基于機器學習的無線通信網絡安全漏洞智能監測系統

蔣志頎，范雷

（公安部第一研究所，北京 100048）

隨著無線網絡技術的高速發展，各大網絡運營商將發展無線通信網絡作為重要發展目標，不斷加大無線網絡的投入[1]。隨著5G 技術的面世，無線通信網絡也得到了長足的發展，但隨之產生的安全問題也成為了此領域的重點研究內容。無線通信網絡安全問題關系到社會甚至國家的信息安全問題[2]。其中，無線通信網絡安全漏洞成為目前需要解決的主要問題，通信網絡中的安全漏洞會產生大量漏洞數據，漏洞數據是在硬件、軟件、協議或具體通信系統中，由安全漏洞產生的一系列數據。通過分析漏洞數據可獲得漏洞形成的原因并及時修補漏洞，保證無線通信網絡的安全。因此，如何提高無線通信網絡系統的自主防御與網絡安全漏洞監測能力，成為該領域的熱點問題[3]。為此，相關研究人員對此進行了大量的研究。

文獻[4]提出基于動態污點分析的漏洞監測方法，對通信網絡節點的漏洞進行識別。該方法通過分析網絡節點漏洞的性質，將其按性質進行匯集。采用漏洞識別適應度函數對通信網絡節點漏洞進行識別。該方法可以有效識別無線網絡節點中的漏洞，但該方法操作過程較為復雜，存在工作效率較低的問題。文獻[5]設計了基于硬件虛擬化的漏洞監測技術，該技術通過總體框架的構建，以及硬件、軟件的詳細設計，通過漏洞掃描工具收集系統中存在的漏洞數據，融合采集到的漏洞數據，并進行詳細分析。通過機器學習技術完成了通信網絡異常行為入侵的檢測。該方法對通信中的多種異常行為進行分析，可以有效攔截異常入侵，但漏洞的識別存在識別精度低等問題。

基于上述方法存在的問題，提出基于機器學習的無線通信網絡安全漏洞智能監測系統設計。該系統引入機器學習算法，通過硬件及軟件的設計，完成無線通信網絡安全漏洞智能監測系統設計。實驗結果表明，該系統可有效對無線通信網絡安全漏洞進行監測，監測準確性較高且工作效率較高。

1 系統硬件設計

漏洞一旦出現將攻擊整個網絡系統，漏洞在無線通信網絡系統中也較為常見[6]。無線通信網絡安全漏洞是導致通信網絡被攻擊、被入侵的主要原因[7]。對無線通信網絡安全漏洞的及時發現十分重要。無線通信網絡整體架構如圖1 所示。

圖1 無線通信網絡總體架構

無線通信網絡在實際網絡部署中，將PTK-5500控制器設在省級核心網絡中，管理無線通信網絡平臺，保障無線通信網絡安全。

原有無線通信網絡安全漏洞監測系統主要通過ICMP Echo 和Broadcast ICMP 掃描技術對無線通信網絡漏洞進行掃描，其操作過程均通過向無線通信網絡發送請求，等待主機回應之后進行監測，且監測系統內部結構復雜，響應時延較長，不利于及時監測無線通信網絡漏洞。該文對系統進行了改進，改進后的系統硬件主要包括3 個模塊：漏洞數據采集模塊、漏洞數據掃描模塊以及無線通信網絡安全漏洞智能監測模塊。系統總體架構如圖2 所示。

圖2 監測系統總體框架

圖2中，通過直接抓取漏洞數據，并采用T-MPLS高速數據傳輸技術，對采集、掃描、監測獲得的數據進行傳輸。通過機器學習技術提高漏洞監測的總體效率，運用機器學習對漏洞進行高速掃描，實現漏洞的高效率監測。改進后的監測系統對漏洞監測的反應更為靈敏，且降低了系統的開發成本。

1.1 漏洞數據采集模塊

在安全漏洞數據采集模塊中，對無線通信網絡安全漏洞數據進行采集，針對無線通信漏洞數據屬性，分析漏洞數據間存在的聯系，整合不確定安全漏洞數據，并將其劃分到相應的數據集合中，選用無線數據采集器對整合的安全漏洞數據進行采集[8]。無線通信網絡安全漏洞數據采集過程如圖3 所示。

圖3 無線通信網絡安全漏洞數據采集過程

該數據采集器的電源接口為DC12 V 直插式，經過RJ45 網口連接網線，可以將發射端的數據轉發到服務器上，操作便捷簡單[9]。

1.2 漏洞數據掃描模塊

該系統為了無線通信網絡節點的平穩運行，設置了漏洞掃描器。該漏洞掃描器接口對無線通信網絡節點數據進行分類掃描，將不同數據節點集中到同一數據集合中，保證漏洞數據掃描過程的安全性。在掃描器中設置XSS 漏洞檢測插件[10-11]，通過該插件對無線通信網絡安全漏洞進行掃描，XSS 漏洞檢測插件結構圖如圖4 所示。

圖4 XSS漏洞檢測插件內部結構圖

1.3 無線通信網絡安全漏洞智能監測模塊

在對無線通信網絡漏洞數據信號追蹤時，監測漏洞數據的系統會話操作，根據不同客戶標準對通信網絡安全漏洞信息進行數據解析，標記系統漏洞數據，選擇合理的匹配模式，重組通信網絡IP 分片，完善高層協議系統性能，降低空間數據查找復雜度[12-13]，將此作為漏洞數據監測的基礎，選擇與系統不符的數據信息，將其進行組合形成完全漏洞數據集，對安全漏洞數據集進行監測，從而完成網絡安全漏洞的智能監測。無線通信網絡安全漏洞數據監測過程如圖5 所示。

圖5 系統漏洞智能監測過程

2 系統軟件設計

為強化監測系統的軟件部分，該文引入機器學習算法[14]，將其與智能監測系統軟件相結合，實現無線通信網絡安全漏洞的智能監測。

假設無線通信網絡中待檢測數據序列為C={c1,c2,c3,…cn}，其中絕大多數為正常的無線通信網絡數據，安全漏洞數據則成為系統監測的目標。將無線通信網絡中的正常數據通過最優評價函數[15]F∶x→y進行處理，則存在xi∈X,yi∈Y，最優化評價函數可表示為：

式中，?代表損失函數，ω代表安全漏洞數據的調和參數，F(c1)代表最優化規則。

在無線通信網絡安全漏洞監測過程中，利用最優評價函數處理通信網絡中的正常數據。但還存在偽裝較深的異常數據，故需要對這些數據作進一步處理。引入神經網絡算法，對其進行篩選，構建三層神經網絡算法模型[16]，包括輸入層、輸出層以及規則層。將無線通信網絡數據模糊化處理，則各通信網絡節點的輸出為：

式（2）～（4）表示三層神經網絡的通信網絡數據輸出。

計算各層次中的模糊輸出值，即：

式中，ψ表示模糊處理化的強度，r表示無線通信網絡數據的動量因子。

3 實驗分析

3.1 實驗環境與參數設置

實驗選擇在Matlab 平臺上進行操作，操作系統為Windows 7,E5 2678 V3 處理器。

實驗參數內容設置如表1 所示。

表1 實驗參數

3.2 實驗結果分析

3.2.1 監測漏洞耗時分析

為驗證文中方法的有效性，實驗對比該文方法、文獻[4]方法以及文獻[5]方法在無線通信網絡安全漏洞監測的耗時，用時越短證明該方法工作效率越高。實驗結果如圖6 所示。

圖6 不同方法漏洞監測耗時對比

分析圖6可知，在相同參數條件下，該文監測漏洞的耗時較低。當監測的漏洞數據為200 條時，該文方法的監測耗時約為1.4 s，文獻[4]方法的監測耗時約為6.3 s,文獻[5]方法的監測耗時約為4.5 s。其中，文獻[4]方法和文獻[5]方法在進行無線通信網絡漏洞監測時，將疑似漏洞數據進行融合，分析獲取的數據性質，并將這些數據進行重新匯集，操作過程復雜，系統響應時間較長。而該文系統進行監測時，對無線通信網絡數據進行有目的獲取，可直接有效確認和抓取無線通信網絡中存在的漏洞數據，反應時延較短，驗證了該文方法工作效率較高，具有一定可行性。

3.2.2 監測漏洞的準確性分析

為了進一步驗證該文系統的有效性，實驗對比了3 種方法在監測200 條無線通信數據時，監測出漏洞數據的準確性，實驗結果如表2 所示。

表2 不同方法監測漏洞數據準確性對比

分析表2 中數據可以看出，隨著監測數據的不斷增加，3 種方法的監測準確性呈現下降趨勢。其中，當監測數據為100 時，該文方法監測漏洞數據的準確性為95%，文獻[4]方法監測漏洞數據的準確性為85%，文獻[5]方法監測漏洞數據的準確性為82%；當監測數據為200 時，該文方法監測漏洞數據的準確性為90%，文獻[4]方法監測漏洞數據的準確性為78%，文獻[5]方法監測漏洞數據的準確性為70%。雖然監測準確性呈下降趨勢，但該文方法監測漏洞數據的準確性均在90% 以上，高于其他兩種方法的監測準確性，驗證了該文方法的可靠性。

4 結束語

該文在傳統無線通信網絡安全漏洞監測系統基礎上，提出基于機器學習的無線通信網絡安全漏洞智能監測系統。通過系統硬件模塊功能的完善，結合機器學習智能算法，分析無線通信網絡安全漏洞數據屬性等，完成了無線通信網絡安全漏洞智能監測系統的設計。實驗結果表明，采用該文方法進行無線通信網絡安全漏洞的監測準確性均在90%以上，且工作效率較高，在該領域具有一定的實際意義。