劉志明

（長(zhǎng)沙民政職業(yè)技術(shù)學(xué)院 湖南 長(zhǎng)沙 410004）

0 引言

在網(wǎng)絡(luò)安全態(tài)勢(shì)感知中，態(tài)勢(shì)要素提取是首要步驟，主要是在收集到的多元異構(gòu)數(shù)據(jù)中提取出會(huì)對(duì)態(tài)勢(shì)環(huán)境造成影響的關(guān)鍵因素，這一步驟中提取的精準(zhǔn)度會(huì)直接影響后續(xù)數(shù)據(jù)的處理與分析結(jié)果。但縱觀目前常見(jiàn)的幾種網(wǎng)絡(luò)安全態(tài)勢(shì)感知方法[1-3]，效果并不盡如人意?？軓V等[4]提出基于反向傳播算法和深度堆棧編碼器的網(wǎng)絡(luò)安全態(tài)勢(shì)要素識(shí)別模型，并結(jié)合無(wú)監(jiān)督學(xué)習(xí)算法實(shí)現(xiàn)對(duì)網(wǎng)絡(luò)的訓(xùn)練。李騰飛等[5]提出基于拓?fù)渎┒捶治龅木W(wǎng)絡(luò)安全態(tài)勢(shì)感知模型，借助有限狀態(tài)機(jī)獲取網(wǎng)絡(luò)狀態(tài)，并對(duì)其態(tài)勢(shì)組成值進(jìn)行計(jì)算，通過(guò)對(duì)態(tài)勢(shì)要素的提取經(jīng)過(guò)數(shù)值對(duì)比得出實(shí)際的網(wǎng)絡(luò)安全狀態(tài)。雖然上述兩種方法都具有一定優(yōu)勢(shì)，效能較高，但在分類正確率和召回率方面卻存在明顯的不足之處。

為解決上述問(wèn)題，本文提出基于貝葉斯卷積神經(jīng)網(wǎng)絡(luò)的網(wǎng)絡(luò)安全態(tài)勢(shì)要素提取方法，并采用非負(fù)矩陣分解算法進(jìn)行多特征降維，獲取到更為精準(zhǔn)的態(tài)勢(shì)要素信息分類函數(shù)，以此實(shí)現(xiàn)對(duì)特征空間的縮小，為后續(xù)的數(shù)據(jù)處理與分析提供便利。

1 基于貝葉斯卷積網(wǎng)絡(luò)的態(tài)勢(shì)要素提取模型

1.1 貝葉斯卷積網(wǎng)絡(luò)

貝葉斯卷積網(wǎng)絡(luò)（BCNN）是建立在概率分布基礎(chǔ)上的一種神經(jīng)網(wǎng)絡(luò)模型[6-8]。通過(guò)在特定分布下對(duì)參數(shù)進(jìn)行取值，每經(jīng)過(guò)一次迭代計(jì)算，隨機(jī)選取一個(gè)參數(shù)值進(jìn)行特征運(yùn)算，如圖1所示為BCNN 的權(quán)重。

圖1 BCNN 權(quán)重

BCNN 的權(quán)重參數(shù)并非是一個(gè)確定的值，而是服從一定概率分布下的一個(gè)隨機(jī)變量，圖2中的權(quán)重則是μ/σ。BCNN 能夠借助對(duì)簡(jiǎn)單分布的構(gòu)建逼近復(fù)雜擬合函數(shù)，結(jié)合概率模型和神經(jīng)網(wǎng)絡(luò)，實(shí)現(xiàn)對(duì)整個(gè)模型性能的提升。

1.2 基于BCNN 的態(tài)勢(shì)提取

搭建BCNN 網(wǎng)絡(luò)安全態(tài)勢(shì)信息提取模型，如圖2所示。

圖2 BCNN 網(wǎng)絡(luò)安全態(tài)勢(shì)信息提取模型

BCNN 網(wǎng)絡(luò)安全態(tài)勢(shì)提取模型的卷積操作步驟如下：

第一，利用重參數(shù)化技巧在卷積核的權(quán)重分布中確定一個(gè)權(quán)重值，公式如下：

其中，convmean代表權(quán)重分布的均值，convstd代表權(quán)重分布的標(biāo)準(zhǔn)差，而∈～N（0,1）。

第二，利用感受野對(duì)獲取到的卷積核進(jìn)行卷積操作，公式如下：

其中，R代表感受野區(qū)域。

第三，利用重參數(shù)化對(duì)卷積層進(jìn)行優(yōu)化，將前向傳播轉(zhuǎn)變?yōu)榭蓪?dǎo)，并在反向傳播中更新權(quán)重高斯分布的參數(shù)，也就是均值和方差。

而在BCNN 網(wǎng)絡(luò)安全態(tài)勢(shì)提取模型的全連接層中，同樣采用重參數(shù)方法進(jìn)行參數(shù)采樣。假設(shè)基于標(biāo)準(zhǔn)高斯分布進(jìn)行采樣，每個(gè)權(quán)重參數(shù)函數(shù)如下：

式（3）中，σ代表標(biāo)準(zhǔn)差，μ代表期望。

基于此可得到參數(shù)更新公式如下：

通過(guò)局部重參數(shù)化能夠使變分情況下貝葉斯推斷隨機(jī)梯度的方差在后驗(yàn)概率模型參數(shù)中有所減少，并且具有可并行性。

2 態(tài)勢(shì)要素多特征降維及構(gòu)造分類器

2.1 態(tài)勢(shì)要素多特征降維

基于上述獲取到的態(tài)勢(shì)要素信息，利用非負(fù)矩陣分解算法進(jìn)行進(jìn)一步的篩選和降維。具體過(guò)程如下：

對(duì)分類態(tài)勢(shì)信息進(jìn)行模糊，設(shè)定有分類質(zhì)心組成非負(fù)矩陣分解基矩陣的初始值，而分類數(shù)量則是非負(fù)矩陣的分解秩數(shù)。

假設(shè)歷史態(tài)勢(shì)要素的集合為V=[v1，v2，…，vn]，其中n代表集合中的樣本數(shù)量，當(dāng)經(jīng)過(guò)k分類得到的集合為F=[F1，F(xiàn)2，…，F(xiàn)k]，其中k代表分類數(shù)量。而Uij表示的是歷史態(tài)勢(shì)要素對(duì)模糊向量的隸屬度，對(duì)應(yīng)矩陣為應(yīng)注意的是Uij符合為此，制定隸屬度的更新函數(shù)用下式表示：

式（5）中，za代表初始聚類中心，zi代表第i個(gè)聚類中心，vj代表第j個(gè)歷史態(tài)勢(shì)要素，ω代表模糊加權(quán)指數(shù)。最終，確定聚類中心集合為：

目標(biāo)函數(shù)為：

假如式（7）中的計(jì)算結(jié)果比閾值小，則停止迭代，同時(shí)對(duì)非負(fù)矩陣分解基矩陣W 的初始值進(jìn)行設(shè)置，主要由聚類中心集合組成。

為此可分解歷史態(tài)勢(shì)要素矩陣Vm×n為Wm×n和Hm×n兩個(gè)非負(fù)矩陣，二者相乘得到的積與原始非負(fù)矩陣無(wú)限逼近，Wm×nHm×n≈Vm×n。其中，Hm×n代表系數(shù)矩陣，Wm×n代表基矩陣，目標(biāo)函數(shù)為最小化剩余Frobenius，用式（8）表示：

當(dāng)V=WH時(shí)，取值是0。

收斂目標(biāo)函數(shù)前，需利用模糊分類得到質(zhì)心的初始化基矩陣，利用W和H矩陣間的交替更新，用下式代表矩陣的迭代規(guī)則：

歷經(jīng)反復(fù)迭代，最終確定系數(shù)矩陣Hi和基矩陣Wi，并將之前的樣本矩陣用系數(shù)矩陣替代，從而實(shí)現(xiàn)網(wǎng)絡(luò)安全態(tài)勢(shì)要素的多特征降維。

2.2 構(gòu)造分類器

基于態(tài)勢(shì)信息集合H=（xi，yi），用xi=（x1，x2，…，xj）表示集合中的某一元素，而代表類標(biāo)簽。針對(duì)任一類中的所有元素集合，在對(duì)應(yīng)的高維空間內(nèi)存在超球體（a，R）中含有所有的元素?cái)?shù)量，對(duì)函數(shù)表達(dá)時(shí)進(jìn)行優(yōu)化，同時(shí)結(jié)合拉格朗日公式對(duì)其進(jìn)行轉(zhuǎn)化，轉(zhuǎn)化后的表達(dá)式為

在上式中，L代表目標(biāo)函數(shù)，而ai與aj代表拉格朗日因子。

利用d2（x）對(duì)集合中任一樣本信息點(diǎn)與超球體球心間的距離進(jìn)行表示，并借助高斯核函數(shù)對(duì)此距離進(jìn)行計(jì)算，如下：

式（11）中，高斯核函數(shù)為k（xi，yj）。

由此可確定最終的分類函數(shù)為：

結(jié)合上式可對(duì)其分類展開(kāi)訓(xùn)練，步驟如下：

步驟1：初始化超球體半徑、球心為0，初始化拉格朗日因子為1/n，并計(jì)算訓(xùn)練樣本信息點(diǎn)與超球體球心間的距離；

步驟2：在0 ＜ai＜C條件下，將滿足此條件的樣本點(diǎn)全部提取，并從中找出第一個(gè)與KFT 條件不符合的x1，執(zhí)行步驟4；

步驟3：在ai=0，ai=C條件下，將滿足此條件的樣本點(diǎn)全部提取，并從中找出與KFT 條件不符合的所有樣本點(diǎn)，當(dāng)結(jié)果為0 時(shí)，執(zhí)行步驟7；

步驟4：對(duì)條件max（｜d12-d22｜）進(jìn)行設(shè)置，將x2確定為樣本點(diǎn)，使目標(biāo)函數(shù)為最大限度，并再次對(duì)拉格朗日因子進(jìn)行優(yōu)化，記為a1＇和a2＇；a2進(jìn)行更新，之后再對(duì)得到的距離參數(shù)d12、d22和超球體

步驟5：依照上述得到的a1＇和a2＇，采用下式對(duì)半徑參數(shù)R2進(jìn)行更新；

步驟6：執(zhí)行步驟2；

步驟7：訓(xùn)練結(jié)束。

3 實(shí)驗(yàn)結(jié)果與分析

3.1 實(shí)驗(yàn)數(shù)據(jù)及性能評(píng)價(jià)指標(biāo)

實(shí)驗(yàn)數(shù)據(jù)選取NSL-KDD 數(shù)據(jù)集，包含正常與異常兩種數(shù)據(jù)集。異常數(shù)據(jù)集中囊括R2L、DoS、U2R、Probe 四種常見(jiàn)攻擊類型。數(shù)據(jù)分布情況如表1所示：

表1 數(shù)據(jù)分布

而性能評(píng)價(jià)指標(biāo)的選擇主要包括分類正確率、召回率及誤警率。分類正確率為正確劃分樣本的數(shù)量與全部樣本數(shù)量的比值；召回率為檢測(cè)得到的正常類樣本數(shù)量與全部樣本數(shù)量的比值；而誤警率為檢測(cè)得到正常類樣本中錯(cuò)誤樣本數(shù)量與全部樣本數(shù)量的比值。運(yùn)用這三個(gè)指標(biāo)來(lái)實(shí)現(xiàn)對(duì)文中提出方法效果的檢驗(yàn)。

3.2 實(shí)驗(yàn)結(jié)果與分析

運(yùn)用SPSS 22.0 軟件對(duì)確定的實(shí)驗(yàn)數(shù)據(jù)進(jìn)行處理，分別以分類正確率、召回率和誤警率為指標(biāo)，對(duì)比文中提出方法和李騰飛等[5]提出的基于拓?fù)渎┒捶治龅囊刈R(shí)別方法，得到的結(jié)果如表2所示。

表2 文中提出方法和李騰飛等[5]提出方法實(shí)驗(yàn)結(jié)果對(duì)比

根據(jù)表2中的數(shù)據(jù)顯示：對(duì)于分類正確率，基于拓?fù)渎┒捶治龅囊刈R(shí)別方法平均分類正確率為82.45%，而文中提出方法的平均正確率高達(dá)90.95%，可見(jiàn)文中提出方法的分類正確率相對(duì)較高；對(duì)于召回率，基于拓?fù)渎┒捶治龅囊刈R(shí)別方法的召回率，無(wú)論在何類別上均不計(jì)文中提出的方法；對(duì)于誤警率，除DoS 類別外，文中提出方法的誤警率均小于基于拓?fù)渎┒捶治龅囊刈R(shí)別方法。

4 結(jié)語(yǔ)

長(zhǎng)期以來(lái)，網(wǎng)絡(luò)安全態(tài)勢(shì)要素提取都是網(wǎng)絡(luò)安全領(lǐng)域的重點(diǎn)研究?jī)?nèi)容，為進(jìn)一步提高網(wǎng)絡(luò)安全態(tài)勢(shì)要素提取的分類正確率、召回率，減少誤警情況，提出基于BCNN 的網(wǎng)絡(luò)安全態(tài)勢(shì)要素提取方法，并在此基礎(chǔ)上，利用非負(fù)矩陣分解算法實(shí)現(xiàn)多特征降維，構(gòu)造分類器，最終實(shí)現(xiàn)對(duì)網(wǎng)絡(luò)安全態(tài)勢(shì)要素的進(jìn)一步篩選。實(shí)驗(yàn)結(jié)果顯示，所提出的網(wǎng)絡(luò)安全態(tài)勢(shì)要素提取方法分類正確率和召回率較高，誤警率更低。