周 璨

（長(zhǎng)沙商貿(mào)旅游職業(yè)技術(shù)學(xué)院軟件學(xué)院 湖南 長(zhǎng)沙 410006）

0 引言

隨著互聯(lián)網(wǎng)技術(shù)的不斷發(fā)展，網(wǎng)絡(luò)流量的數(shù)據(jù)量也在不斷增加。 如何有效地處理和分析網(wǎng)絡(luò)流量數(shù)據(jù)，以提高網(wǎng)絡(luò)安全性能和用戶體驗(yàn)，成為當(dāng)前亟待解決的問題［1-2］。 因此，研究如何將多維網(wǎng)絡(luò)流量數(shù)據(jù)可視化，以便用戶更直觀地理解和處理數(shù)據(jù)，具有重要的實(shí)際意義［3-5］。

多維網(wǎng)絡(luò)流量數(shù)據(jù)可視化是將網(wǎng)絡(luò)流量數(shù)據(jù)以圖形化形式展現(xiàn)出來(lái)，以便用戶能夠直觀地理解和分析數(shù)據(jù)。目前，常見的多維數(shù)據(jù)可視化方法包括散點(diǎn)圖、直方圖、熱力圖等。 然而，這些方法只能展示少量的數(shù)據(jù)，難以處理大規(guī)模的網(wǎng)絡(luò)流量數(shù)據(jù)。 交互式聚焦技術(shù)是一種將大規(guī)模數(shù)據(jù)以可視化的方式展現(xiàn)出來(lái)，并通過用戶的交互操作，讓用戶能夠深入了解數(shù)據(jù)的方法。 通過交互式聚焦技術(shù)，用戶能夠選擇感興趣的數(shù)據(jù)點(diǎn)，并對(duì)其進(jìn)行聚焦和縮放操作，以便更深入地了解數(shù)據(jù)。

為了對(duì)基于交互式聚焦的多維網(wǎng)絡(luò)流量可視化方法進(jìn)一步研究，本文介紹了基于交互式聚焦的多維網(wǎng)絡(luò)流量可視化方法，包括多維網(wǎng)絡(luò)流量可視化方法、交互式聚焦技術(shù)實(shí)現(xiàn)、實(shí)驗(yàn)與結(jié)果分析等部分。 通過該研究，能夠讓用戶更直觀地理解和處理網(wǎng)絡(luò)流量數(shù)據(jù)，提高網(wǎng)絡(luò)安全性能和用戶體驗(yàn)。

1 多維網(wǎng)絡(luò)數(shù)據(jù)可視化框架

本研究提出了一種多維網(wǎng)絡(luò)數(shù)據(jù)可視化框架，包括數(shù)據(jù)預(yù)處理、多維數(shù)據(jù)降維、聚類分析、可視化設(shè)計(jì)等4 個(gè)方面，如圖1 所示。

圖1 針對(duì)多維網(wǎng)絡(luò)數(shù)據(jù)可視化框架

1.1 預(yù)處理

在預(yù)處理中，原始的多維vbv 網(wǎng)絡(luò)流量數(shù)據(jù)首先經(jīng)過數(shù)據(jù)預(yù)處理，清洗掉無(wú)效數(shù)據(jù)和噪聲數(shù)據(jù)。 數(shù)據(jù)清洗的目的是去除無(wú)效數(shù)據(jù)和噪聲數(shù)據(jù)，以便于后續(xù)的數(shù)據(jù)分析和建模。 常見的數(shù)據(jù)清洗方法包括刪除重復(fù)數(shù)據(jù)、填充缺失數(shù)據(jù)、刪除異常值等，然后還要有數(shù)據(jù)變換和降噪處理。在刪除異常值時(shí)，要計(jì)算數(shù)據(jù)的異常程度如式（1）所示：

式（1）中，xi表示數(shù)據(jù)中的第i個(gè)觀測(cè)值，μ表示數(shù)據(jù)的平均值，σ表示數(shù)據(jù)的標(biāo)準(zhǔn)差。 當(dāng)Zi的值超過某個(gè)閾值時(shí)，可以將其視為異常值，并將其刪除。

數(shù)據(jù)變換是將數(shù)據(jù)轉(zhuǎn)化為相同的尺度，便于進(jìn)行數(shù)據(jù)分析和比較。 常見的數(shù)據(jù)變換方法包括最小-最大縮放、標(biāo)準(zhǔn)差標(biāo)準(zhǔn)化等。 最小-最大縮放可以將數(shù)據(jù)縮放到［0，1］的范圍內(nèi)：

式（2）中，Xnew表示縮放后的數(shù)據(jù)，X表示原始數(shù)據(jù)，Xmin和Xmax分別表示原始數(shù)據(jù)的最小值和最大值。

數(shù)據(jù)降噪是通過濾波、平滑等方法，去除數(shù)據(jù)中的噪聲和干擾，以減少數(shù)據(jù)的不確定性。 常見的數(shù)據(jù)降噪方法包括中值濾波、均值濾波等。 中值濾波為式（3）所示：

式（3）中，Xnew表示濾波后的數(shù)據(jù)，Xi表示原始數(shù)據(jù)中的第i個(gè)觀測(cè)值，k表示濾波器的大小，median 表示取中值的運(yùn)算符。 中值濾波可以有效地去除數(shù)據(jù)中的噪聲和干擾，提高數(shù)據(jù)的質(zhì)量和可靠性。

1.2 多維數(shù)據(jù)降維

多維數(shù)據(jù)降維是指將高維數(shù)據(jù)轉(zhuǎn)化為低維數(shù)據(jù)的過程，以便于可視化展示和分析。 在實(shí)際應(yīng)用中，高維數(shù)據(jù)往往具有冗余和噪聲，降維可以去除這些冗余和噪聲，提高數(shù)據(jù)的可解釋性和可靠性。 常見的降維方法包括主成分分析、線性判別分析等。

假設(shè)有一個(gè)m個(gè)樣本、n個(gè)特征的數(shù)據(jù)集X ＝［x1，x2，…，xm］ ，其中每個(gè)樣本xi是一個(gè)n維向量，表示數(shù)據(jù)集中的一個(gè)樣本。 目標(biāo)是將這個(gè)高維數(shù)據(jù)集映射到一個(gè)低維空間上，使得映射后的數(shù)據(jù)具有最大的方差。 具體來(lái)說(shuō)：

（1）計(jì)算每個(gè)特征的平均值，以便于進(jìn)行數(shù)據(jù)中心化。 即，對(duì)于每個(gè)特征j ＝1，2，3，…，n，計(jì)算其平均值：

然后，將每個(gè)特征的值減去其平均值，從而得到中心化后的數(shù)據(jù)矩陣如式（5）所示：

（2）計(jì)算數(shù)據(jù)的協(xié)方差矩陣，以評(píng)估不同特征之間的相關(guān)性。 協(xié)方差矩陣的定義為式（6）：

（3）對(duì)協(xié)方差矩陣進(jìn)行特征值分解，得到特征值和特征向量。 特征值是一個(gè)標(biāo)量，表示對(duì)應(yīng)特征向量的重要性程度；特征向量是一個(gè)n維向量，表示數(shù)據(jù)映射的方向。具體來(lái)說(shuō)，可以通過式（7）來(lái)計(jì)算協(xié)方差矩陣的特征值和特征向量：

式（7）中，v表示協(xié)方差矩陣的特征向量，λ表示對(duì)應(yīng)的特征值。 以通過特征值的大小來(lái)判斷每個(gè)特征向量的重要性程度。

（4）選擇前k個(gè)最大的特征值對(duì)應(yīng)的特征向量，將原始數(shù)據(jù)映射到低維空間上。 具體來(lái)說(shuō)，可以將原始數(shù)據(jù)X映射到新的低維空間Y，其中每個(gè)樣本yi是一個(gè)k維向量：

式（8）中，Vk表示前k個(gè)最大的特征值對(duì)應(yīng)的特征向量構(gòu)成的矩陣。 映射后的數(shù)據(jù)Y具有最大的方差，且不同特征之間沒有相關(guān)性，可以用來(lái)解釋原始數(shù)據(jù)的方差和協(xié)方差結(jié)構(gòu)。

1.3 聚類分析

聚類分析是一種無(wú)監(jiān)督學(xué)習(xí)方法，其目標(biāo)是將相似的數(shù)據(jù)點(diǎn)劃分到同一個(gè)簇中，不同簇之間的數(shù)據(jù)點(diǎn)差異性最大。 K-means 是一種常用的聚類算法：

（1）隨機(jī)選擇k個(gè)數(shù)據(jù)點(diǎn)作為初始的簇中心。

（2）對(duì)于每個(gè)數(shù)據(jù)點(diǎn)，計(jì)算其與每個(gè)簇中心的距離，將其劃分到距離最近的簇中。

（3）對(duì)于每個(gè)簇，重新計(jì)算其簇中心。

（4）重復(fù)步驟（2）～（3），直到簇中心不再發(fā)生變化或達(dá)到預(yù)設(shè)的最大迭代次數(shù)。

1.4 可視化設(shè)計(jì)

可視化設(shè)計(jì)在基于交互式聚焦的多維網(wǎng)絡(luò)流量可視化方法中起著至關(guān)重要的作用。 該方法主要通過可視化技術(shù)將多維網(wǎng)絡(luò)流量數(shù)據(jù)轉(zhuǎn)化為圖像或圖表，以便于用戶更好地理解和分析數(shù)據(jù)。

將數(shù)據(jù)進(jìn)行上述處理后，需要根據(jù)數(shù)據(jù)的特點(diǎn)和需求，選擇合適的圖表類型和可視化技術(shù)，以便于用戶更好地理解和分析數(shù)據(jù)。 例如可以選擇柱狀圖、餅圖、散點(diǎn)圖、熱力圖等不同類型的圖表，通過直觀的圖像展示數(shù)據(jù)的分布、趨勢(shì)和關(guān)聯(lián)性。 在可視化過程中，用戶可以通過交互式聚焦的方式，選擇特定的數(shù)據(jù)子集進(jìn)行分析和比較。 例如可以通過鼠標(biāo)滾輪、拖拽等操作，對(duì)數(shù)據(jù)進(jìn)行放大、縮小、平移等操作，以便于更好地觀察和分析數(shù)據(jù)。

2 實(shí)驗(yàn)與評(píng)估

表1是一個(gè)簡(jiǎn)單的多維網(wǎng)絡(luò)流量的模擬數(shù)據(jù)表，本實(shí)驗(yàn)通過上述方法對(duì)該表格包含的數(shù)據(jù)進(jìn)行實(shí)驗(yàn)和可視化處理。

表1 多維網(wǎng)絡(luò)流量數(shù)據(jù)

表1包含了10 個(gè)數(shù)據(jù)點(diǎn)，每個(gè)數(shù)據(jù)點(diǎn)包含了時(shí)間戳、源IP 地址、目的IP 地址、協(xié)議類型、源端口、目的端口和數(shù)據(jù)大小等多個(gè)維度的數(shù)據(jù)。 根據(jù)可視化設(shè)計(jì)的基本方法，需要先對(duì)原始的網(wǎng)絡(luò)流量數(shù)據(jù)進(jìn)行預(yù)處理，包括數(shù)據(jù)清洗、數(shù)據(jù)轉(zhuǎn)換、數(shù)據(jù)歸一化等步驟，以便于后續(xù)的可視化處理。 表2 為對(duì)表1 的數(shù)據(jù)進(jìn)行預(yù)處理后得到的結(jié)果。在表2 中，將源IP 地址和目的IP 地址分別轉(zhuǎn)換為數(shù)字表示，同時(shí)將時(shí)間戳和數(shù)據(jù)大小進(jìn)行了歸一化處理，以便更好地進(jìn)行多維數(shù)據(jù)分析和可視化處理。

表2 預(yù)處理后的網(wǎng)絡(luò)數(shù)據(jù)

將源端口和目的端口合并為一個(gè)端口特征，使用“/”符號(hào)分隔；將源端口和目的端口合并為一個(gè)端口特征，使用“/”符號(hào)分隔；將源IP 地址和目的IP 地址合并為一個(gè)IP 特征，最后將所有特征都合并為一個(gè)“數(shù)據(jù)包信息”特征，使用“-”符號(hào)分隔。 這樣可以將原來(lái)的多個(gè)特征降維為1 個(gè)特征，方便后續(xù)的多維數(shù)據(jù)分析和可視化處理，如表3 所示。

表3 降維之后的數(shù)據(jù)

在聚類分析時(shí)，需要先對(duì)數(shù)據(jù)進(jìn)行處理，將每個(gè)數(shù)據(jù)包的信息拆分成多個(gè)特征，將每個(gè)數(shù)據(jù)包的協(xié)議、端口、數(shù)據(jù)大小等特征單獨(dú)列出來(lái)，隨后使用K-means 算法對(duì)數(shù)據(jù)包的協(xié)議、端口和數(shù)據(jù)大小進(jìn)行了聚類分析，得到了如表4 所示聚類結(jié)果。 在該聚類結(jié)果中，使用了K-means 算法，將數(shù)據(jù)分成了3 個(gè)類別。

表4 聚類結(jié)果

在可視化階段，本實(shí)驗(yàn)對(duì)表4 的數(shù)據(jù)采用了散點(diǎn)圖形式的交互式聚焦可視化操作，如圖2 所示。

圖2 交互式聚焦可視化的散點(diǎn)圖

3 結(jié)語(yǔ)

綜上所述，本文探究了網(wǎng)絡(luò)數(shù)據(jù)包的特征提取和聚類分析方法，提出了一種基于降維和聚類的數(shù)據(jù)分析方法。 該方法可以將網(wǎng)絡(luò)數(shù)據(jù)包中的多維度特征信息轉(zhuǎn)化為低維度的特征向量，并使用K-means 算法對(duì)特征向量進(jìn)行聚類分析，將網(wǎng)絡(luò)數(shù)據(jù)包分成不同的類別。 同時(shí)，使用可視化工具對(duì)聚類結(jié)果進(jìn)行可視化處理，幫助用戶更加直觀地分析和探索數(shù)據(jù)包的特征信息。 實(shí)驗(yàn)結(jié)果表明，該方法可以有效地提取網(wǎng)絡(luò)數(shù)據(jù)包的特征信息，實(shí)現(xiàn)網(wǎng)絡(luò)數(shù)據(jù)包的聚類分析和可視化處理，為網(wǎng)絡(luò)安全監(jiān)測(cè)和數(shù)據(jù)分析提供了有力的支持。 未來(lái)，將進(jìn)一步優(yōu)化該方法，加強(qiáng)其對(duì)網(wǎng)絡(luò)數(shù)據(jù)包的特征提取和分析能力，為網(wǎng)絡(luò)安全監(jiān)測(cè)和數(shù)據(jù)分析提供更加精準(zhǔn)和可靠的支持。