基于機器學習算法的網絡空間擬態安全分層檢測技術

趙繼業

（廣東省中醫院 信息處，廣東廣州 510120）

擬態安全防御主要針對網絡空間中信息單一化的系統進行動態安全防御，以互聯網為基礎，構建防御體系一體化的基本擬態安全防御結構。應對基于未知漏洞后門或病毒木馬等未知攻擊時存在防御體制和機制上的脆弱性。由釣魚、在服務軟件中捆綁惡意功能、在跨平臺解釋執行文件中推送木馬病毒代碼、通過用戶下載行為攜帶有毒軟件等不依賴擬態界內未知漏洞或后門等因素而引發的安全威脅，擬態防御效果不確定。

文獻[1]中應用以安全性能基本信息測試的方式融入互聯網載體中，再應用互聯網自身的防火墻系統進行網絡空間擬態安全防御檢測，這種方式下的網絡空間擬態安全分層檢測能夠滲入至更深層的指令系統中，滿足安全分層檢測的深度性要求。文獻[2]中的擬態安全分層檢測技術主要基于動態化目標防御體系，在整個防御系統中引用動態化與隨機性信息阻斷技術，在黑客攻擊的過程中需要突破阻斷技術的攔截，且需要提高攻擊成本。文中提出的基于機器學習算法的網絡空間擬態安全分層檢測技術，是一種既能防御又能檢測的擬態安全分層檢測技術。

1 網絡空間擬態安全數據層提取

目前的網絡空間具有多維性、高覆蓋性特點，其中含有大量的審計數據以及分層數據，在高維度和大數據量環境下進行擬態安全防御與檢測工作，將會需要巨大的時間與資源成本，為此需要將網絡空間中的部分數據進行分層提取與降維處理，減少后期檢測數據的劃分困難程度[3-5]。

在機器學習算法中，進行網絡擬態安全數據分層提取需要具體分析數據的種類特征，根據數據類型將數據歸納為標準數據樣本，采用數據機器訓練的方式對標準數據樣本進行分類，但是面對網絡空間中的高維度數據樣本，需要隨著維度的上升而提高機器算法的計算空間復雜度[6-8]。在機器學習算法中進行數據分層提取的過程中需要先確定數據，圖1所示為降低數據維度技術實現流程圖。

圖1 降低數據維度技術實現流程圖

數據特征的選擇主要從子數據集合中提取具有相關安全性的特征子集，可以選擇標準的數據樣本作為數據分層的模板，通過對模板的特征分析能夠區分分層數據中哪些數據具有哪些特征；還可以選擇數據檢索方式，在具有數據特征的網絡空間中尋找最佳特征子集，實現此技術需要應用窮舉算法，應用機器學習技術能夠提升該算法的效率，但是在普通的分層數據安全檢測技術中很難實現[9-10]。

在機器學習算法中，可以將數據特征類型劃分為過濾式數據、包裹式數據以及嵌入式數據，針對過濾式數據特征的提取，需要選用一組標準的過濾式數據特征集合來評定過濾式數據的平衡狀態，特征選取的過程是具有獨立性的，在正常的數據維度狀態下保證整個數據特征集合不出現最優的特征子集，將全部特征進行簡單排序，再根據過濾數據中所需要的特征類型進行數據預處理，快速地排除數據特征中的干擾因子和噪聲特征數據，逐漸排除非特征數據子集以及數據，實現數據過濾[11-12]。

包裹式數據特征的選擇同樣需要依靠機器學習進行初步的特征分類，在一定程度上確定特征包裹的重要性，根據包裹數據中內含數據結構與特征子集，判斷數據提取過程中能夠達到的分類精準度，此過程需要大量的數據迭代過程，具有較高的算法精準性與復雜性。嵌入式數據特征選擇是機器學習算法中的分類過程之一，整個數據分類過程中需要結合特征子集的綜合評價來進行，具有一定的智能性，不需要人為操作，同時也具有包裹式數據提取的精準性[13-14]。如圖2 所示為數據特征選取流程圖。

圖2 數據特征選取流程圖

2 擬態安全分層數據加密儲存

網絡空間中的數據儲存擬態安全問題一直備受關注。是整個網絡空間中存在潛在安全問題的關鍵部分，隨著網絡空間中的數據儲存量不斷增大，數據儲存技術也隨之改善，為了保障網絡空間擬態安全分層數據的數據檢測完整性，應用機器學習算法設計一套網絡空間擬態安全分層數據加密儲存方案[15-16]。

網絡空間中的數據具有流動性，根據數據流動特征能夠將數據加密方式劃分為相應的角色，分別為可信密鑰數據、網絡數據用戶集合、數據儲存管理服務器以及數據訪問管理員。數據網絡中的用戶可以通過相應的密鑰數據對未知儲存數據進行解析，將解析后的數據上傳至訪問文件中，數據訪問管理員能夠對文件中的數據進行提取并通過服務器對數據重新加密，方便后期的數據處理與網絡空間分層數據的安全檢測。加密儲存方案的整體運行是通過動態實時控制加密實現的，具體的加密儲存方案如圖3 所示。

圖3 加密儲存方案

方案實現過程中首先需要通過網絡空間中的用戶創建數據儲存信息，應用相應的加密公式完成密鑰的設計，加密公式如下所示：

其中，M代表加密數據的儲存密鑰參數，m代表網絡空間中用戶的密鑰管理服務器生成的序列，F代表隨機生成序列中的加密文件。整個加密過程中出現的密鑰相關數據均可以保存在公式中，通過公式中的用戶端口與網絡空間擬態空間數據加密信息進行密鑰與私鑰之間的相互轉化。

整個網路空間擬態安全分層數據上傳與儲存的過程中需要對可訪問信息的用戶身份進行確認，通過可信第三方的精準確認方可利用機器算法中的相應公式來生成數據儲存密鑰。密鑰可以交給服務器管理，同時還可以進行密鑰備份，但經過備份的密鑰同樣需要依靠服務器的精準控制，修改權與調節權均需要通過服務器才能更改。網絡空間擬態安全分層數據儲存后的讀取過程同樣需要依靠網絡用戶的識別認定，文件系統中待讀取的訪問數據獲取文件名稱后需要針對訪問對象進行元數據的控制層處理，控制層請求合法操作，向網絡空間用戶發送相關請求，用戶接受請求后方可進行儲存數據讀取，此后儲存數據編碼層便可以根據編碼與密鑰之間的參數進行數據拼接，可以退出源文件，還可以繼續加載源文件，將源文件中的加密數據傳輸給解密文件，最終利用解密程序完成儲存數據的讀取。

3 擬態安全分層檢測算法

機器學習算法在數據識別與預測功能中有著較強的優勢，廣泛分布性與容錯性均能較快地適應相關數據環境，在網絡空間擬態安全分層檢測過程中應用反誤差式機器學習算法能夠更有效地識別安全異常數據狀態，該算法包含擬態安全數據的輸入層、隱藏層與輸出層，具體的神經網絡結構如圖4所示。

圖4 神經網絡結構圖

神經網絡結構中機器學習算法的實現主要分為兩個過程，首先是將算法中待計算的數據傳輸到輸入層，應用隱藏層內存在的網絡節點進行數據運算，其中隱藏層只能接收網絡節點中的輸入層數據，此時輸出層內的處理算法為等待狀態，實時接收檢測算法的數據代入；另一過程是應用輸入層的待計算權值逐層地對誤差進行修正處理，不斷反饋誤差與目標函數之間的距離，最終達到擬態安全數據檢測的標準值即停止算法的繼續運算。設定算法中的輸入層樣本數據為x=1,2,3,…，網絡結構中的維數為N，神經網絡中節點數據輸出值為O。

網絡節點中計算誤差距離的函數為：

其中，E代表誤差權值，t代表誤差代入系數。網絡空間結構中會因機器算法的應用而識別出隱藏數據節點，節點中數據安全檢測輸出函數為：

其中，w、y代表節點數據中的輸出參考系數。

4 實驗研究

為了能夠具有更穩定的實驗環境，在Windows平臺上利用Python 3.6.4 進行實驗，編程工具為Pycharm，CPU 為Intel i5-6300HQ，內存為8 GB。以IEEE-33 節點為例，額定電壓為12.66 kV，共有37 條支路，5 條饋線處于常開的狀態，各饋線的備用容量為300 kW，全部負荷的有功功率為3 715 kW，無功功率為2 300 kVar。節點模型如圖5 所示。

圖5 節點模型

文中在3 種技術的檢測信道中添加擬態控制協議，有利于數據的變化與運行，協議中主要通過協議消息的數據類型判斷數字型與文字型的安全等級，協議與協議之間需要插入相應的交換機與虛擬機進行數據轉換，保障安全擬態環境檢測的順暢。

首先對文獻[1]技術、文獻[2]技術、文中技術的擬態安全分層檢測范圍進行比較分析，結果如圖6所示。

圖6 擬態安全分層檢測范圍比較結果

根據圖6 中的對比結果可知，文中技術對網絡空間的擬態安全分層檢測范圍更廣，相比于其他兩種技術提升近10%。在相同的數據環境下文中技術能夠及時對不同種類特征的數據進行識別與檢測，且能夠降低相應的數據維度，能更加廣泛地進行檢測數據拓展，隨著檢測時間的增加，該文檢測范圍以每十秒20 MB的數據量拓展，而文獻[1]技術、文獻[2]技術檢測范圍變化較為平穩。

誤差的消除率是檢測技術成本的重要決定因素，圖7 為誤差消除率對比結果圖。

圖7 誤差消除率對比結果

根據對比結果可知，文中技術的誤差消除率較高且穩定，始終保持在70%左右，而文獻[1]的誤差消除率會隨著數據類型的變化而變化，變化范圍較大，在20%～70%之間浮動，文獻[2]的誤差消除率較穩定，在50%左右浮動。

圖8 是故障中含微網的配電網供電恢復后各節點的電壓與故障前的節點電壓對比結果。

圖8 各節點電壓的分布

采用微網和饋線共同對失電區進行供電恢復后，最低電壓節點的電壓明顯升高，系統電壓的整體運行水平有所提高，系統穩定性增強。

5 結束語

網絡空間中攻擊手段的多樣化，為網絡用戶的信息安全造成較大的威脅，為此需要在網絡空間中進行擬態安全分層檢測，提高網絡空間中的攻擊手段識別度，該文基于機器學習算法研究網絡空間擬態安全分層檢測技術，從數據維度、安全特征以及加密儲存程序方面進行設計，改善了傳統技術中存在的缺陷。