基于DBSCAN 算法的大數據時代信息安全研究

相旭東,趙 璇

(滁州學院,安徽 滁州 239000)

0 引言

如今社會的高速發展,導致數據呈爆炸式增長,需求不斷增加,數據量也在增加,加速了大數據時代的形成。 大數據時代人們的生活更加便捷,但是給人們的信息安全甚至生命安全也帶來了巨大的威脅。 趙旭等[1]對大數據時代下個人信息面臨的威脅做出分析:大數據時代技術更加先進,個人信息更容易泄露,可能是由于自我疏忽導致信息外露,也可能是不法分子的入侵,還有可能是部分企業強制對個人信息的收集等;朝魯門[2]提出的預防策略是物理防御、防火墻技術和網絡完全漏洞掃描技術;林麗星[3]采用K-mean 聚類算法判別其屬于安全數據還是異常數據,最終完成Spark 環境下網絡數據安全監測;張濱[4]提出5G 數據安全整體防護方案,助力5G 數據安全發展與治理。 但是,現如今的預防策略依舊需要改進,技術需要不斷更新,將更多更先進的技術應用于信息安全,才可能在極大程度上避免信息泄露。

1 大數據背景下的信息安全

1.1 信息的重要性

要想知道數據的重要性,首先得知道數據能干什么? 有什么價值? 凡是發生過的必然留有痕跡,數據的作用就是記錄這些痕跡,將其存儲起來,便于以后的查閱或學習,或者將相關的數據收集統計進行分析,從而解決、驗證相關問題。

數據存在的價值,究其根本就是為人們對事物的觀察和做出正確的決策提供科學幫助,用數據刻畫出信息,例如冬奧會人們最關注的項目,數據顯示是短道速滑,其次是冰壺、花樣滑冰和冰球。

幫助人們形成正確的決策。 以冬奧會的跳臺滑雪項目為例,將多個測風氣象站建設在場館周圍,跳臺上安裝超聲風傳感器,最大可能地對風向、風速進行精準測量,什么方位的風向和風速適合出發,這些數據給參賽運動員和教練提供了較好的判斷標準。

1.2 信息泄露的案例

2008 年,各種網絡泄密事件相繼出現,“3·15” 晚會暴露出大量的垃圾短信和個人隱私泄露問題,此后的十幾年,信息安全的話題一直是“3·15”晚會的“常客”,如圖1 所示是近10 年來 “3·15”晚會涉及的信息安全問題的相關案件。

圖1 信息泄露案例

1.3 信息泄露的原因

為什么侵犯個人信息的行為被嚴令禁止卻依舊猖獗? 究其原因,信息給不法分子帶來的利益是巨大的,竊取的個人信息可能被轉賣給企業,企業會通過數據分析篩選出對其有益的人群推銷產品,最終目的是獲利;還可能被詐騙集團利用,通過掌握的信息實施詐騙。

個人信息為何會被不法分子掌握。 經調查發現,信息泄露的原因主要有兩個方面,一是用戶的個人安全意識薄弱,不夠注重信息安全問題,例如在社交網站上公開自己的定位、狀態等個人信息,很容易被居心叵測的人利用;二是企業自律意識薄弱,監管混亂,管理制度不完善,由于監管不到位導致信息被盜取并倒賣,甚至一些企業網站或App 對用戶信息進行強制收集。信息泄露很容易造成網絡犯罪,如網絡詐騙、被“人肉”、被網暴,關乎每一個用戶的人身安全。

如何預防信息被不法分子獲取,政府要完善法律法規,加強監管力度,企業更應該自律守法,個人要提高防護意識。 除此之外,技術層面的防護更是時時被需要。

2 信息安全防護技術

2.1 機器學習感知風險

機器學習可以應用在信息科技風險識別、風險評估、風險監測和風險控制等整個科技風險管理過程,利用機器學習方法可感知風險,分析風險規律和風險行為,評估風險影響,進行風險量化等,而風險識別是風險管理的第一步,只有識別出風險才能有效地進行風險管理,因此要先研究機器學習技術在風險識別方面的應用[5]。

引入數據預處理,分析數據之間的相關關系,對數據進行深入地理解然后提取特征,通過轉換構建特征工程,對模型進行訓練,優化參數算法,對模型進行評估,選出最合適的模型,然后進行部署。

將DBSCAN 聚類算法應用到風險識別系統中,通過模型學習和訓練后的系統,可以分析用戶的行為,識別其風險性,監測其動向,發現“危險行為”及時阻斷其與服務器的連接。

2.2 DBSCAN 聚類算法

2.2.1 算法簡介

DBSCAN 是一種將兩個足夠接近的核心點分成在相同的集群中的密度聚類算法。 足夠接近指的是兩個核心點的歐式距離小于等于半徑。

定義1 密度:在數據集中指定點的密度根據該點Eps 半徑內的點數(點的自身也被涵蓋在內)來估計。

定義2 核心點:假定有一個點作為一個核心,在這個中心附近的點數不低于一個給定的閾值MinPts,而MinPts的值是由使用者規定的。

定義3 邊界點:邊界點不是核心點,但可能會落在某一個或多個核心點的鄰域內。

定義4 噪聲點:噪聲點不會落在任何一個核心點的領域內,不是核心點同時也不是邊界點。定義5ε領域:以核心點為圓心半徑ε內的區域。定義6 直接密度可達:點q在核心點p的ε鄰域內,這樣的兩個點就稱p直接密度可達q。

定義7 密度可達:在某個樣本集合內,有樣本點p1,p2,p3,…,pn,其中p=p1,q=pn;若pi到pi-1直接密度可達,那么p密度可達q。

定義8 密度相連:在某樣本集合中有一點o,假設o到p和q密度可達,則稱q與p密度相連。

2.2.2 算法步驟

在數據集中任選一點作為核心點,以該核心點為圓心找出與該核心點的距離不大于Eps 的所有點;判斷該ε鄰域內點的個數,若該領域內的點的個數沒有達到最小閾值MinPts,那么該點就會被標記為噪聲點;如果其ε領域內的點個數不小于MinPts,則將這點作為核心樣本點標記,并為其分配一個標簽。 隨后遍歷該核心點直接密度相連的點,如果這些點尚未被分配到任意一個簇,那么就給這些點分配到上述核心點的標簽。 若它們是核心樣本,那么就依次訪問其直接密度相連點。 以此類推,簇的集群會逐漸壯大,如果在簇的Eps 距離內無法找到更多的核心樣本,則選擇另一個未被訪問過的點,并重復同樣的步驟。

2.2.3 算法實現

(1)數據來源:問卷收集。

(2)聚類過程:使用Python 語言實現對問卷數據處理。

使用pd.read_exce()方法讀取數據。

使用切片的方式選取部分特征:“所用時間”“總分”。

利用Z-score 標準化方式(x-μ)/σ對數據進行預處理,將不在同一量級的數據轉化成相同量級。x代表觀測值,μ作為總體平均值,σ作為總體標準差。 標準化的結果是沒有任何實用價值的,只能用來做相對的比較,如圖2 所示為標準化后的數據。

圖2 歸一化數據

建立DBCSCAN 模型,將聚類結果可視化,如圖3所示,異常數據由“●”“■”“+”表示。

圖3 聚類結果

(3)對聚類結果進行分析。

將聚類結果與原數據對比可知,DBSCAN 算法將異常的數據識別為噪聲點,并將其標記為-1,1,2,如表1 所示,在可視化窗口中用不同于非異常點的標識來標記。

表1 部分原數據

對用戶的行為進行分析,將用戶的異常行為識別為噪聲點,實時監控其操作,及時阻斷其與服務器的連接,防止用戶信息的強制泄露,從根本上保障用戶的信息安全。

3 結語

隨著新技術的出現和應用,用戶信息泄露的方式越來越多,要從海量數據中檢測有危險的信息十分困難,因此,需要進一步完善法律規定,加強執行力度,更需要用戶提高自我保護意識,從根本上預防信息泄露,同時需要更新的技術手段阻止信息泄露,本文利用了DBSCAN 聚類算法對用戶行為進行分析,將用戶分類,規避風險。

除了技術上的防護,更重要的是政府、企業和個人等各方面都要加強對個人信息的安全保障。 從個人方面來看,要提高安全意識,及時銷毀或收好有個人信息的各種單據票據,如火車票、快遞單以及銀行業務的單據等。 不貪圖小便宜,不隨意掃碼,不給陌生人提供驗證碼、ID 碼,不輕易相信短信及郵件中的任何網頁鏈接。從政府方面來看,要加大網絡違法犯罪的懲罰力度,推行更健全的法例和規例,鼓勵開發信息安全系統,建立信息監管體系。 從企業方面來看,要強化行業自律機制,樹立社會責任意識,絕不能知法犯法,對涉及個人信息安全的工作加強監督,提高員工的職業道德素養。