險(xiǎn)評估系統(tǒng)，解決入侵檢測設(shè)備對工業(yè)控制領(lǐng)域中業(yè)務(wù)安全分析針對性不強(qiáng)、有效性差的問題，如圖2所示。工控網(wǎng)絡(luò)流秩序行為分析技術(shù)需要設(shè)計(jì)與之對應(yīng)的復(fù)合流量采集器、業(yè)務(wù)交互行為挖掘、業(yè)務(wù)行為規(guī)則體系、業(yè)務(wù)異常預(yù)警和建立業(yè)務(wù)健康度指標(biāo)體系等。

2 基于深度學(xué)習(xí)的船舶工業(yè)網(wǎng)絡(luò)入侵檢測模型

2.1 深度學(xué)習(xí)原理

傳統(tǒng)的方法對已知入侵方式檢測具有很好的效果，但對檢測未知網(wǎng)絡(luò)入侵能力不足。深度學(xué)習(xí)算法具有很好的自學(xué)習(xí)能力，能夠彌補(bǔ)傳統(tǒng)算法中的對未知方式入侵檢測能力不足的缺點(diǎn)。

深度學(xué)習(xí)源于人工神經(jīng)網(wǎng)絡(luò)，并通過反向傳播自我修正[5]。其原理為：假設(shè)在一個(gè)系統(tǒng)S中有n維數(shù)據(jù)，并每一維記作： {S1,S2,···Sn} ，系統(tǒng)輸入用I表示，輸出用O表 示，從每一個(gè)維度提取信息得到O，記作：I→S1→S2··· →Sn→O， 經(jīng)過該模型后O與I等價(jià)。其基本結(jié)構(gòu)圖如圖3所示。

圖 2 網(wǎng)絡(luò)安全評估框架Fig. 2 Network security assessment framework

圖 3 深度學(xué)習(xí)基本結(jié)構(gòu)圖Fig. 3 Basic structure of deep learning

算法工作流程為：1）輸入訓(xùn)練集；2）隱含層進(jìn)行特征提??；3）每一層把上一層的輸出作為輸入繼續(xù)提取特征值；4）提取最后兩層特征進(jìn)行特征融合，經(jīng)過分類器進(jìn)行分類。

2.2 Softmax分類器

在深度學(xué)習(xí)算法特征提取的基礎(chǔ)上，需要結(jié)合分類器進(jìn)行入侵等級劃分。Softmax分類模型是Logistic回歸模型在多分類問題上的推廣，可以同時(shí)輸出多類別的匹配概率。因此，本文選用softmax進(jìn)行分類，劃分為3個(gè)危險(xiǎn)等級：低危、中危、高危3種情況。

式中：(hθx(i))為k行1列的向量，每一行元素為當(dāng)前特征被識(shí)別為工況j的概率，所有元素和為1，取最大的值為該工況的概率；所有中工況合起來構(gòu)成一個(gè)k×j的行列式。分類結(jié)果與測試集標(biāo)簽相比較，相同則分類正確，否則錯(cuò)誤。引入指示函數(shù) I {·}：

為解決式（4）中的參數(shù)冗余和解不唯一的問題，加入權(quán)重衰減項(xiàng)，則代價(jià)函數(shù)變?yōu)椋?/p>

式中：n為輸出數(shù)據(jù)個(gè)數(shù)，當(dāng)參數(shù)值過大時(shí)，權(quán)重衰減項(xiàng)將對其懲罰。最小化，實(shí)現(xiàn)Softmax模型的回歸。

2.3 建立船舶工業(yè)網(wǎng)絡(luò)入侵檢測模型

基于深度學(xué)習(xí)的船舶工業(yè)網(wǎng)絡(luò)入侵檢測模型構(gòu)建分為4個(gè)步驟：Inception-v3模型在前端用來提取入侵?jǐn)?shù)據(jù)集中的有效信息，保存最后2層池化層中的特征，用做Softmax分類器的輸入，用來對危險(xiǎn)等級分類?；谏疃葘W(xué)習(xí)的船舶工業(yè)網(wǎng)絡(luò)入侵檢測模型如圖4所示。

圖 4 基于深度學(xué)習(xí)的船舶工業(yè)網(wǎng)絡(luò)入侵檢測模型Fig. 4 Intrusion detection model of ship industry network based on deep learning

3 實(shí)驗(yàn)結(jié)果與分析

為評估基于深度學(xué)習(xí)的船舶工業(yè)網(wǎng)絡(luò)入侵模型的入侵檢測性能，本文選用支持向量機(jī)（SVM）和貝葉斯算法進(jìn)行對比分析。船舶工業(yè)網(wǎng)絡(luò)入侵的檢測準(zhǔn)確率、檢測時(shí)間作對比標(biāo)準(zhǔn)。其準(zhǔn)確率和檢測時(shí)間對比如圖5和圖6所示。

圖 5 入侵檢測準(zhǔn)確率對比Fig. 5 Comparison of intrusion detection accuracy

圖 6 入侵檢測時(shí)間對比Fig. 6 Intrusion detection time comparison

從圖5可以看出，深度學(xué)習(xí)模型的網(wǎng)絡(luò)入侵檢測準(zhǔn)確率都在95%以上，而SVM入侵檢測準(zhǔn)確率最高到86%，貝葉斯算法最高到75%。相較于SVM和貝葉斯算法，本模型準(zhǔn)確率有較大改進(jìn)。這表明從檢測時(shí)間來看，圖6可以看出深度學(xué)習(xí)模型的網(wǎng)絡(luò)入侵檢測時(shí)間最高為5.95s，可以較好滿足工業(yè)網(wǎng)絡(luò)入侵檢測的響應(yīng)時(shí)間。相較于SVM和貝葉斯算法，本模型檢測時(shí)間平均快5.32s，實(shí)驗(yàn)對比結(jié)果說明了本文基于深度學(xué)習(xí)的船舶工業(yè)網(wǎng)絡(luò)入侵檢測方法的優(yōu)越性。

4 結(jié) 語

本文針對傳統(tǒng)算法在網(wǎng)絡(luò)入侵檢測中的響應(yīng)速度慢、檢測不準(zhǔn)確、無法檢測未知入侵等問題，提出基于深度學(xué)習(xí)的船舶工業(yè)網(wǎng)絡(luò)入侵模型，結(jié)果顯示相比傳統(tǒng)算法，該模型能夠快速準(zhǔn)確的檢測船舶工業(yè)網(wǎng)絡(luò)的入侵信息，魯棒性較好。