基于ISSA融合SVM的深度網絡安全防護系統算法研究

摘 要：針對網絡安全防護系統可能存在的問題，提出了一種融合改進麻雀算法和支持向量機的混合算法，并基于該算法設計了新型網絡安全防護系統．對提出的混合算法進行性能對比測試，結果顯示，該算法的精確率和召回率分別為95.6%和92.2%．隨后在新型網絡安全防護系統的實證分析中發現，該防護系統對于異常行為的識別準確率為98.28%，顯著優于傳統防護系統．表明深度網絡安全防護系統及算法具有良好的安全防護性能，可利用該系統算法改善網絡安全系統防護效果．

關鍵詞：ISSA；SVM；網絡安全；防護系統

中圖分類號：TP 18" 文獻標識碼：A" 文章編號：1007-6883（2024）06-0016-09

DOI：10.19986/j.cnki.1007-6883.2024.06.003

隨著互聯網技術的不斷發展，網絡安全問題也越來越受到重視．在這個信息爆炸的時代，網絡攻擊和數據泄露等問題不斷出現，給人們的生活和工作帶來了很大的威脅［1-2］．因此，網絡安全防護已經成為了一個重要的研究領域．在這個領域中，人工智能技術的應用越來越廣泛［3-4］．機器學習和深度學習等技術在網絡安全領域中得到了廣泛的應用，麻雀搜索算法（Sparrow Search Algorithm， SSA）是一種新穎的群優化算法，由于其優化性能較優，常被應用于算法優化中［5］．支持向量機（Support vector machine，SVM）算法則是一種基于統計學習理論的機器學習算法，能夠在不知道特征向量分布和輸入數據分布的情況下，自動識別出數據中的異常行為和異常趨勢［6-8］．本研究通過將SSA和SVM兩種方法結合起來，并在混合算法的基礎上設計網絡安全防護系統，期望能提高網絡安全防護能力、降低風險、提高效率，保障國家安全和用戶隱私．

1 基于ISSA融合SVM的深度網絡安全防護系統設計

1.1 基于ISSA的改進SVM算法

SVM算法能夠在二分類或多分類問題中提供最優解．它的核心思想是通過構造出一個最優的核函數，將數據映射到高維空間中，從而使模型能夠在新數據點上得到最優解．它已經廣泛應用于計算機視覺、自然語言處理、金融預測等領域，具有很高的分類精度和泛化能力［9-10］．

深度網絡安全防護系統的研究是一個具有挑戰性的問題，因為網絡攻擊的多樣性和復雜性使得傳統的安全防護手段難以應對．為了解決這些問題，可以考慮使用SVM算法來建立深度網絡安全防護系統．SVM可以通過構造出一個最優的核函數，將新數據點有效地分類到不同的類別中［11-13］．在實際應用中，可以將SVM算法與其他安全防護手段結合起來，以提高系統的可靠性和有效性．例如，可以使用SVM算法來識別網絡攻擊行為，并使用其他安全防范措施來防止網絡攻擊對數據造成影響．支持向量機由于在解決高維特征和小樣本的分類回歸方面表現優異，因此該算法常被用來進行模式識別、分類以及回歸分析［14］．鑒于此，本研究希望將該算法應用于網絡安全防護系統中對網絡入侵行為進行準確識別．傳統SVM中最優分類平面計算公式如式（1）所示．

[max1||w||=min12||w||2s.t，yi（wxi+b）≥1，i=1，2，3...n]，" （1）

式（1）中，[w]為法向量，[b]為偏置量；[min12w2]表示最小化置信范圍．可將[min12w2]作為最優化問題的前提條件．當前提條件無法滿足時，則需要引入松弛變量[ξi]、[ξ*i]會對前提條件范圍放寬，此時函數的目標為式（2）中的最小置信范圍．

[min12||w||+Ci=1Nξi+ξi*s.t，yi-wxi-b≤ε+ξiwxi-yi+b≤ε+ξi*，i=1，2，3...n ξi≥0ξi*≥0]，" （2）

式（2）中[C]為懲罰因子，懲罰因子表示超出[ε]范圍數據的懲罰程度．由于網絡入侵行為基本為非線性數據，故為了更好地對其進行更好的分類，需要將其映射到更高維的環境，實現在高維環境對樣本的有效分類，進而構建針對非線性可分問題的支持向量機．針對非線性可分問題的支持向量機的函數目標如式（3）所示．

[min12i=1nj=1nλiλjyiyj（?（xi）??（xj））-j=1nλis.t.i=1nλiyi=0，λi≥0，C-λi-μi=0]，" （3）

式（3）中[λ]和[μ]表示拉格朗日乘子；[?（xi）]和[?（xj）]分別表示[xi]和[xj]轉換后的高維向量．由于對高維向量計算成本耗費較高，故在此引入高斯核函數，將其轉換為對核函數的計算，高斯核函數的表達式如式（4）所示．

[K（xi-xj）=exp-xi-xj22σ2=?（xi）?（xj）]，" （4）

式（4）中[σ]表示高斯核函數的帶寬．由上述公式可知，SVM在分類回歸方面有很好的表現，但懲罰因子[C]和核函數對函數影響較大．懲罰因子[C]和核函數參數[σ]對SVM的影響如圖1所示．

由圖1可知，當[C]較大時，則可能會出現無法回歸的情況；當懲罰因子[C]較小時，又會出現回歸錯誤的情況．此外從圖2中還可發現，若核函數參數[σ]過大，則會導致SVM的分類過細，此時易發生過擬合；若核函數參數[σ]過小，則會導致誤判一些特征相似樣本，此時易發生欠擬合．因此，合適的懲罰因子[C]和核函數參數[σ]選取對SVM至關重要．麻雀搜索算法是一種新穎的、功能強大的全局群智能優化算法．本研究希望利用其對SVM的重要參數[C]和[σ]進行尋優，由于SSA算法存在過擬合的問題，即隨著樣本數的增加，模型的預測能力會下降．同時SSA算法參數包括類別數、特征向量長度、特征選擇核函數等，這些參數需要不斷調整以提高模型的預測能力．且SSA算法由于迭代前期的搜索視野不廣，易發生局部最優的情況，模型可能找不到全局最優解．為更好地利用SSA算法改進SVM，本研究利用立方映射初始化種群的方式對SAA算法進行優化得到改進麻雀搜索算法（Improved sparrow search algorithm，ISSA）．

ISSA算法是一種常用的特征選擇算法，它通過不斷地計算每個數據點與各個類別之間的差異性，將差異較大的數據點標記為不同的類別．ISSA算法具有降維效果好、分類精度高和易實現等特點．降維效果好是指ISSA算法可以有效地降維，減少模型預測的難度．提高分類精度是指ISSA算法可以提高特征選擇的精度，從而提高模型的預測能力．易于實現是指ISSA算法相對簡單，容易實現，適用于大數據量的特征選擇問題［15-16］．在SSA算法進行種群初始化時，引入立方映射混沌算子，其表達式如式（5）所示．

[y（n+1）=4y（n）3-3y（n）-1lt;y（n）lt;1，y（n）≠0，n=0，1，…，n]．" （5）

傳統的麻雀算法中麻雀種群由[n]個[d]維個體組成，將其進行立方映射初始化的過程具體如下．首先會生成每維變量均為［-1，1］的[d]維個體為初始個體，通過式（5）對初始個體進行迭代進化得到剩下的個體，之后再利用式（6）對新產生的個體映射到初始種群后則初始化完成．

[X'=y?X]，" （6）

式（6）中[X']和[X]分別為經立方映射前后的初始種群；[y]表示映射向量．通過這種改進方式后，ISSA算法的尋優性能得到了極大加強．隨后研究利用ISSA算法對SVM的[C]和[σ]進行尋優處理．通過獲得[C]和[σ]最優值，得到ISSA-SVM混合算法，從而提高SVM算法的分類準確率和計算速度．ISSA-SVM混合算法模型的優化流程如圖2所示．

1.2 基于ISSA-SVM算法的網絡安全防護系統構建

在得到ISSA-SVM混合算法之后，研究在其基礎上構建了一種網絡安全防護系統．該網絡安全防護系統的主要功能是對網絡的入侵行為進行識別并進行阻擋，從而達到保護信息安全的目的．

該網絡安全防護系統主要分為數據采集、防御響應、監控調度、系統日志以及入侵檢測模塊．其中數據采集模塊是該系統中最基礎的模塊，該模塊主要是負責收集網絡中的數據，包括用戶和應用程序的行為、網絡連接和通信協議等．數據采集模塊主要通過libpcap框架對數據進行篩選、清洗和標記．系統日志模塊是該系統中的數據庫，該模塊的功能主要是記錄系統的運行情況、安全事件、用戶行為等信息，以幫助維護系統的安全性和可靠性．防御響應模塊主要負責對收集到的數據進行分析和檢測，以識別潛在的安全威脅和攻擊行為．當系統發現異常行為后，防御響應模塊會根據其特征及相應規則來做出防護策略．對于已知異常行為，防御響應模塊會根據現有規則進行防御響應；對于未知異常行為，防御響應模塊則會進行數據流阻斷、丟棄數據包等操作．監控調度模塊主要負責對系統的運行情況進行監控和調度，以確保系統的正常運行和安全性．該模塊具有最高的讀取權限，可以查看包括入侵檢測模塊在內的各模塊的數據．但為保障系統的數據安全，監控調度模塊無法對其他模塊的數據進行改寫．在該安全防護系統中，入侵檢測模塊是最核心的模塊，主要負責對網絡中出現的安全威脅進行檢測和響應，可以使用入侵檢測技術來識別潛在的安全威脅，并采取相應的措施來保護網絡安全．本研究在ISSA-SVM混合算法的基礎上采用混合入侵檢測策略來對已知和未知攻擊進行檢測，提升該安全防護系統的整體防御能力．入侵檢測模塊具體結構如圖3所示．

在入侵檢測模塊中，利用ISSA-SVM算法對預處理后的數據進行第一次檢測，并對其是否為異常行為進行判斷．若判斷該數據為異常行為，則將其匹配特征輸入異常行為特征庫；若判斷該行為為正常行為，則將其輸入CNN-SVM模型對其是否為異常行為再次進行判斷．若此次判斷該行為不是異常行為，則說明其為正常行為；若此次判斷該行為是異常行為，則將其添加到數據訓練集和以未知異常行為添加到異常行為特征庫（圖３）．通過ISSA-SVM算法和CNN-SVM模型的兩次判斷之后，可以克服單一檢測模型的缺點，彌補兩種模型缺點，實現對網絡行為的全面檢測，提高網絡安全防護系統的防御能力．對于網絡安全防護系統而言，要想最大程度地發揮其作用，需要對其進行聯動部署，即將其與防火墻進行結合．在部署網絡安全防護系統時，需要將該系統嵌入至網絡流量中，并將其設置為在線模式，以實時監控網絡動態數據．在該部署方案中，防火墻負責阻止非法用戶的訪問，并對異常流量及數據進行攔截．而網絡安全防護系統作為第二道防線，其將共享防火墻的數據，以進行聯動防御，避免異常流量及數據的遺漏．

2 ISSA-SVM算法的性能對比及安全防護系統實證分析

為驗證ISSA-SVM算法的有效性，將其與GA-BP、GA-SVM、SVM算法在Matlab仿真軟件上進行對比實驗，并以精確率、召回率、F1值、PR曲線、ROC曲線、平均絕對誤差作為對比指標進行性能對比．四種算法在基于CIC-IDS-2017重構的數據集上進行對比實驗，四種算法的精確率和召回率的結果如圖4所示．

圖4（a）為四種算法的精確率對比結果．由圖4（a）可得，ISSA-SVM在四種算法的精確率高于另外三種對比算法，其平均精確率為95.6%，高于GA-SVM算法的90.3%、GA-BP算法的79.9%、SVM算法的73.5%．圖4（b）為四種算法的召回率對比結果．由圖4（b）可得，ISSA-SVM算法的召回率也高于另外三種對比算法，且其平均召回率為92.2%，高于GA-SVM算法的87.5%、GA-BP算法的84.3%、SVM算法的81.9%．上述結果說明，從精確率和召回率維度來看，ISSA-SVM算法的性能優于三種對比算法．四種算法的PR曲線和F1值結果如圖5所示．

圖5（a）為四種算法的PR曲線對比結果．由圖5（a）可得，ISSA-SVM算法的PR曲線線下面積為0.78，高于GA-SVM算法的0.72、GA-BP算法的0.65、SVM算法的0.42．圖5（b）為四種算法的F1值對比結果．由圖5（b）可得，ISAA-SVM算法的F1值曲線也高于另外三種對比算法，且其平均F1值為0.86，高于GA-SVM算法的0.81、GA-BP算法的0.74、SVM算法的0.65．上述結果說明，從精確率和F1值維度來看，ISSA-SVM算法的性能優于三種對比算法．

圖6（a）為四種算法的平均絕對誤差曲線對比結果．由圖6（a）可得，ISSA-SVM算法的平均絕對誤差曲線最低，且其穩定后的平均絕對誤差為0.0023，低于GA-SVM算法的0.012、GA-BP算法的0.0073、SVM算法的0.0081．圖6（b）為四種算法的ROC曲線對比結果．由圖6（b）可得，ISAA-SVM在四種算法的ROC曲線線下面積為0.85，高于GA-SVM算法的0.74、GA-BP算法的0.69、SVM算法的0.61．上述結果說明，從平均絕對誤差和ROC曲線維度來看，ISSA-SVM算法的性能優于三種對比算法．

綜合上述六個維度來看，ISSA-SVM算法的預測性能顯著優于對比算法，故利用該算法對網絡行為進行預測可以提高預測準確率，從而更好地保護網絡信息安全．此外，為了對該網絡安全防護系統的實際性能進行分析，將其在操作系統為Win10 64、CPU為Intel（R） Croe（TM） i7-10700 CPU@2.90GHz的計算機中進行測試．該系統的實際測試結果如表1所示．

由表1可得，該網絡安全防護系統在三次實驗中對正常數據的檢測準確率分別為98.29%、98.86%、98.62%，對已知異常行為數據的檢測準確率分別為98.41%、98.54%、98.80%，對未知異常行為數據的檢測準確率分別為96.00%、96.50%、95.00%．由上述結果可得，該網絡安全防護系統對各種數據的檢測準確率均高于95%，處于較高水平，具有較好的防護性能，可以促進網絡信息安全領域的發展．

為了驗證ISSA-SVM算法在網絡安全防護系統中的可靠性，將網絡信息系統的可靠性劃分為抗毀性、生存性和有效性三種，選取三種類型網絡系統數據進行實驗，將ISSA-SVM、GA-SVM、GA-BP和SVM應用于樣本數據集中進行對比實驗，并以算法耗時作為對比指標，四種算法的平均運行時間結果如圖7所示．

由圖7可知，ISSA-SVM算法的運行時間均顯著高于GA-SVM、GA-BP和SVM，其平均運行時間為7 000 ms左右．雖然其運行速度不如其他算法快，但其良好識別率足以彌補該缺點．

3 結 論

為了提高網絡安全防護系統的防護效果，本研究將SSA算法進行改進得到ISSA算法，并利用ISSA算法優化SVM算法得到ISSA-SVM算法，并將ISSA-SVM算法嵌入網絡安全防護系統中．將ISSA-SVM算法與GA-SVM算法、GA-BP算法與SVM算法進行性能對比實驗，結果顯示，ISSA-SVM算法均優于其他三種算法．隨后對新型防護系統進行性能測試，結果顯示，該系統對于正常行為、異常行為的檢測準確率均處于較高水平．以上結果表明，基于ISSA-SVM算法的新型網絡安全防護系統的防護性能良好，可以更好地保證網絡信息安全．但研究中還存在不足之處，由于數據集數據來源的限制，構建的網絡結構不夠全面，在后續的研究中需要努力建立一個結構完整、功能完善的網絡智能入侵檢測系統．

參考文獻：

［1］Samsudin E．Modeling Student’s Academic Performance During Covid-19 Based on Classification in Support Vector Machine［J］．Turkish Journal of Computer and Mathematics Education（TURCOMAT），2021，12（5）：1798-1804．

［2］王林輝，胡晟明，董直慶．人工智能技術，任務屬性與職業可替代風險：來自微觀層面的經驗證據［J］．管理世界，2022，38（7）：60-78．

［3］楊勇．勝利油田勘探開發大數據及人工智能技術應用進展［J］．油氣地質與采收率，2022，29（1）：1-10．

［4］楊博，陳義軍，姚偉，等．基于新一代人工智能技術的電力系統穩定評估與決策綜述［J］．電力系統自動化， 2022，46（22）：200-223．

［5］歐陽城添，唐風，朱東林．融合禁忌搜索的SSA算法及其路徑規劃的應用［J］．電子測量技術，2022，45（22）：32-40．

［6］李宏武，劉玉紅，黃賢源，等．稀疏LS-SVM算法在海底趨勢面模型構建中的應用［J］．海洋測繪，2020，40（1）：53-57．

［7］Song J，Yu C，Li S．Continuous prediction of onsite PGV for earthquake early warning based on least squares support vector machine（in Chinese）［J］．Chinese Journal of Geophysics—Chinese Edition，2021，64（2）：555-568．

［8］Basu M．Squirrel search algorithm for multi-region combined heat and power economic dispatch incorporating renewable energy sources［J］．Energy，2019，182（1）：296-305．

［9］程超，武靜凱，陳梅．一種基于RBM-SVM算法的無線傳感網絡入侵檢測算法［J］．計算機應用與軟件，2022，39（5）：325-329．

［10］Gopal G V，Babu G R M．An ensemble feature selection approach using hybrid kernel based SVM for network intrusion detection system［J］．Indonesian Journal of Electrical Engineering and Computer Science，2021，23（1）： 558-565．

［11］于燁，吳佳靜，馬國武，等．基于鯨魚算法改進支持向量機的信息網絡安全態勢預測研究［J］．微型電腦應用，2022，38（12）：107-110．

［12］Kumar K．Comprehensive Composition to Spot Intrusions by Optimized Gaussian Kernel SVM［J］．International Journal of Knowledge-Based Organizations （IJKBO），2022，12（1）：1-27．

［13］盛劍橋，方圓，張亮，等．粒子群算法優化SVM的無線網絡安全狀態檢測方法［J］．自動化技術與應用，2022，41（12）：55-58．

［14］黃兆軍，曾明如．基于RVM聯合GSA-SVM的ICS分層入侵檢測算法［J］．控制工程，2022，29（7）：1323-1329．

［15］劉猛猛．基于ISSA-FLightGBM算法的惡意域名檢測方法研究［J］．蘭州文理學院學報（自然科學版），2022，36（6）：46-51．

［16］Kashefi H，Sadegheih A，Mostafaeipour A，et al．Parameter identification of solar cells and fuel cell using improved social spider algorithm［J］．COMPEL-The international journal for computation and mathematics in electrical and electronic engineering，2021，40（2）：142-172．

ISSA-SVM-Based Research on the Algorithm

of Deep Cybersecurity Protection Systems

SU Wei-ping

（Chaozhou Teachers’ College of Hanshan Normal University，Chaozhou，Guangdong，521000）

Abstract：In response to the potential issues of cybersecurity protection systems，a hybrid algorithm in combination with an improved sparrow algorithm and a support vector machine was proposed，and a new cybersecurity protection system was designed based on this algorithm. A performance comparison test was conducted on the proposed hybrid algorithm，and the results showed that the accuracy rate and the recall rate of the algorithm were 95.6% and 92.2%，respectively. Subsequently，in the empirical analysis of the new cybersecurity protection system，it was found that the recognition accuracy rate of the protection system for abnormal behaviours was 98.28%，significantly better than traditional protection systems. The above results indicate that the deep cybersecurity protection system and algorithm proposed in the study has good security protection performance，and can be used to improve the protection effectiveness of cybersecurity systems.

Key words：ISSA；SVM；cybersecurity；protection system

責任編輯 朱本華