呂廣旭，盧加奇，魏先燕，王小英

(防災(zāi)科技學(xué)院，河北 三河 065201)

0 引 言

隨著技術(shù)手段的不斷更新，傳統(tǒng)的防御模型已無(wú)法應(yīng)對(duì)當(dāng)前復(fù)雜多變的網(wǎng)絡(luò)攻擊技術(shù)，以防火墻為首的防御手段正在失去“防火墻”的作用，攻擊方逃逸率不斷增加，它們往往采取多種攻擊方式結(jié)合的手段進(jìn)行，這使得精準(zhǔn)防御逐漸變得力不從心。

隨著機(jī)器學(xué)習(xí)技術(shù)的不斷興起，防火墻防御技術(shù)、入侵檢測(cè)技術(shù)等有了較大進(jìn)步，但仍有較大的提升空間，防御攻擊能力相對(duì)較弱。網(wǎng)絡(luò)攻擊的復(fù)雜多變成為新攻擊下網(wǎng)絡(luò)安全問(wèn)題不斷嚴(yán)峻的新方向。一方面基于有監(jiān)督的入侵檢測(cè)方法嚴(yán)重依賴樣本數(shù)據(jù)，樣本數(shù)據(jù)分布是否合理、數(shù)據(jù)的質(zhì)量成為有監(jiān)督入侵檢測(cè)方法應(yīng)用過(guò)程中的重要一環(huán)。在數(shù)據(jù)量巨大網(wǎng)絡(luò)環(huán)境中，數(shù)據(jù)良莠的認(rèn)定成為制約有監(jiān)督學(xué)習(xí)的另一關(guān)鍵問(wèn)題，對(duì)于數(shù)據(jù)的標(biāo)簽處理各行業(yè)很難有統(tǒng)一的處理方式，導(dǎo)致效果未能滿足要求。為此，基于無(wú)監(jiān)督的入侵檢測(cè)方法應(yīng)運(yùn)而生，無(wú)監(jiān)督檢測(cè)方法摒棄對(duì)樣本標(biāo)簽數(shù)據(jù)的依賴，減少人力資源的消耗，提升了檢測(cè)手段的實(shí)用價(jià)值，成為解決入侵檢測(cè)重點(diǎn)問(wèn)題的關(guān)鍵抓手。

1 研究概述

用于入侵檢測(cè)方面的無(wú)監(jiān)督方法獲得了大量的關(guān)注和研究，為后續(xù)研究提供大量的理論基礎(chǔ)。2018年，楊文君等人對(duì)于K-means聚類方法在密度、距離和閾值等方面進(jìn)行了分類分析，對(duì)于各類應(yīng)用場(chǎng)景分別進(jìn)行了詳細(xì)闡述。此外針對(duì)聚類方法容易陷入局部最優(yōu)等實(shí)質(zhì)性問(wèn)題，邢瑞康等人使用數(shù)據(jù)密度等信息改進(jìn)中心點(diǎn)依賴弊端，顯著提高檢測(cè)效果。入侵檢測(cè)的數(shù)據(jù)往往是高維且復(fù)雜的，應(yīng)對(duì)高緯度環(huán)境下壓縮降維難題對(duì)于傳統(tǒng)聚類方法難以保證檢測(cè)準(zhǔn)確率。2020年，解濱等人結(jié)合三支決策思想對(duì)傳統(tǒng)聚類方法進(jìn)行改進(jìn)，消除K值對(duì)于聚類效果的限制影響，通過(guò)二次聚類手段重新劃分，此方法在多攻擊行為場(chǎng)景下表現(xiàn)優(yōu)異。董新玉等人引入多視角余弦相似度作為衡量手段使用主成分分析對(duì)數(shù)據(jù)進(jìn)行降維處理，克服有監(jiān)督學(xué)習(xí)漏檢率高等難題。

目前入侵檢測(cè)方法存在以下關(guān)鍵問(wèn)題：

一是傳統(tǒng)數(shù)據(jù)降維方式中涉及較多的方式為主成分分析和線性判別分析。無(wú)論是作為無(wú)監(jiān)督的主成分分析方法，還是相比較主成分分析具有較優(yōu)的降維效果的線性判別方法而言，都容易存在過(guò)擬合的缺點(diǎn)。但不論是降維還是特征選擇的方式，對(duì)原始數(shù)據(jù)的壓縮和特征減少會(huì)對(duì)原始數(shù)據(jù)的表示存在損耗。因此還會(huì)出現(xiàn)損耗過(guò)大的情況導(dǎo)致誤報(bào)率較高。

二是傳統(tǒng)聚類方法存在局部最優(yōu)、漏檢率高、難以應(yīng)對(duì)高維復(fù)雜攻擊數(shù)據(jù)等主要問(wèn)題，聚類算法將直接影響聚類效果的好壞。

針對(duì)上述問(wèn)題，適應(yīng)高維大數(shù)據(jù)檢測(cè)，本文使用隨機(jī)森林方法對(duì)于數(shù)據(jù)進(jìn)行特征篩選以提供數(shù)據(jù)降維支撐，將特征篩選結(jié)果提供聚類方法實(shí)現(xiàn)多分類入侵檢測(cè)效果。將改進(jìn)算法應(yīng)用于入侵檢測(cè)分析中，其顯著提升無(wú)監(jiān)督聚類條件下多維數(shù)據(jù)的聚類效果，提升檢測(cè)準(zhǔn)確率。

2 隨機(jī)森林-聚類混合方法

本文使用隨機(jī)森林-聚類混合方法對(duì)于入侵檢測(cè)數(shù)據(jù)進(jìn)行分析，該方法包括兩部分組成。

模型前半部分主要利用隨機(jī)森林方法對(duì)入侵檢測(cè)數(shù)據(jù)集進(jìn)行特征篩選，對(duì)高維度數(shù)據(jù)進(jìn)行降維，在盡可能最大化保留原始數(shù)據(jù)信息情況下，將數(shù)據(jù)維度降至最低。模型后半部分接受降維后的數(shù)據(jù)作為輸入，使用基于改進(jìn)的Canopy+K-means混合聚類方法對(duì)于數(shù)據(jù)集進(jìn)行多分類劃分研究。

2.1 隨機(jī)森林篩選特征

由于網(wǎng)絡(luò)流量數(shù)據(jù)的高維性，導(dǎo)致單獨(dú)聚類方法對(duì)于入侵檢測(cè)的分類效果不佳，模型的泛化能力較差。就需要前期對(duì)數(shù)據(jù)進(jìn)行壓縮降維處理，使提取的特征數(shù)據(jù)能夠保留原始數(shù)據(jù)的大部分信息的前提下，對(duì)聚類效果進(jìn)行一個(gè)更優(yōu)的表達(dá)。本文使用隨機(jī)森林方法對(duì)數(shù)據(jù)特征進(jìn)行篩選。

隨機(jī)森林篩選特征結(jié)構(gòu)如圖1所示，該方法將多個(gè)有監(jiān)督學(xué)習(xí)模型通過(guò)一定的結(jié)合策略實(shí)現(xiàn)一個(gè)能力更加優(yōu)秀的學(xué)習(xí)器。隨機(jī)森林則是以決策樹(shù)為單元?jiǎng)澐侄鄠€(gè)單元模塊分別進(jìn)行決策，通過(guò)投票選擇出最優(yōu)的分類組合。基于隨機(jī)森林的特征篩選過(guò)程則是利用隨機(jī)森林基于決策樹(shù)分析的這一核心思想，通過(guò)每個(gè)單元可以將特征在決策樹(shù)上進(jìn)行劃分，對(duì)比特征對(duì)于每個(gè)樹(shù)的貢獻(xiàn)程度通常是以袋外數(shù)據(jù)錯(cuò)誤率作為評(píng)價(jià)指標(biāo)，對(duì)特征進(jìn)行選取從而達(dá)到特征篩選的目的。隨機(jī)森林因?yàn)殡S機(jī)選取初始特征性質(zhì)以及強(qiáng)大收斂性，相比較于單個(gè)決策時(shí)進(jìn)行分析時(shí)，更加適應(yīng)高維數(shù)據(jù)的處理，很好避免過(guò)擬合現(xiàn)象發(fā)生。

圖1 隨機(jī)森林篩選特征結(jié)構(gòu)圖

2.2 Canopy+K-means混合聚類算法

傳統(tǒng)的K-means聚類方法存在以下缺點(diǎn)：

（1）由于中心點(diǎn)的不確定性，導(dǎo)致簇內(nèi)聚合質(zhì)量較差，反映到入侵檢測(cè)方面產(chǎn)生的直接后果影響就是具有較大的錯(cuò)誤分類數(shù)，對(duì)于各攻擊的劃分非常不明確。

（2）另一方面由于聚類數(shù)據(jù)量較大，使用聚類方法計(jì)算迭代的次數(shù)也愈來(lái)愈大，導(dǎo)致分析時(shí)間延長(zhǎng)。

由缺點(diǎn)進(jìn)而演化出多種基于傳統(tǒng)K-means聚類方法的改進(jìn)方法，從密度和距離計(jì)算方式等方面進(jìn)行改進(jìn)，極大提高了K-means聚類方法的效果。本文使用Canopy+K-means混合算法作為改進(jìn)方法，為克服K值選取的困擾，可先用Canopy算法對(duì)所選數(shù)據(jù)進(jìn)行一個(gè)初期的聚類研究，根據(jù)Canopy算法的結(jié)論然后對(duì)K-means算法中的K值進(jìn)行一個(gè)選取，這樣既可以減少K值選取的極大不確定性，也可以減少開(kāi)銷時(shí)間。Canopy算法原理如下：

（1）將原始數(shù)據(jù)轉(zhuǎn)換成列表形式作為樣本數(shù)據(jù)，并設(shè)定初始閾值S1和S2且S1＞S2。

（2）從列表數(shù)據(jù)中隨機(jī)選取樣本P，計(jì)算樣本數(shù)據(jù)到所有簇中心點(diǎn)的距離D。

（3）如果D＞S1，則形成一個(gè)新簇，將P作為新簇中心點(diǎn)并將P從列表中刪除。

（4）如果S2＜D＜S1，則判斷該樣本屬于該簇并將其從列表中刪除。

（5）如果D＜S2，則該點(diǎn)于該簇中心距離相當(dāng)近屬于強(qiáng)相關(guān)，并將其從列表中刪除。

（6）直至列表為空結(jié)束循環(huán)。

3 實(shí)驗(yàn)分析

3.1 實(shí)驗(yàn)環(huán)境和數(shù)據(jù)

為驗(yàn)證隨機(jī)森林-聚類混合方法的多分類入侵檢測(cè)方法的應(yīng)用效果，本文采用數(shù)據(jù)為CSE-CIC-IDS2018流量數(shù)據(jù)集，該數(shù)據(jù)集主要用于評(píng)估和測(cè)試入侵檢測(cè)系統(tǒng)，包括Bruteforce、Heartbleed、Botnet、DoS、DDoS等七種攻擊場(chǎng)景，由470臺(tái)計(jì)算機(jī)和30臺(tái)服務(wù)器組成的攻防網(wǎng)絡(luò)中。該流量數(shù)據(jù)集包含正向數(shù)據(jù)包總數(shù)、數(shù)據(jù)包平均大小、在向后方向傳輸?shù)臄?shù)據(jù)包中設(shè)置 URG 標(biāo)志的次數(shù)（對(duì)于UDP為0）、數(shù)據(jù)流的平均長(zhǎng)度等共80多個(gè)特征。

實(shí)驗(yàn)環(huán)境為L(zhǎng)INUX操作系統(tǒng)，Intel CPU、RTX3090 GPU，64 GB內(nèi)存，運(yùn)行環(huán)境為Python3.6。

為了驗(yàn)證聚類方法在數(shù)據(jù)集上的實(shí)驗(yàn)效果，本文采用調(diào)整互信息（AMI）、調(diào)整蘭德系數(shù)（ARI）和準(zhǔn)確率三個(gè)做為聚類方法“外部”和“內(nèi)部”性能度量的評(píng)價(jià)指標(biāo)。具體如下：

（1）調(diào)整互信息是基于互信息的優(yōu)化，用于評(píng)價(jià)隨機(jī)變量之間的關(guān)聯(lián)信息，調(diào)整互信息值越大則表明聚類結(jié)果和實(shí)際分類結(jié)果越相近。

（2）ARI調(diào)蘭德系數(shù)是基于蘭德系數(shù)的優(yōu)化，評(píng)價(jià)隨機(jī)變量之間的劃分的重疊程度，結(jié)果越接近1，則聚類結(jié)果越優(yōu)秀。

（3）準(zhǔn)確率為正確聚類樣本數(shù)/入侵檢測(cè)樣本數(shù)。

3.2 實(shí)驗(yàn)結(jié)果分析

使用數(shù)據(jù)集對(duì)于首先對(duì)于隨機(jī)森林-聚類混合方法進(jìn)行分析，并對(duì)比單獨(dú)K-means方法、Agglomerative層次聚類、DBSCAN密度聚類方法進(jìn)行對(duì)比實(shí)驗(yàn)，對(duì)比不同方法期望驗(yàn)證提出方法的有效性。首先用ids2018數(shù)據(jù)進(jìn)行分析，用于隨機(jī)森林算法對(duì)于數(shù)據(jù)特征進(jìn)行篩選，使用重采樣方法將數(shù)據(jù)進(jìn)行劃分，對(duì)于特征重要性進(jìn)行排序。

首先對(duì)數(shù)據(jù)集進(jìn)行預(yù)處理，將無(wú)效數(shù)據(jù)和空數(shù)據(jù)進(jìn)行替換和刪除，同時(shí)發(fā)現(xiàn)部分?jǐn)?shù)據(jù)集的特征值全為零值，對(duì)聚類方法效果無(wú)影響，因此刪除這些特征。使用隨機(jī)森林作用于數(shù)據(jù)集進(jìn)行特征篩選后的結(jié)果如表1所示，我們選取閾值大于0.02為有效特征，共計(jì)15個(gè)特征作為后續(xù)聚類分析的輸入。

表1 有效特征及重要性

使用Canopy進(jìn)行粗聚類研究，根據(jù)指標(biāo)調(diào)蘭德系數(shù)分析，當(dāng)聚類數(shù)在7～8之間時(shí)，系數(shù)值高于其他聚類數(shù)，如圖2所示。與數(shù)據(jù)集描述七種攻擊場(chǎng)景和一種正常環(huán)境也相符合，因此選取初始值為8。

圖2 Canopy不同簇?cái)?shù)下的ARI值

將聚類K值給定K-means聚類方法進(jìn)行聚類分析，并對(duì)比不同聚類方法的實(shí)驗(yàn)效果，實(shí)驗(yàn)效果如表2所示。

表2 不同算法在數(shù)據(jù)集上的實(shí)驗(yàn)效果

實(shí)驗(yàn)結(jié)果表明，傳統(tǒng)聚類方法在2018檢測(cè)數(shù)據(jù)集中檢測(cè)效果差距不大，其中層次聚類方法相較于K-means方法和DBSCAN檢測(cè)方法，在各項(xiàng)指標(biāo)表現(xiàn)較優(yōu)，改進(jìn)后的隨機(jī)森林-聚類混合方法在入侵檢測(cè)數(shù)據(jù)集表現(xiàn)各項(xiàng)指標(biāo)均優(yōu)于傳統(tǒng)聚類方法，相對(duì)于傳統(tǒng)方法中表現(xiàn)優(yōu)越的層次聚類方法，準(zhǔn)確率提升了19.6%，同時(shí)AMI和ARI指標(biāo)均大幅度改善，表明該方法簇內(nèi)和簇間的聚類劃分能力強(qiáng)，極大改善了傳統(tǒng)入侵檢測(cè)方法的檢測(cè)效果。

4 結(jié) 論

入侵檢測(cè)是防御網(wǎng)絡(luò)攻擊中重要一環(huán)，為了解決傳統(tǒng)聚類檢測(cè)方法誤報(bào)率較高，難以應(yīng)對(duì)高維數(shù)據(jù)分析等關(guān)鍵難題，本文提出一種基于隨機(jī)森林-聚類混合方法的多分類入侵檢測(cè)方法，該方法基于CSE-CIC-IDS2018流量數(shù)據(jù)集，使用隨機(jī)森林進(jìn)行特征篩選和組合，然后將篩選后的特征輸入聚類算法中，該聚類方法結(jié)合Canopy和K-means算法進(jìn)行，可大幅度減少開(kāi)銷時(shí)間，使K值確定更加準(zhǔn)確，先用Canopy算法對(duì)于數(shù)據(jù)進(jìn)行粗聚類為K值大小提供參考依據(jù)，然后使用K-means聚類方法進(jìn)行多聚類劃分。實(shí)驗(yàn)結(jié)果表明，該方法能夠有效處理高維數(shù)據(jù)環(huán)境下入侵檢測(cè)數(shù)據(jù)，相比較于傳統(tǒng)聚類方法，各項(xiàng)指標(biāo)更高，檢測(cè)效果更加優(yōu)越。