隱蔽網(wǎng)絡(luò)信息安全指數(shù)多維屬性分類仿真

田 偉，劉文祺

(1. 中國(guó)人民解放軍95333部隊(duì)，湖南 長(zhǎng)沙 410114；2. 電子科技大學(xué)計(jì)算機(jī)科學(xué)與工程學(xué)院，四川 成都 611731)

1 引言

網(wǎng)絡(luò)信息可以加強(qiáng)社會(huì)的治理，但由于網(wǎng)絡(luò)信息的開放性，導(dǎo)致網(wǎng)絡(luò)信息會(huì)受到大量的惡意攻擊，網(wǎng)絡(luò)信息安全問題已經(jīng)成為信息領(lǐng)域的一大難點(diǎn)[1]。隱蔽網(wǎng)絡(luò)信息也同樣具有安全的難題，通常情況下，大多數(shù)學(xué)者會(huì)采用安全指數(shù)對(duì)隱蔽網(wǎng)絡(luò)信息安全進(jìn)行相應(yīng)的衡量，其主要指的是在網(wǎng)絡(luò)安全的狀態(tài)下，網(wǎng)絡(luò)信息反映的數(shù)據(jù)特征變化程度是一個(gè)相對(duì)的數(shù)值變化，主要是對(duì)網(wǎng)絡(luò)信息安全狀態(tài)進(jìn)行相應(yīng)的反映與度量，將其簡(jiǎn)稱為網(wǎng)絡(luò)信息安全指數(shù)[2]。隱蔽網(wǎng)絡(luò)信息安全指數(shù)具有多維屬性的特性。如何對(duì)隱蔽網(wǎng)絡(luò)信息安全進(jìn)行正確的評(píng)估已經(jīng)成為學(xué)者研究的重點(diǎn)課題之一，而隱蔽網(wǎng)絡(luò)信息安全指數(shù)多維屬性分類則是其中的關(guān)鍵步驟，只有對(duì)隱蔽網(wǎng)絡(luò)信息安全指數(shù)進(jìn)行合理的分類，才能對(duì)其網(wǎng)絡(luò)信息安全進(jìn)行正確的評(píng)估，從而對(duì)其進(jìn)行相應(yīng)的保護(hù)。

就現(xiàn)有的研究來看，使用較為廣泛的隱蔽網(wǎng)絡(luò)信息安全指數(shù)多維屬性分類方法主要有三種，分別為粗糙集理論方法、支持向量機(jī)方法與K-最近鄰域方法。其中，基于粗糙集理論的隱蔽網(wǎng)絡(luò)信息安全指數(shù)多維屬性分類方法主要是區(qū)分確定性與完整性較低的數(shù)據(jù)，并對(duì)其進(jìn)行有效分析，同時(shí)對(duì)該類數(shù)據(jù)中包含的不相關(guān)信息進(jìn)行剔除，這種方法具有易于執(zhí)行、操作簡(jiǎn)單的優(yōu)勢(shì)；基于支持向量機(jī)的隱蔽網(wǎng)絡(luò)信息安全指數(shù)多維屬性分類方法主要是針對(duì)線性與非線性數(shù)據(jù)進(jìn)行分類的[3]。支持向量機(jī)實(shí)質(zhì)是一種學(xué)習(xí)算法，其主要是通過創(chuàng)建平面來對(duì)信息進(jìn)行合理的分類；基于K-最近鄰域的隱蔽網(wǎng)絡(luò)信息安全指數(shù)多維屬性分類方法通過選擇K個(gè)與樣本相似的訓(xùn)練實(shí)例，對(duì)樣本的標(biāo)簽進(jìn)行預(yù)測(cè)，以此來實(shí)現(xiàn)樣本的分類。但是上述三種方法均存在著分類準(zhǔn)確率及效率低的缺陷，無法適應(yīng)現(xiàn)今網(wǎng)絡(luò)的需求，為此提出隱蔽網(wǎng)絡(luò)信息安全指數(shù)多維屬性分類方法，并采用仿真對(duì)比實(shí)驗(yàn)對(duì)提出方法的分類性能進(jìn)行驗(yàn)證與分析。

2 隱蔽網(wǎng)絡(luò)信息安全指數(shù)多維屬性分類方法設(shè)計(jì)

2.1 選擇隱蔽網(wǎng)絡(luò)信息安全指數(shù)屬性

對(duì)于隱蔽網(wǎng)絡(luò)來說，其特點(diǎn)在于復(fù)雜程度較高、節(jié)點(diǎn)的規(guī)模較大，同時(shí)網(wǎng)絡(luò)信息之間的關(guān)系也較為復(fù)雜[4]。將隱蔽網(wǎng)絡(luò)信息安全指數(shù)看作為一個(gè)復(fù)雜的信息系統(tǒng)，其表現(xiàn)形式可分為三種，分別為實(shí)體、關(guān)聯(lián)與整體。

其中，信息實(shí)體指的是處于網(wǎng)絡(luò)信息節(jié)點(diǎn)處的原數(shù)據(jù)，其不僅具有實(shí)體屬性，同時(shí)還具備關(guān)聯(lián)屬性。而實(shí)體屬性指的是網(wǎng)絡(luò)信息的具體表現(xiàn)形式，關(guān)聯(lián)屬性指的是網(wǎng)絡(luò)信息中信息實(shí)體所在的位置與層級(jí)之間的關(guān)系；信息關(guān)聯(lián)指的是兩個(gè)或者兩個(gè)以上的信息實(shí)體之間的聯(lián)系，信息之間的關(guān)聯(lián)屬性主要是通過網(wǎng)絡(luò)信息結(jié)構(gòu)來體現(xiàn)；信息整體指的是將網(wǎng)絡(luò)信息看作為一個(gè)整體，其中包含信息實(shí)體與信息關(guān)聯(lián)，實(shí)質(zhì)上是一個(gè)具有信息關(guān)聯(lián)的信息實(shí)體，與信息實(shí)體具有同樣的屬性。

為得到隱蔽網(wǎng)絡(luò)信息安全指數(shù)屬性，采用混合法對(duì)其屬性進(jìn)行相應(yīng)的篩選?；旌戏ㄖ饕獙b法與過濾法進(jìn)行有效的結(jié)合，將各自優(yōu)勢(shì)充分發(fā)揮，得到更加適合安全指數(shù)分類需求的屬性集合[5]。隱蔽網(wǎng)絡(luò)信息安全指數(shù)屬性集合主要分為三種，分別為實(shí)體屬性集合、關(guān)聯(lián)屬性集合與時(shí)間屬性集合，而其具體定義如表1所示。

表1 隱蔽網(wǎng)絡(luò)信息安全指數(shù)屬性分類情況表

根據(jù)上述分類情況可知，一般情況下網(wǎng)絡(luò)信息安全指數(shù)映射可視化劃分關(guān)系，可分為結(jié)構(gòu)映射與圖形映射關(guān)系。其中，圖形映射方法能夠提供隱蔽網(wǎng)絡(luò)信息安全指數(shù)實(shí)體屬性，而結(jié)構(gòu)映射方法可顯示關(guān)聯(lián)屬性與時(shí)間屬性隱形結(jié)構(gòu)[6]。隱蔽網(wǎng)絡(luò)信息安全指數(shù)多維屬性映射關(guān)系如圖1所示。

圖1 隱蔽網(wǎng)絡(luò)信息安全指數(shù)多維屬性映射關(guān)系圖

通過上述過程完成了隱蔽網(wǎng)絡(luò)信息安全指數(shù)多維屬性的分析，并采用混合法對(duì)屬性進(jìn)行提取，得到適合安全指數(shù)分類需求的屬性集合，為下述網(wǎng)絡(luò)信息安全指數(shù)多維屬性分類打下夯實(shí)的基礎(chǔ)。

2.2 構(gòu)建多維貝葉斯分類模型

以上述隱蔽網(wǎng)絡(luò)信息安全指數(shù)多維屬性的分析為基礎(chǔ)，構(gòu)建多維貝葉斯分類模型，為安全指數(shù)多維屬性分類提供模型支撐[7]。

多維貝葉斯分類模型主要以多維貝葉斯分類器為主，采用分類器對(duì)安全指數(shù)多維屬性進(jìn)行分類。在安全指數(shù)多維屬性分類中，主要采用具有有限頂點(diǎn)集的貝葉斯網(wǎng)絡(luò)，其屬性集合為

V={C1，…Cm，X1，…Xn}

(1)

其中，Cm表示的是具有m個(gè)類變量；Xn表示的是具有n個(gè)屬性變量。任意類變量Ci與任意屬性變量Xi均提取于有限集合；而多維貝葉斯分類器主要是通過參數(shù)πijk與參數(shù)θijk對(duì)其進(jìn)行相應(yīng)的控制，參數(shù)表達(dá)式為

(2)

其中，ck表示的是類變量的取值；Pa(Ci)表示的是類變量的節(jié)點(diǎn)集合；xk表示的是屬性變量的取值；Pa(Xi)表示的是屬性變量的節(jié)點(diǎn)集合。

多維貝葉斯分類器主要采用雙分裂有向圖對(duì)類變量與屬性變量之間的關(guān)系進(jìn)行連接與顯示。多維貝葉斯分類器對(duì)其進(jìn)行表示

S=(V，A)

V=(VC，VF)

A=(AC，AF，AAC)

(3)

其中，V表示的是屬性集合，由VC={C1，…，Cm}與VF={X1，…Xn}組成；A表示的是弧集，其主要由三個(gè)集合組成，分別為類變量集合AC、屬性變量集合AF與屬性變量與類變量乘積集合ACF。

多維貝葉斯分類模型可以采用圖形進(jìn)行表示，其包含三個(gè)子圖，分別為類子圖、屬性子圖與橋子圖。多維貝葉斯分類模型示意圖如圖2所示。

圖2 多維貝葉斯分類模型示意圖

其中類子圖SC=(VC，AC)如圖3所示，屬性子圖SF=(VF，AF)如圖4所示，橋子圖SCF=(V，ACF)如圖5所示。

圖3 類子圖示意圖

圖4 屬性子圖示意圖

圖5 橋子圖示意圖

多維屬性分類問題實(shí)質(zhì)上是對(duì)最大后驗(yàn)概率的估計(jì)問題，也是一個(gè)非確定性問題，而多維貝葉斯分類模型可以極大簡(jiǎn)化分類的過程，提升分類方法的分類效率[8]。

通過上述過程實(shí)現(xiàn)多維貝葉斯分類模型的構(gòu)建，可以極大地提升隱蔽網(wǎng)絡(luò)信息安全指數(shù)多維屬性分類方法的分類效率。

2.3 約減隱蔽網(wǎng)絡(luò)信息安全指數(shù)屬性集合

以上述構(gòu)建的多維貝葉斯分類模型為基礎(chǔ)，對(duì)隱蔽網(wǎng)絡(luò)信息安全指數(shù)屬性集合進(jìn)行處理，為安全指數(shù)多維屬性分類提供硬件設(shè)備支撐。

采用屬性選擇算法對(duì)2.1小節(jié)得到的屬性集合進(jìn)行約簡(jiǎn)。常用的屬性選擇算法主要有三種，分別為蟻群優(yōu)化算法、菌群優(yōu)化算法以及類電磁機(jī)制算法。根據(jù)安全指數(shù)多維屬性的特點(diǎn)，選擇菌群優(yōu)化算法作為分類方法中的屬性選擇算法[9]。

菌群優(yōu)化算法主要是采用加權(quán)策略對(duì)冗余變量進(jìn)行消除，以此來提升所提方法的分類準(zhǔn)確率。安全指數(shù)的每個(gè)屬性權(quán)重隨著頻數(shù)與屬性變量之間的關(guān)系及類變量與屬性變量之間的關(guān)系發(fā)生變化。菌群優(yōu)化算法對(duì)得到的安全指數(shù)屬性集合進(jìn)行加權(quán)，權(quán)重表示為

ωi={ω1，ω2，…，ωn}

(4)

根據(jù)式(4)對(duì)屬性進(jìn)行相應(yīng)的選擇，但是會(huì)出現(xiàn)屬性重復(fù)的情況，因此需要對(duì)其進(jìn)行約簡(jiǎn)處理，主要通過屬性子集的適應(yīng)度函數(shù)值對(duì)權(quán)重進(jìn)行更新，對(duì)上述步驟進(jìn)行重復(fù)直至函數(shù)值穩(wěn)定，菌群優(yōu)化算法結(jié)束。菌群優(yōu)化算法流程如圖4所示。

圖6 菌群優(yōu)化算法流程圖

通過上述過程完成了隱蔽網(wǎng)絡(luò)信息安全指數(shù)屬性集合的約簡(jiǎn)，得到約簡(jiǎn)屬性集合為V′F={x1，…xn}，簡(jiǎn)化了安全指數(shù)多維屬性分類的過程，為下述隱蔽網(wǎng)絡(luò)信息安全指數(shù)多維屬性分類提供數(shù)據(jù)支撐。

2.4 實(shí)現(xiàn)隱蔽網(wǎng)絡(luò)信息安全指數(shù)多維屬性分類

由于隱蔽網(wǎng)絡(luò)信息安全指數(shù)數(shù)據(jù)具有多維屬性的特征，計(jì)算復(fù)雜程度較高，無法直接對(duì)其進(jìn)行分類處理，因此需要對(duì)其多維屬性分類，降低數(shù)據(jù)的維度，為安全指數(shù)的分類提供方便。以上述得到的約簡(jiǎn)屬性集合及多維貝葉斯分類模型為依據(jù)，對(duì)隱蔽網(wǎng)絡(luò)信息安全指數(shù)進(jìn)行多維屬性分類[10]。具體的過程如下所示。

1)對(duì)給定的類變量Ci(i=1，2，…，m)創(chuàng)建一個(gè)對(duì)應(yīng)的貝葉斯分類器S，以菌群優(yōu)化算法得到約簡(jiǎn)屬性集合為V′F。

2)在約簡(jiǎn)屬性集合V′F中隨機(jī)抽取m個(gè)數(shù)據(jù)，將其轉(zhuǎn)化為多維二進(jìn)制向量，采用0或1對(duì)其屬性選擇狀態(tài)進(jìn)行顯示，其中0表示屬性未被選擇，1表示屬性被選擇[11-12]。同時(shí)，必須保證抽取的數(shù)據(jù)不能重復(fù)，對(duì)數(shù)據(jù)的目標(biāo)函數(shù)值進(jìn)行相應(yīng)的計(jì)算，將最優(yōu)目標(biāo)函數(shù)值對(duì)應(yīng)的數(shù)據(jù)進(jìn)行提取，為xV′F；

3)將xV′F賦值到數(shù)據(jù)y上，選擇一個(gè)隨機(jī)數(shù)λ，若λ大于0.5，則y對(duì)應(yīng)的屬性被選擇；反之則y對(duì)應(yīng)的屬性未被選擇，并對(duì)y的目標(biāo)函數(shù)值進(jìn)行相應(yīng)的計(jì)算。在迭代的過程中，若y的目標(biāo)函數(shù)值超過xbest，則迭代結(jié)束，并對(duì)xbest值進(jìn)行更新；

4)對(duì)數(shù)據(jù)的總力向量進(jìn)行計(jì)算，以數(shù)據(jù)的目標(biāo)函數(shù)值為基礎(chǔ)，對(duì)其進(jìn)行迭代計(jì)算，則數(shù)據(jù)的總量為

(5)

5)根據(jù)式(5)計(jì)算出來的結(jié)果為依據(jù)，按照分類規(guī)則對(duì)隱蔽網(wǎng)絡(luò)信息安全指數(shù)進(jìn)行多屬性分類，分類規(guī)則表示為

(6)

通過上述過程實(shí)現(xiàn)了隱蔽網(wǎng)絡(luò)信息安全指數(shù)的多屬性分類，為隱蔽網(wǎng)絡(luò)信息安全提供更加有效的數(shù)據(jù)支撐。

3 仿真對(duì)比實(shí)驗(yàn)分析

上述完成了隱蔽網(wǎng)絡(luò)信息安全指數(shù)多屬性分類方法的設(shè)計(jì)，并實(shí)現(xiàn)了安全指數(shù)的多屬性分類，對(duì)該方法的可行性進(jìn)行驗(yàn)證。但是對(duì)其是否能夠解決現(xiàn)有方法存在的問題依然無從可知，因此設(shè)計(jì)仿真對(duì)比實(shí)驗(yàn)對(duì)其進(jìn)行驗(yàn)證。仿真對(duì)比實(shí)驗(yàn)主要采用提出的隱蔽網(wǎng)絡(luò)信息安全指數(shù)多屬性分類方法與基于粗糙集理論的隱蔽網(wǎng)絡(luò)信息安全指數(shù)多維屬性分類方法(現(xiàn)有方法1)、基于支持向量機(jī)的隱蔽網(wǎng)絡(luò)信息安全指數(shù)多維屬性分類方法(現(xiàn)有方法2)與基于K-最近鄰域的隱蔽網(wǎng)絡(luò)信息安全指數(shù)多維屬性分類方法(現(xiàn)有方法3)進(jìn)行對(duì)比分析，為了方便實(shí)驗(yàn)進(jìn)行，將實(shí)驗(yàn)方法簡(jiǎn)稱為提出方法與現(xiàn)有方法1、2和3。

在仿真對(duì)比實(shí)驗(yàn)中，主要通過分類準(zhǔn)確率與分類效率對(duì)方法的性能進(jìn)行描述。具體的實(shí)驗(yàn)過程如下所示。

3.1 分類準(zhǔn)確率對(duì)比分析

分類準(zhǔn)確率直接決定著方法的分類性能，分類準(zhǔn)確率越高，則方法性能也就越好。通過實(shí)驗(yàn)得到分類準(zhǔn)確率對(duì)比情況如表2所示。

表2 分類準(zhǔn)確率對(duì)比情況表

如表2所示，提出方法的分類準(zhǔn)確率遠(yuǎn)遠(yuǎn)的高于現(xiàn)有三種方法。由于所提方法通過菌群優(yōu)化算法在抽取數(shù)據(jù)過程中有效避免重復(fù)信息的出現(xiàn)，并對(duì)數(shù)據(jù)的目標(biāo)函數(shù)值進(jìn)行相應(yīng)的計(jì)算，最終提取到最優(yōu)目標(biāo)函數(shù)值對(duì)應(yīng)的數(shù)據(jù)，以提高對(duì)隱蔽網(wǎng)絡(luò)信息安全指數(shù)進(jìn)行多維屬性分類的準(zhǔn)確率，其分類準(zhǔn)確率最高可以達(dá)到95%。

3.2 分類效率對(duì)比分析

通過實(shí)驗(yàn)得到分類效率對(duì)比情況如圖7所示。

圖7 分類效率對(duì)比情況圖

如圖7所示，提出方法的分類效率遠(yuǎn)遠(yuǎn)的高于現(xiàn)有三種方法，所提方法采用雙分裂有向圖對(duì)類變量與屬性變量之間的關(guān)系進(jìn)行連接顯示構(gòu)建多維貝葉斯分類器。完成對(duì)安全指數(shù)多維屬性進(jìn)行分類。有效提高分類效率，其分類效率最高可以達(dá)到95%。

通過上述實(shí)驗(yàn)結(jié)果發(fā)現(xiàn)，提出的隱蔽網(wǎng)絡(luò)信息安全指數(shù)多維屬性分類方法極大的提升了分類準(zhǔn)確率與分類效率，充分說明提出的隱蔽網(wǎng)絡(luò)信息安全指數(shù)多維屬性分類方法具備更好的分類性能。

4 結(jié)束語

提出的隱蔽網(wǎng)絡(luò)信息安全指數(shù)多維屬性分類方法極大的提升了分類準(zhǔn)確率與分類效率，可以為隱蔽網(wǎng)絡(luò)信息安全評(píng)估提供更為可靠的數(shù)據(jù)支撐。由于實(shí)驗(yàn)對(duì)實(shí)際情況中干擾因素的忽視，導(dǎo)致實(shí)驗(yàn)結(jié)果具有一定的誤差，因此需要對(duì)提出方法進(jìn)行進(jìn)一步的優(yōu)化與探索。