計算機網絡安全的入侵檢測技術研究

劉 斌

（四川城市職業學院，四川 成都 610110）

0 引言

網絡帶給人們便利的同時，也面臨著安全問題，不同類型的網絡入侵影響計算機網絡安全。頻繁發生的網絡安全事件，對網絡環境運行產生影響，帶來較大的安全隱患。傳統網絡安全防護技術，難以抵御當前網絡新病毒的惡意入侵。傳統的防火墻、數據加密存在一定問題，具體體現在無法阻擋現有網絡攻擊導致的入侵行為方面。只有建立更完善的入侵檢測技術，才能保障計算機網絡運行安全。因此，有必要針對計算機網絡安全的入侵檢測技術進行研究。

1 入侵檢測技術概述

入侵檢測技術廣泛應用在網絡系統檢測中，用于檢測計算機網絡中存在的異常行為。由于其入侵檢測能力較強，也被定義為計算機網絡系統。檢測技術通過收集關鍵信息，查看是否存在影響網絡運行的跡象。入侵檢測技術的運行原理如圖1 所示，通過檢測異常與匹配模式，對入侵攻擊進行分析。

圖1 入侵檢測技術原理

入侵檢測系統實際處理攻擊行為時，分為3 個過程。通過完成3 個過程，實現對網絡攻擊行為的處理。入侵檢測技術流程結構，如圖2 所示，分為數據采集、分析、響應三大模塊。

圖2 入侵檢測技術處理過程

2 基于入侵檢測技術的參數優化

入侵檢測技術已發展多年，網絡病毒也同時發展。想保障網絡運行安全，須不斷升級優化檢測技術。當前檢測技術存在較多不足，加重網絡負荷，對數據抓取產生影響。入侵檢測技術的運行原理，基于系統的防火墻，通過主動檢測，根據網絡數據探究，對異常行為采取措施。入侵檢測對網絡的攻擊行為，分為收集安全日志、行為，檢測到異常攻擊對象，對其結構進行審查，采取動態安全保護等步驟。

2.1 粒子群算法尋優思想

當前檢測技術存在較多不足，網絡負荷較重，影響數據抓取，導致網絡運行時間較長，影響入侵檢測技術的有效應用。以往入侵檢測技術在收集網絡數據時，難度較高，導致收集過程中，大量的信息冗余，影響檢測分析效果。針對檢測階段，提出改進方法，采用粒子群算法在系統中進行深入搜索，獲得最佳參數。粒子群算法優化誕生于1995 年，是一種并行啟發式算法。該算法的結構相對簡單，與傳統遺傳算法相比較，更容易獲得最佳參數。粒子群算法有智能性，將種群中每個成員定義為粒子，代表不同的可行解，全局存在位移的最優解。通過在空間中不斷探究尋找，調整粒子的自適應函數與飛行方向，保證粒子能夠獲得最佳體驗位置，從而接近最優解。同時，種群中每個粒子都會不斷更新范圍，最終達到最優位置。粒子在作用下不斷飛行，形成位置與速度的迭代過程。粒子擁有原本的速度發生改變，實現迭代過程，朝向最優位置靠近。算法表示如下。

2.2 粒子群算法流程與改進

將粒子群算法應用到入侵檢測的過程中，通過計算，能夠在網絡運行期間識別不安全現象，并根據非法數據及時作出反應，確保能夠保障網絡運行安全。根據粒子群算法來看，其得到廣泛應用的原因，是因為粒子群算法速度快，更容易實現。但是在選定參數方面還不夠智能。因此，工作人員應根據相關經驗，設置算法中的參數，結合當前網絡運行實際需求，對算法流程進行改進，具體可根據粒子規模隨機選擇數十個粒子，對種群數量來說，數量越大，獲得最優解的可能性越高，但是獲取最優解，需要消耗的時間也會增加，因此，具體情況需要根據實際規模確定，保證時間與精度之間的平衡，確保能夠獲取完整的最優解。將粒子看成樣本，根據樣本維度設定探索速度，并基于流程算法尋找最優解，完成尋找過程。期間，工作人員需要通過收集、分析信息，找出網絡系統中的危險行為，全方位檢測系統，并采用專業系統軟件，判斷是否存在入侵行為，通過粒子群算法下得到的信息，保障計算機網絡運行安全。

標準粒子群算法對位置和速度的選擇，采用的是隨機的方式，隨機的搜索范圍越大，越有可能獲得最佳位置，提升檢測精度。研究人員曾經提出使用蟻群算法完善檢測過程，基于此檢測算法，提出最優的粒子群算法。用網格搜索算法，對速度和位置進行探索，獲得所有可能的組合，將其應用到檢測模型中，評估實際表現。將評估結果應用在搜索范圍內，獲得最優組合的速度與位置，提高檢測精度。將其應用在優化SVM 中，能夠保證SVM 最大程度獲得最佳參數。

3 網絡安全檢測模型測試

3.1 SVM對入侵檢測的可行性

根據收集的數據，進行網絡入侵安全檢測。在分析SVM 對入侵檢測的可行性的過程中，相關人員還需要充分了解網絡入侵的維度，建立全新的檢測分析法，對以往的檢測模型加以改進，確保網絡入侵模型能夠滿足檢測精度與時間要素，提升檢測效果，形成快速準確的防御措施，成為保護網絡安全的重要屏障。根據SVM 對數據集中的不同層級進行分類和檢測，構建多個SVM 分類器，在對網絡環境進行檢測時，能夠將其攻擊類型看成同一類，根據對該攻擊類型的檢測，將其從完整的數據集中剔除。之后采用相同方式，對剩余類型進行檢測。

3.2 支持SVM參數優化

SVM 分類能力會受到懲罰參數與核函數的影響，盡管SVM 在計算機網絡入侵檢測過程中能夠保持良好的性能。但是該表現，離不開參數與核函數因素。根據數據冗余、分類多的情況，選擇核函數為SVM 提供支撐。采用人為設定的方式設置懲罰函數，對懲罰系數和核函數進行優化，尋找最佳的組合。基于粒子群算法能夠優化SVM 參數，從而快速找到最佳參數組合。優化方式設定最佳組合初始化（C，g），采用網格搜索的方式獲取數據，根據粒子位置進行計算，獲取最佳的位置與速度并進行更新；達到條件后，分析是否能夠終止條件，如果不能返回到計算單元，繼續尋找最佳的粒子位置。如果滿足條件，則將初始值帶入SVM 模型中，進行最后的測試；根據SVM 模型測試分析可行性，不可行返回最初探索階段，符合則完成探索，輸出最終的檢測結果，保障網絡系統安全。

網絡入侵數據通常具有較高維度，無法保證數據集中維度特征能對數據標識產生影響。為了解決上述問題，建議首先通過收集用戶行為數據的方式，對數據進行整合，在此基礎上，結合分析模塊的特點，對整合后的數據進行分析，采取多種方法，為數據特征的明確奠定基礎。大量冗余維度不僅占用資源，還導致檢測精度降低，而數據集特征選擇，對網絡入侵檢測來說，則有重要作用。選擇優質的特征子集，能夠保證原始數據被覆蓋，提升模型的綜合能力。特征選擇是從原始數據進行，完成特征子集抽取過程，選擇的子集對原始數據有較大影響。選擇特征能夠減緩噪聲特征，提取具有能力更完備的特征，從而提高檢測精度。需要注意的是，在特征選擇的過程中，保證系統能夠響應較為重要，當出現特征一致的數據時，系統需要通知管理員對其進行及時處理。

根據生成數據代替原本的數據集：A= X+βX+βX+（=1，2，…，）（〈〈）。遠小于。以個主成分作為新的數據向量，取代原始數據。降低數據整體維度，提升檢測速度。

當主成分分析法維度降低后，計算協方差矩陣，占用的內存普通內存難以滿足，會導致取讀過程緩慢，無法在短期內處理。采用塊取讀模式，運行時間消耗過多，依舊無法滿足需求。因此，針對主成分分析法進行改進。保證預期結果的同時，對主成分數據盡可能地壓縮，減少數據維數，保證內存占用率低并滿足運行需求。結合主成分算法提取特征，將大量冗余的數據篩除掉。利用提取特征的方法，實現進一步降維操作。

經過改進后的主成分分析法，能夠縮短降維時間，與以往的降維操作相比有明顯提升，見表1。表1 中將降維前后6 次試驗進行對比，與傳統降維相比縮短了時間，最大程度地保留了信息量，效果明顯優于改進前的方法，為后續任務節約更多時間。

表1 降維前后對比（單位：s）

3.3 KDD數據集及預處理

KDD 數據集誕生于美國局域網，美國使用KDD 進行網絡入侵檢測評估試驗。通過建立網絡環境，模擬和攻擊，構建更真實的網絡環境。在該過程中，建立了9 周的數據收集過程，通過收集原始數據與網絡連接記錄，并對概率進行測試。根據數據協議進行傳輸，確保每個網絡連接都能夠標記。在試驗后總結出的數據集特征，表現為數據量龐大。大量的網絡數據不利于入侵檢測技術發揮作用，影響檢測性能評價。此外，數據量較大不利于計算。同時數據記錄特征復雜，難以提取特征。盡管有較多特征，KDD依舊為現代網絡入侵檢測提供原始數據，為后續工作進行提供方便。經過改編后的數據集，能否應用在現代化網絡環境中，還需要不斷探究。基于原始數據集處理方式，對未來數據集收集與處理提供有價值的參考。

3.4 試驗結果與分析

試驗選擇檢測模型相對關鍵，由于模型性能并不能通過單一方向思考，因此需要根據檢測精度、時間等綜合指標進行選擇。在選擇試驗參數與環境時，考慮到KDD 原始數據集冗余數據多的問題，采用kddcup.data_10_percent 作為訓練集。保證計算機內存在8GB 以內，使用英特爾處理器進行試驗。為了保證試驗評估模型算法準確，對傳統數據集降維的數據進行檢測，再對技術水平后的數據集降維檢測。基于同等條件下的不同數據，檢測入侵檢測技術水平是否提升。經過參數設定和算法選定，對數據集KDD 進行轉化。基于提升前后的數據集數據進行模擬試驗對比，得出提升后的入侵檢測技術更加有效，能夠提升檢測數據與精度，保證網絡安全檢測質量。

4 結論

綜上所述，網絡入侵行為對計算機網絡安全產生影響，現階段入侵檢測技術為了提升防火墻的防御等級，選用了IDS 技術，為防火墻防御能力提供屏障，在各大企業的計算機網絡中，也得到廣泛的應用與推廣。由于現有入侵檢測技術難以揪出病毒，因此未來為了保障網絡運行安全，需要建立更完善的技術，對網絡系統進行檢測，防止外來入侵。入侵檢測技術在保障網絡安全方面發揮了重要的作用，在未來計算機網絡發展過程中，也將持續性地發揮重要作用。將入侵檢測技術的挖掘作用，充分應用于網絡防護中，提升入侵檢測技術工作效率，保障計算機網絡運行安全。