羅錦光，蘇 錦

（廣西電力職業(yè)技術學院 人工智能與信息工程學院，廣西 南寧 530001）

關鍵字：可信網(wǎng)絡；終端行為；區(qū)塊鏈；神經(jīng)網(wǎng)絡

0 引言

可信網(wǎng)絡連接（Trusted Network Connecting，TNC）[1-2]架構解決網(wǎng)絡環(huán)境下的終端安全問題，即對終端中的平臺認證、完整性認證、訪問策略以及設備信息進行評估度量。可信計算組織（Trusted Computing Group，TCG）提出的TNC 是通過終端行為進行完整性度量，去評估相應終端對于將要訪問網(wǎng)絡的合法性，以保證只有合法且本身安全的終端方能夠接入到網(wǎng)絡當中。此處的合法即是可信，是終端行為可以預期的[3]，因此判斷整個網(wǎng)絡是否可信的關鍵因素是終端行為是否可信。研究終端用戶行為且對其進行安全評級，避免與惡意用戶進行交往或屏蔽惡意用戶的入侵，可以大大提高可信終端與服務提供方的信任評價，進一步利于兩者的業(yè)務合作，降低不信任帶來的防范等其他開銷［2，4-5］。

目前的理論成果[6]雖然做了一些用戶行為可信的相關研究工作，但仍然存在一些需要改進的地方：用戶行為評估方法達不到可持續(xù)的可信判定，在具有不確定性、復雜的特性用戶終端數(shù)據(jù)面前，會導致收斂速度低且評估結果不可靠，再現(xiàn)偏差；缺乏防止對惡意用戶篡改某一用戶行為數(shù)據(jù)的機制，使得無法通過評估結果來辨識服務的可信度。

本文將GEP-CPN 模型[6]應用到網(wǎng)絡終端用戶行為屬性的網(wǎng)間用戶行為分類研究中，引入?yún)^(qū)塊鏈的數(shù)據(jù)溯源機制，從數(shù)據(jù)采集上進行改進，構建智能化的可信預測分類，確保對網(wǎng)絡終端用戶行為進行可評估可預測，最終達到對用戶行為進行安全管理。

1 相關工作

1.1 GEP-CPN 模型算法

GEP-CPN 模型算法利用基因編程表達式（Gene Expression Programming，GEP）改進神經(jīng)網(wǎng)絡技術中的對偶傳播網(wǎng)（Counter Propagation Networks，CPN）中的缺點：一是CPN 網(wǎng)絡中Kohonen 層連接權向量與輸入向量不一致時，網(wǎng)絡將會陷入局部最優(yōu)，而其他的神經(jīng)元無法被激活使用從而導致該神經(jīng)元被浪費；二是CPN 網(wǎng)絡中輸入向量的復雜性會影響到網(wǎng)絡連接權，干擾到整個網(wǎng)絡進入到“抖動”。該模型算法主要運用在聚類分析，如文本聚類，但隨著輸入數(shù)據(jù)的不確定性增加，模型網(wǎng)絡的收斂速度就會差，這對本文需要研究的預測終端行為有很大缺陷，體現(xiàn)在終端行為數(shù)據(jù)維度大，復雜性強且不確定性高，影響收斂速度，增加預測成本，當網(wǎng)絡數(shù)據(jù)經(jīng)過一定的偽裝，結果會出現(xiàn)偏差。

1.2 區(qū)塊鏈數(shù)據(jù)溯源

區(qū)塊鏈是一種分布式共享數(shù)據(jù)賬本技術[7]，具有去中心化、不可篡改性、時序性等特點。區(qū)塊鏈是由區(qū)塊構成的一種有序的、單向鏈型數(shù)據(jù)結構，其記錄數(shù)據(jù)庫可以像一根鏈條一樣構建起來，即區(qū)塊鏈把具有連續(xù)性的數(shù)據(jù)分成了N 個區(qū)塊，而區(qū)塊就是鏈式存儲結構中的數(shù)據(jù)元素。鏈式結構具有明顯的優(yōu)點：區(qū)塊與區(qū)塊之間形成緊扣關系的單向式鏈接結構，很難從某一節(jié)點破壞整個結構。區(qū)塊鏈中每一個區(qū)塊的區(qū)塊頭都記錄上一區(qū)塊的Hash地址，所以地址可以在鏈條中的任意區(qū)塊追溯到其前面的區(qū)塊，一層一層往上追溯，只要不打亂整個鏈條的銜接，是無法將之篡改或打斷的。假設一個鏈條結構由足夠多的區(qū)塊組成，對其中某一區(qū)塊進行篡改，需要消耗巨大的成本，因此區(qū)塊鏈技術可以保證采集的數(shù)據(jù)鏈上的信息不可更改，保證數(shù)據(jù)鏈條上的安全與真實。此外，區(qū)塊鏈還擁有共識機制[8]的相關優(yōu)點：一是無需可信第三方參與，二是其共識機制運行效率極高。

2 基于改進的GEP-CPN 模型預測終端行為架構構建

隨著網(wǎng)絡的普及，網(wǎng)絡終端行為數(shù)據(jù)的產(chǎn)生和快速流轉，會在不同應用系統(tǒng)中產(chǎn)生大量融合共享的終端行為數(shù)據(jù)，使得數(shù)據(jù)呈現(xiàn)不確定性等復雜的特點。按照GEP-CPN 模型[6]下的終端行為系統(tǒng)分析，達到某一次行為可信時，通過GEP-CPN 模型對會話收集的行為數(shù)據(jù)進行分析預測，過程是與用戶行為信任數(shù)據(jù)庫中的行為數(shù)據(jù)進行比較，以某一可信閾值作為判斷，在可信閾值范圍則返回該行為為可信，反之則不可信任。此時會出現(xiàn)一種情況，當收集到數(shù)據(jù)時，該數(shù)據(jù)行為經(jīng)過了一定的偽裝或篡改，即在采集到證據(jù)鏈的某一個節(jié)點不是最好或最壞的，使其經(jīng)過模型預測時在可信閾值范圍內，最終該行為被判定為可信，此處就導致產(chǎn)生評估誤差。

為了保證采集行為數(shù)據(jù)鏈上不出現(xiàn)安全問題，引入?yún)^(qū)塊鏈的溯源機制，在用戶向服務提供者發(fā)出請求時，在判斷信任行為前同時建立一個區(qū)塊鏈數(shù)據(jù)庫存儲采集到的數(shù)據(jù)，進入預測架構時形成可以溯源的數(shù)據(jù)，防止被非法修改或偽裝數(shù)據(jù)，使其進行預測架構時是安全的。通過引入?yún)^(qū)塊鏈的溯源機制和去中心化性能，改進了GEP-CPN 模型中由于大量復雜與不確定性的輸入數(shù)據(jù)引起的預測結果偏差及缺乏防篡改機制導致無法辨識可信度。改進的架構如圖1 所示，其應用架構的具體動作步驟如下。

（1）用戶向服務提供者請求服務的同時建立一個區(qū)塊鏈數(shù)據(jù)庫存儲用戶數(shù)據(jù)，圖1 中的區(qū)塊鏈數(shù)據(jù)庫的工作機制為：利用網(wǎng)絡流量檢測與分析工具，如Bandwidth 等工具采集信息，輔以Web 和商業(yè)日志等手段來抓取網(wǎng)絡用戶行為證據(jù)信息；對采集到的數(shù)據(jù)進行處理，與區(qū)塊鏈數(shù)據(jù)庫節(jié)點連接，實現(xiàn)網(wǎng)絡終端行為數(shù)據(jù)的上傳；將數(shù)據(jù)存儲在區(qū)塊鏈數(shù)據(jù)庫中，為行為判斷服務器提供可靠的數(shù)據(jù)來源，加快數(shù)據(jù)分析，其工作機制如圖2 所示。

圖1 改進的GEP-CPN 的預測終端行為架構

圖2 可溯源的終端網(wǎng)絡行為數(shù)據(jù)采集機制

（2）根據(jù)行為信任判斷服務器收到服務提供者及區(qū)塊鏈數(shù)據(jù)庫兩方的數(shù)據(jù)信息，與用戶行為信息數(shù)據(jù)庫提供的歷史記錄行為數(shù)據(jù)，用GEP-CPN模型算法進行本次用戶會話預測，得到本次行為的信任等級并進行識別決策，把預測決策結果返回給服務提供者進行判別本次用戶是否可信。

3 改進的GEP-CPN 預測終端行為架構應用分析

可信網(wǎng)絡終端行為證據(jù)屬性包含四個方面，即安全性屬性、性能屬性、可靠性屬性以及商業(yè)利益屬性。安全性屬性的證據(jù)鏈包含用戶非法連接次數(shù)、感染實體病毒數(shù)、掃描重要端口數(shù)以及嘗試非法越權數(shù)等。性能屬性[6]的證據(jù)鏈包含IP 包的平均延遲時間、平均響應時間、網(wǎng)絡帶寬占有率、用戶平均CPU 利用率、IP 包的平均延遲抖動時間、吞吐量的平均數(shù)、用戶所占線程數(shù)的平均量以及用戶占有存儲資源率的平均值等?？煽啃詫傩訹6]的證據(jù)鏈包含用戶的誤碼率均值、用戶無故障服務次數(shù)、IP 包丟包率以及連接建立成功率的均值等。商業(yè)利益屬性[6]證據(jù)鏈包含用戶狀態(tài)號、用戶狀態(tài)描述、用戶時間（近期時間）以及用戶被評價信息等。根據(jù)以上證據(jù)屬性產(chǎn)生的信任值評估改進的模型架構的可行性，本文使用文獻[9]的方法計算信任值。

通過圖1 的架構進行實例的聚類預測過程檢驗，采用的樣本數(shù)據(jù)用戶數(shù)1 000 個，每個用戶的證據(jù)行為數(shù)量20 個，共20 000 個數(shù)據(jù)。觀察區(qū)間分為10 個階段：T(N),其中N表示周數(shù)，取值范圍為[0,10]。通過區(qū)間分析得出利用區(qū)塊鏈優(yōu)勢改進的GEP-CPN 模型對相關網(wǎng)絡終端用戶行為判斷的輸入數(shù)據(jù)進行的預測終端行為的結果，隨著時間的推移，改進的GEP-CPN 模型架構較改進前的信任值越來越穩(wěn)定，使得整個網(wǎng)絡的可信判斷體系有一個良性的發(fā)展，如圖3 所示。

圖3 改進的GEP-CPN 模型與改進前的性能對比分析圖

從圖3 可以看出，改進的GEP-CPN 模型隨著觀察時間的增加，即交互次數(shù)的增加，信任值越來越高并趨于穩(wěn)定區(qū)間。但改進前的GEP-CPN 模型產(chǎn)生的信任值則出現(xiàn)較大波動，原因是沒有可以溯源的輸入數(shù)據(jù)信息，某些數(shù)據(jù)在經(jīng)過一定的偽裝或隨著時間的增加使得交互次數(shù)增加，導致信任行為證據(jù)權重具有較高的主觀性而產(chǎn)生誤判，則各觀察區(qū)間內產(chǎn)生的信任值各有不同，波動較為明顯。而本文提出的改進的GEP-CPN 模型架構引入了區(qū)塊鏈溯源機制對采集的數(shù)據(jù)進行存儲，使其具有可溯源、不可更改和去中心化的特性，進一步保證在任一時刻輸入數(shù)據(jù)不能被篡改，也不會因數(shù)據(jù)的復雜性而降低數(shù)據(jù)分析的收斂速度。

4 結語

本文通過引入?yún)^(qū)塊鏈數(shù)據(jù)可溯源機制改變GEP-CPN 模型構建的預測終端行為架構，建立一個區(qū)塊鏈數(shù)據(jù)庫對采集網(wǎng)絡終端行為數(shù)據(jù)進行存儲，使得采集到的數(shù)據(jù)具有可溯源、不可更改等特點，保證了可信任行為分析系統(tǒng)的安全性、可管理性，進一步提升了可信網(wǎng)絡終端行為評估的準確性，為服務提供商提供一種可靠度較強的解決方案，使其能夠對用戶的未來行為采取更安全可靠的控制措施。