基于深度學習算法的網絡安全應用研究

摘? 要：按照安全管理性、直觀科學性和可擴展性原則，設計了基于表征、度量深度學習算法的計算機網絡安全系統架構，利用交互接口和神經網絡算法、卷積運算算法兩項關鍵算法技術進行計算機網絡安全預測分析和計算機信息安全等級解譯，通過解釋機制的優化、深度學習算法推理及核心知識獲取，實現了對計算機網絡應用數據的安全常態化管理。

關鍵詞：深度學習算法；網絡安全；應用數據

中圖分類號：TP18；TP39 文獻標識碼：A 文章編號：2096-4706（2023）12-0158-04

Research on Network Security Application Based on Deep Learning Algorithm

LI Chunmei

（Xi'an Vocational University of Automobile， Xi'an? 710600， China）

Abstract： According to the principles of security management， intuitive scientificity and scalability， a computer Internet Security Systems architecture based on representation and measurement deep learning algorithm is designed. The computer network security prediction analysis and computer information security level interpretation are carried out by using two key algorithm technologies， namely， interactive interface and neural network algorithm， and convolution algorithm. By optimizing the explanation mechanism， deep learning algorithm inference， and acquiring core knowledge， the safety and normalized management of computer network application data has been achieved.

Keywords： deep learning algorithm; network security; application data

0? 引? 言

隨著互聯網、人工智能和網絡信息技術迅速發展，卷積運算、決策樹分類、神經網絡算法以及梯度分類等深度學習方法被廣泛應用于信息自動化識別技術領域。與傳統的計算機網絡信息安全管理識別方法相比，基于神經網絡和卷積運算的深度學習算法具備良好的信息處理、分類、存儲、識別、比對等功能，可針對計算機網絡安全風險進行非線性、智能化管理，大大提升了網絡安全數據應用、管理效能[1]?；诖耍疚闹饕ㄟ^基于深度學習算法的網絡安全架構設計，運用神經網絡技術和卷積運算技術進行深度學習，基于安全管理性、直觀科學性和可擴展性原則，將深度學習算法關鍵技術和整體架構流程運用到計算機網絡安全管理策略的制定中，更好地實現網絡信息安全管理。

1? 基于神經網絡算法進行計算機網絡安全預測

神經網絡算法技術是集獲取、分析和預測計算機網絡信息知識為一體的預測模型，它能夠運用交叉驗證方法深度分析、對比深層深度學習與淺層機器學習的功能，并基于精準化預測結果，可核驗分析計算機網絡信息知識特征的復雜程度，以及優化深層深度學習結果精度，根據如圖1所示神經網絡算法模型，不難看出，圖1（a）為淺層機器學習，而圖1（b）為深層深度學習，兩者相比，圖1（b）神經網絡學習法一共有三層，分別為an層、xn層和bn層，這三層均以淺層學習為主，分別承擔著計算機網絡信息知識輸入、隱匿和輸出三大基本功能，從圖中可以看出，在神經網絡淺層學習過程中，各層既相互聯系，又互相獨立，但層與層之間通過權重系數進行計算機網絡信息知識特征的算法模型共享共建[2]。

與神經網絡淺層學習方法相比，深度學習法在計算機網絡安全預測分析過程中，為了降低預測結果誤差，使計算機網絡安全預測分析結果更加接近于真實參數值，通過在神經網絡深層深度學習的信息隱匿層（即xn層）進行特征向量強化識別，同時開展了多次交叉驗證，在深度學習中，進一步優化計算機網絡安全信息數據的特征向量權重，經過調整各層參數權重系數，循環進行數據集訓練，并對各向量間權重系數相乘結果進行模型深入對比分析，大大提高了計算機網絡安全信息深度學習預測的評估精度，從而實現了精準化預測與安全預警[3]。

基于上述原理，在運用神經網絡算法技術進行計算機網絡安全預測分析過程中，為進一步探索和掌握神經網絡算法主體功能，進而采用深度學習中的算法核心內容分析人工神經單元，首先需要在深度訓練學習中，從輸入層將計算機網絡信息特征向量輸入其中，然后經過隱藏層對計算機網絡信息數據進行對比分析、迭代訓練、淺層學習和深度學習交叉驗證，最后方可將預測結果分類輸出，通過數據迭代，在深度學習過程中，借助數學模型系統運算程序，基于隱藏層、輸出層和感知層三層分析模式，針對計算機網絡信息數據安全性進行算法預測精度評估。

在該算法模型中，感知層集合了多層感知器進行算法深度學習，基于下列公式模型對隱藏層信息進行機器學習，其中b表示偏值，輸入向量、輸出層輸出向量分別用X （ X1， X2， X3，…， Xn ）t和Y （Y1， Y2， Y3，…， Yn ）t來表示，O為深度學習算法中的隱藏層輸出向量，分別用（O1， O2， O3， …， On）t來表示。

基于上述公式進行交叉驗證，從而增強了圖像識別精度，并針對隱匿層各層輸入和輸出的計算機網絡數據信息結果多次進行精準的參數判斷分析。比如，在機器學習算法運行過程中，將Ha設定為感知數學模型參數閾值，依次經過神經網絡深度學習，通過計算機網絡圖像識別結果參數判定、算法交叉驗證和隱匿層信息多次迭代之后，所要輸出的精準數據結果滿足系統提前預設的參數閾值Ha，由此即可證明該感知數學模型和以機器學習算法為主的神經網絡深度學習預測計算機網絡信息評估結果成立，與此同時，經過數據隱匿層對評估結果指標多次進行深入的神經網絡訓練、參數結果調整、迭代結果傳輸，通過多次迭代循環訓練之后，方能夠使神經網絡深度學習網絡結構變得更加穩定，從而能夠保證最終輸出的預測分析結果更加有效、精準[4]。

2? 基于卷積運算算法進行計算機信息安全解譯

神經網絡深度學習算法網絡模型結構復雜，運算過程中所要涉及的參數較多，而且在深度學習訓練中，系統需要根據隱匿層輸出結果進行閾值驗證，即需要深入明確和掌握數據結果學習、頻繁迭代中所要參照的訓練樣本輸入輸出對應規則，這就會增加數據訓練難度。相比而言，卷積運算算法技術基于加深的網絡層級，能夠在減少神經網絡深度學習相關參數數量基礎上，高標準度表示計算機信息安全等級參數，卷積神經網絡模型結構示意圖如圖2所示。基于此，在計算機網絡安全管理中，經常需要將神經網絡深度學習算法和卷積運算算法技術融合在一起進行使用，它顯著的優勢就是在深度學習算法基礎上，可基于計算機網絡圖像識別精度和向量特征，通過如圖3所示的基本流程，對計算機信息安全等級特征進行算法識別[5]。

從圖3可以看出，輸入計算機相關數據信息以后，系統首先需要進行處理、鑲嵌計算機網絡安全信息特征向量，其次，將經過識別后的計算機網絡安全信息特征向量依次傳輸至分別包含卷積層1、2的深度卷積層網絡模型中，經過多次深入進行深度卷積網絡運算，對相關特征向量參數進行折疊處理、動態池化，基于Relu激活參數，即可提升計算機網絡信息卷積運算學習結果準確度。然后，經過卷積特征循環運算，即可通過全連接層將運算后的計算機網絡信息卷積學習特征向量信息輸出，并用于計算機網絡安全信息安全等級解譯。

從上述技術原理來看，卷積特征運算融合了深度學習算法優勢，通過進一步解譯分析計算機網絡安全信息等級，在充分提取深度學習和卷積算法優勢特征基礎上，有效實現了信息安全等級解譯，但是需要注意的是，在提取卷積運算特征過程中，由于卷積運算各特征面均由上一層特征面的卷積核、神經元等多個特征面進行深度學習和卷積運算，所以經過運算后的征向量信息需要再經過如式（6）卷積運算公式進行激活函數操作，從而方可輸出準確的學習運算結果：

式中，P和b分別表示局部感受野和1層上的偏置值，第i層上的卷積核的權重以及第1-1層第i個窗口的特征值分別用k和x - 1表示。f表示卷積運算激活操作輸出函數Relu。

3? 基于深度學習算法的網絡安全應用及實現

3.1? 計算機網絡風險識別

從前文的論述研究中可以看出，深度學習算法技術在預測評估計算機網絡安全數據特征向量信息過程中，往往具有“多次交叉驗證”和“多次迭代”等技術優勢與特征，因此在基于深度學習算法進行計算機網絡安全風險識別研究中，可基于如圖4所示的技術流程實現相關準確預測與評估功能[6]：

1）基于深度學習算法進行計算機網絡安全信息特征向量獲取，進一步構建預測評估計算機網絡安全信息結果的安全警示模型，利用數據特征向量信息預測評估功能模塊的計算機網絡安全風險識別功能，即可實現對特征向量的篩選與計算機數據的降維分析。

2）將獲取的各類數據信息特征要素完整導入計算機網絡安全信息特征分析模型中，通過借助神經網絡預測評估模型進行數據多次交叉驗證分析和多次迭代處理，從而在深度學習與卷積運算中，深入分析并提取計算機網絡安全信息的精準數據信息特征向量。

3）對各類信息特征向量進行模型評估分析之后，基于深度學習算法迭代和卷積激活函數操作輸出后的計算機網絡安全信息數據特征要素值結果，即可用于計算機網絡信息安全等級的提示、分析、檢索和預警等。

3.2? 信息安全診斷預警

表征學習和度量學習是深度學習算法中的兩個關鍵環節和步驟，前者是實現對采集的計算機網絡安全信息數據進行重識別，而后者則是對計算機網絡安全信息數據識別誤差度距離進行衡量，因此，表征、度量學習能夠針對計算機網絡安全信息數據進行提示預警和安全診斷，它們作為深度學習的關鍵要素，從本質上決定了信息識別結果精度與網絡數據信息誤差度距離大小，所以通過表征、度量學習之后，即可分析指導計算機網絡安全管理實踐。但是在具體應用過程中，通常需要對所獲取的單一特征進行訓練，經過深度的計算機網絡數據特征向量分析對比，不僅能夠有效提升計算機網絡安全管理水平，而且還可提高復雜環境下的計算機網絡數據信息識別精度，有效避免了網絡安全管理事故發生。

相較而言，特征向量在本質上與度量學習存在較大區別，例如在基于深度學習算法進行計算機網絡安全風險識別和信息安全診斷、提示預警過程中，將視頻信息輸入計算機，通過對同ID設備下的視頻信息主體相似度進行篩選分析之后，即可有效區分擴大不同ID間與同ID設備下兩者距離，然后基于下列特征相似度公式進行歐式距離特征相似度分析，其中網絡安全信息特征相似度可用兩項指標df 1與df 2來表示。式（7）中，df 1、df 2表示ID網絡視頻信息輸入相同的計算網絡載體后，同ID設備下及擴大不同ID間兩者間的特征相似度值。而af 1表示網絡前向傳播中用于指導網絡安全管理過程中所要提取優化的計算機網絡安全特征向量值[7]。

3.3? 網絡安全評估測試

計算機網絡安全管理風險態勢評估主要是通過卷積運算與神經網絡相結合的深度學習算法，對提取的特征向量數據信息進行訓練，進而通過與實際結果進行驗證，并將其應用于計算機網絡安全數據信息管理態勢評估和分析預測，如果經過數據信息驗證校核，當實際結果與預測結果存在較小的誤差時，即可通過卷積運算和神經網絡兩種深度學習方式，對計算機網絡安全管理的總體現狀及實際情況進行安全態勢評估。

本文采用的基于深度學習算法進行計算機網絡安全態勢評估與測試實驗環境為：64 GB、16核CPU；Ge ForceRTX 2080 Ti顯卡服務器；Python 3.8開發語言；TensorFlow與CUDA使用框架；sklearn庫。首先采用CIC-IDS2017網絡公開數據集進行數據降噪、編碼、訓練與測試集分割，然后用CICFlow Meter工具提取80個特征向量組成CICIDS數據集，在數據預處理時還需完成降噪，選取傳統CNN模型對比。如圖5至圖7所示。

通過測試評估后不難發現，基于深度學習算法的網絡安全測試結果要優于普通算法模型，這是由于ConvLSTM層的加入使深度學習算法模型能對少數類數據進行有效識別。同時通過計算F1-Score宏平均值表明，基于深度學習算法的網絡安全測試值比普通F1-Score值高約3%，由此證明該算法模型優于普通CNN模型，它可對計算機網絡安全管理趨勢、現狀進行安全態勢等級劃分，據此制定行之有效的安全管理策略，最終在高準則、高質量的管理架構之下，實現對計算機網絡安全風險進行有效預防和治理，從根本上保障安全管理技術能力和水平，切實提高計算機網絡信息安全水平[8]。

4? 結? 論

信息化時代，計算機網絡安全是保障網絡數據信息安全存儲的基本前提，同時也是構建安全網絡生態環境，促進我國網絡信息生態健康、綠色、可持續發展的關鍵所在，基于此，有效識別計算機網絡安全風險等級，對于保證計算機網絡安全至關重要。本研究應用研究結果表明，深度學習算法能夠精準識別計算機網絡安全功能，合理評估預測計算機網絡安全態勢，雖然深度學習背景下的神經網絡、卷積運算等算法運量大、復雜度高，但經過深度學習可輸出識別精準、精度優質的特征信息，其用于網絡安全態勢評估結果出色，能針對網絡風險等級進行信息數據收集、特征識別、實際分類，進而可有效地用于計算機網絡安全防范管理。

參考文獻：

[1] 劉文濤.基于矢量化加速的網絡安全應用多模式匹配 [J].西安文理學院學報：自然科學版，2022，25（4）：11-16.

[2] 王正強，青思雨，萬曉榆等.IRS輔助的NOMA無人機網絡安全速率最大化算法 [J/OL].電子與信息學報：1-8（2022-12-27）.http：//kns.cnki.net/kcms/detail/11.4494.TN.20221223.1454.003.html.

[3] 龍飛.基于人工智能的互聯網絡數據安全優化算法研究——評《人工智能在網絡安全中的應用》 [J].中國安全科學學報，2022，32（11）：216.

[4] 胡長生.基于遺傳算法的無線傳感器網絡安全分簇路由算法研究 [J].南京工程學院學報：自然科學版，2022，20（3）：28-32.

[5] 朱大立，金昊，吳荻，等.基于數據流深度學習算法的Android惡意應用檢測方法 [J].信息安全學報，2019，4（2）：53-68.

[6] 于成麗，安青邦，周麗麗.人工智能在網絡安全領域的應用和發展新趨勢 [J].保密科學技術，2017（11）：10-14.

[7] 趙輝.入侵檢測在機器學習和深度學習中的發展 [J].現代計算機，2022，28（13）：62-66.

[8] 伍泰霖.在聯邦學習中加速深度學習算法的技術應用 [D].深圳：中國科學院深圳先進技術研究院，2022.

作者簡介：李春梅（1979.02—），女，漢族，山東濟寧人，工程師，碩士研究生，研究方向：計算機科學與技術。