人工智能技術在通信安全防御系統中的應用與研究

王斌，李鴻飛，許少蔚

（1.西安航空計算技術研究所，陜西西安，710065；2.西安飛行自動控制研究所，陜西西安，710065）

0 引言

云計算、大數據、5G通信等技術的快速發展和進步，目前許多領域已經進入了“互聯網+”時代，金融證券、智能旅游、在線學習、電子商務、電子政務等取得了極大的信息化成果，具有重要的作用和意義。但是，互聯網通信技術在為人們提供便捷的同時也面臨著很多的安全威脅，許多不法分子開發了勒索病毒、盜號木馬、網銀木馬、蠕蟲木馬等，非法竊取互聯網信息，給網絡用戶帶來嚴重的經濟損失，侵犯網絡用戶的合法權益，直接影響“互聯網+”普及力度[1]。2021年5月，美國石油管道網絡遭受到了嚴重的病毒攻擊，長達8850公里的輸油管道無法運營，支付了500多萬美元才恢復正常運營。因此，非法分子利用勒索病毒要求大型企業支付贖金，否則就無法正常使用網絡，為用戶帶來不可估量的損失。因此，網絡安全需要引入先進的防御技術，進一步提高安全防御能力[2]。

1 通信安全防御系統應用現狀

通信安全防御系統經過多年的研究和應用，已經吸引了很多的學者和企業進行研發，比如360安全衛士、卡巴斯基殺毒軟件等，一定程度上提高了通信安全防御水平。本文通過對近年來常用的通信安全防御系統進行研究，發現通信安全防御系統已經在很多領域得到廣泛普及，比如電子商務、大數據中心、電子政務等，也提高了百度、騰訊、阿里等網絡內容服務商的安全運行水平[3]。本文根據通信網絡安全防御的實踐，描述包過濾系統、訪問控制系統和殺毒軟件等防御技術。

（1）訪問控制系統

訪問控制系統是最常用和簡單的通信安全防御技術，該技術可以根據大中小企業網絡的應用實際需求，部署一個安全訪問服務器，該服務器就類似于一個網絡安全關口，配置和部署網絡黑名單或白名單，從而確保通信系統安全運行。訪問控制系統已經在中國移動、中國電信和中國聯通等運營商機房中得到部署，并且可以根據每一個省市的機房大小，配置不同的防御規則，具有一定的應用靈活性。

（2）深度包過濾系統

深度包過濾系統是訪問控制系統的升級版，也是安全防御研發企業推出的電信級防御技術，該技術能夠針對每一個網絡數據包進行檢查，不僅覆蓋網絡應用層，還可以覆蓋傳輸層和網絡層，從而能夠將數據包的包頭部分、數據部分進行全面檢查，避免木馬或病毒隱藏在這些位置。深度包過濾已經在天貓商城、蘇寧商城、京東商城、唯品會、手機銀行等金融商務系統進行部署，從而避免消費者和企業的信息財產損失。

（3）殺毒軟件系統

殺毒軟件系統是互聯網安全防御的重要手段。由于互聯網運行中難免存在木馬或病毒入侵，因此一旦發生安全事件，互聯網就要啟動殺毒軟件，從而可以將木馬或病毒清除[7]。互互聯網經過多年的普及和使用，已經誕生了卡巴斯基、360安全等大型企業，研發和設計了更加先進殺毒軟件，引入了脫殼技術、修復技術和自我保護技術，這些技術可以提高病毒或木馬的脫殼能力，避免非法數據包由于采用高級別的隱藏技術導致瞞天過海，從而侵襲網絡服務器，造成數據內容被污染或破壞，無法有效的保護互聯網正常使用。

2 人工智能在通信安全防御系統中的應用

訪問控制系統、深度包過濾和殺毒軟件采用的通信安全防御模式均為被動型，由于木馬和病毒的隱藏時間長，如果一旦攻擊技術提升，通信系統將會面臨嚴重的威脅和損失。因此，防患于未然成為通信安全防御系統的研究重點。人工智能作為一種模式識別和機器學習技術，其可以利用病毒或木馬的基因特征，進行自主學習和演化，從而可以持續的改進通信安全防御性能。基于人工智能的通信安全防御系統業務流程如圖1所示。

圖1 基于人工智能的通信安全防御系統業務流程

人工智能實現算法采用深度學習，該算法包括六個層次，分別是輸入層、卷積層C1、池化層S1、卷積層C2、池化層S2和全連接層，相關結構如圖2所示[4]。

圖2 深度學習算法學習和訓練模型

深度學習在通信安全防御過程中，每一層的功能及作用描述如下。

（1）輸入層。輸入層的功能是實現通信數據包的預處理，可以刪除一些噪聲數據、非常安全的數據等，這些都不會潛藏病毒或木馬，同時還可以將數據進行矩陣化操作，以便能夠顯示每一個數據包的類別，對其進行歸一化處理，便于卷積神經網絡進行處理。

（2）卷積層。卷積層通常包括兩個關鍵操作，可以實現卷積網絡的局部關聯操作和窗口滑動操作。局部操作可以針對數據特征進行過濾，滑動窗口可以完成卷積神經網絡特征的提取，實現卷積神經網絡的特征分析，進一步改進卷積神經網絡的準確度。

（3）池化層。池化層可以減少網絡設置的參數數量，神經網絡可以獲取數據包的病毒基因特征，這些特征數據采取池化操作之后就可以計算某一個局部卷積特征平均值，也可以計算最大值或最小值，利用這些值可以針對卷積層獲取的特征數量進行過濾，從而可以降低分類器的計算復雜度，充分的減少過度擬合發生的概率。

（4）全連接層。全連接層是一個分類器，其可以將神經網絡經過學習和訓練的結果輸出到全連接層，這樣就可以直接為通信安全防御提供決策支撐。比如，如果某一個數據包包含病毒或木馬的特征，此時經過卷積神經網絡匹配成功之后，就可以將這些病毒或木馬存在的信息通知給網絡管理員，及時啟動殺毒軟件，將病毒或木馬清除。

本文為了能夠驗證提出的安全防御模型的有效性，將深度學習算法識別的病毒和木馬準確度與其他算法進行比較，其他算法包括決策樹算法、邏輯回歸算法。具體的，本文從多個攻擊服務器發送包含網銀木馬、網游木馬、盜號木馬、勒索病毒等60多種病毒的基因特征數據包，這些數據包攻擊服務器，從而可以查看識別出的數據包的準確度。具體的，本文提出的通信安全防御模型實驗結果如表1所示。

表1 通信安全實驗結果

本文針對通信安全實驗結果進行分析，發現深度學習算法的精確度最高可以達到98.8%，但是決策樹算法和邏輯回歸算法的準確度最高分別是67.5%和74.6%，遠低于深度學習算法，同時本文針對深度學習算法的穩定性和魯棒性進行考察，發現其運行過程較為穩定，優于同類算法。深度學習算法的準確度高，可以更好的識別通信數據中的潛在威脅，這樣就可以提高通信安全防御的性能，適用于當前通信數據較大和復雜的情況，提高通信安全防御水平。

3 結束語

通信安全防御作為一個系統的、復雜的、持續的工作，經過多年的研究和應用，已經提出了很多的通信安全防御技術，比如防火墻、包過濾系統等，但是通信安全防御是一個長期的工作，常言道“魔高一尺，道高一丈”，因此為了保證通信系統的安全和避免用戶信息產生損失，本文提出引入深度學習算法，構建一個人工智能安全防御系統，大幅度提高網絡安全防御性能。深度學習算法能夠實時的進行學習和升級，以便獲取最新的網絡病毒或木馬基因，從而可以準確的識別網絡數據流中的安全威脅。深度學習算法還可以通過硬件或固件實現，這樣就可以提高算法運行的速度，不影響通信數據傳輸速度，不僅可以保護網絡數據的安全傳輸，還可以避免由于添加了安全防御控制系統造成的信息時延，具有重要的意義。