摘要：廣播電視播出系統(tǒng)中心檢測模型的開發(fā)和應(yīng)用，對保證廣播電視播出系統(tǒng)的安全性和穩(wěn)定性具有重要意義。文章采用文獻(xiàn)研究法、比較研究法和系統(tǒng)研究法等，探討基于深度學(xué)習(xí)的播出系統(tǒng)入侵檢測模型設(shè)計(jì)，主要針對模型的具體構(gòu)成、相關(guān)功能的實(shí)現(xiàn)、入侵檢測模型中算法的選擇和應(yīng)用等問題展開。研究得出：第一，播出系統(tǒng)入侵檢測具有重要意義，既能夠保證播出系統(tǒng)的安全，又是提高廣播電視應(yīng)急響應(yīng)能力的關(guān)鍵所在；第二，在播出系統(tǒng)入侵檢測模型設(shè)計(jì)上，模型主要包括數(shù)據(jù)收集模塊、數(shù)據(jù)處理模塊、特征提取模塊、分類模塊和響應(yīng)模塊，在網(wǎng)絡(luò)構(gòu)件上采用深度自編碼網(wǎng)絡(luò)，利用算法對高危網(wǎng)絡(luò)數(shù)據(jù)進(jìn)行降維處理；第三，具體應(yīng)用步驟包括特征學(xué)習(xí)、構(gòu)建BP 神經(jīng)網(wǎng)絡(luò)訓(xùn)練模型、異常檢測和優(yōu)化模型；第四，從實(shí)驗(yàn)所采用的數(shù)據(jù)和最終的實(shí)驗(yàn)結(jié)果來看，所開發(fā)模型檢測準(zhǔn)確率達(dá)97%，誤報(bào)率≤ 2%，漏報(bào)率≤ 2%，說明所開發(fā)模型在入侵檢測上各項(xiàng)性能均達(dá)到了預(yù)期的開發(fā)目標(biāo)。文章旨在為廣播電視播出系統(tǒng)入侵檢測模型的改進(jìn)和優(yōu)化提供一些幫助和啟示。

關(guān)鍵詞：廣播電視；播出系統(tǒng)；入侵檢測；深度學(xué)習(xí)技術(shù)；模型設(shè)計(jì)

中圖分類號：TN948；TP393 文獻(xiàn)標(biāo)志碼：A 文章編號：1674-8883（2024）24-0030-04

近幾年，針對廣播電視系統(tǒng)的惡意攻擊和非法入侵等安全威脅不斷增加［1］。傳統(tǒng)的基于規(guī)則和簽名的入侵檢測方法比較落后，雖然在一定程度上也能抵御外部威脅，但面臨復(fù)雜多變的攻擊手段力不從心，無法對廣播電視播出系統(tǒng)進(jìn)行有效防護(hù)［2］。

隨著科技快速迭代，深度學(xué)習(xí)技術(shù)以強(qiáng)大的數(shù)據(jù)處理能力和模式識別能力，在圖像識別和語音識別等多個(gè)領(lǐng)域的應(yīng)用取得了顯著成就［3］。將深度學(xué)習(xí)技術(shù)應(yīng)用于播出系統(tǒng)的入侵檢測，能夠增強(qiáng)系統(tǒng)的安全防護(hù)能力。深度學(xué)習(xí)模型能夠自動(dòng)從海量數(shù)據(jù)中學(xué)習(xí)并提取復(fù)雜特征，實(shí)現(xiàn)對異常行為的精準(zhǔn)識別，即便面對未知或變種攻擊，也能保持較高的檢測準(zhǔn)確率。

因此，分析研究深度學(xué)習(xí)技術(shù)在廣播電視播出系統(tǒng)入侵檢測中的應(yīng)用具有重要意義。

一、播出系統(tǒng)入侵檢測的重要性

（一）保證播出系統(tǒng)安全

廣播電視播出系統(tǒng)是信息傳播的重要渠道，其安全性直接關(guān)系到信息傳播的準(zhǔn)確性和完整性，一旦播出系統(tǒng)被入侵，會嚴(yán)重破壞信息傳遞的準(zhǔn)確性和完整性，甚至引發(fā)嚴(yán)重的播出事故，影響廣播電視媒體的形象［4］。運(yùn)用大數(shù)據(jù)技術(shù)建立與之對應(yīng)的入侵檢測系統(tǒng)，實(shí)時(shí)監(jiān)測與分析播出系統(tǒng)的網(wǎng)絡(luò)流量，識別潛在入侵威脅并發(fā)出警報(bào)，可以有效防范針對廣播電視播出系統(tǒng)的惡意攻擊和非法入侵［5］。

（二）提高廣播電視應(yīng)急響應(yīng)能力

雖然廣播電視播出系統(tǒng)的技術(shù)較為成熟，但在實(shí)際使用過程中仍會面臨各種風(fēng)險(xiǎn)，包括技術(shù)上的威脅與外部入侵的威脅［6］?；谏疃葘W(xué)習(xí)技術(shù)的入侵檢測系統(tǒng)，能夠?yàn)閺V播電視播出系統(tǒng)管理者提供及時(shí)的警報(bào)和事件響應(yīng)信息，針對可能出現(xiàn)的損壞或入侵行為提前發(fā)出預(yù)警，幫助管理員迅速定位并處理各類安全事件，提高廣播電視機(jī)構(gòu)的應(yīng)急響應(yīng)能力，為廣播電視行業(yè)的健康發(fā)展創(chuàng)造良好條件。

二、播出系統(tǒng)入侵檢測模型設(shè)計(jì)

（一）模型總體結(jié)構(gòu)

設(shè)計(jì)播出系統(tǒng)入侵檢測模型的總體架構(gòu)，是為了構(gòu)建一個(gè)高效精準(zhǔn)的入侵檢測系統(tǒng)，準(zhǔn)確識別入侵行為，保證播出系統(tǒng)的安全性和穩(wěn)定性。該模型在結(jié)構(gòu)設(shè)計(jì)上應(yīng)涵蓋以下幾個(gè)模塊：數(shù)據(jù)收集模塊。該模塊主要從播出系統(tǒng)的各個(gè)網(wǎng)絡(luò)節(jié)點(diǎn)或關(guān)鍵組件中實(shí)時(shí)收集相關(guān)數(shù)據(jù)信息，包括但不限于網(wǎng)絡(luò)流量、系統(tǒng)日志、用戶行為等。數(shù)據(jù)處理模塊。對收集到的播出系統(tǒng)的原始數(shù)據(jù)進(jìn)行預(yù)處理，去掉無用數(shù)據(jù)，確保數(shù)據(jù)的質(zhì)量和一致性，為后期的特征提取和分類提供可靠的基礎(chǔ)。特征提取模塊。以統(tǒng)計(jì)學(xué)為基礎(chǔ)，以機(jī)器學(xué)習(xí)、算法和深度學(xué)習(xí)技術(shù)為技術(shù)依據(jù)，從預(yù)處理以后的數(shù)據(jù)中提取能夠反映入侵行為關(guān)鍵特征的數(shù)據(jù)信息。分類模塊?；谔崛〉奶卣魇褂梅诸愃惴?，對數(shù)據(jù)進(jìn)行精確科學(xué)的分類，以分類結(jié)果為基礎(chǔ)，分析和判斷是否存在入侵行為。響應(yīng)模塊。根據(jù)數(shù)據(jù)分類的結(jié)果采取相應(yīng)的安全措施，包括報(bào)警、隔離等，有效應(yīng)對各種入侵行為。

（二）深度自編碼網(wǎng)絡(luò)

降維模型與BP 神經(jīng)網(wǎng)絡(luò)（back propagation）、深度自編碼網(wǎng)絡(luò)（Deep Autoencoders）通過編碼器和解碼器的結(jié)構(gòu)，對原始數(shù)據(jù)進(jìn)行降維處理，將其應(yīng)用于播出系統(tǒng)的入侵檢測，可以利用DNABP算法對高維的網(wǎng)絡(luò)數(shù)據(jù)進(jìn)行降維，這樣可以有效減少系統(tǒng)中的冗余數(shù)據(jù)，提高效率。具體運(yùn)行過程如下：首先，使用編碼器將原始高維數(shù)據(jù)通過多層神經(jīng)網(wǎng)絡(luò)映射到低維空間，獲得降維后的特征表示。其次，將獲得的降維特征表示通過多層神經(jīng)網(wǎng)絡(luò)重構(gòu)回原始數(shù)據(jù)，以最小化重構(gòu)誤差。最后，使用迭代優(yōu)化編碼器和解碼器的參數(shù)設(shè)置，達(dá)到重構(gòu)誤差最小化的目的，以獲得最優(yōu)的降維模型。

BP神經(jīng)網(wǎng)絡(luò)是一種具有監(jiān)督學(xué)習(xí)功能的神經(jīng)網(wǎng)絡(luò)模型，這種模型通過反向傳播算法調(diào)整網(wǎng)絡(luò)權(quán)重，可以實(shí)現(xiàn)網(wǎng)絡(luò)輸出與期望輸出之間的誤差最小化［7］。將BP 神經(jīng)網(wǎng)絡(luò)應(yīng)用于播出系統(tǒng)的入侵檢測，可以對提取的特征進(jìn)行進(jìn)一步分類，以分類結(jié)果為基礎(chǔ)，分析和判斷是否存在入侵行為。實(shí)踐中，一般將深度自編碼網(wǎng)絡(luò)降維模型與BP 神經(jīng)網(wǎng)絡(luò)結(jié)合起來應(yīng)用，以此為基礎(chǔ)形成了DNA-BP算法，從而將其作為播出系統(tǒng)入侵檢測的最終模型加以應(yīng)用。

（三）DAN-BP算法步驟

基于深度學(xué)習(xí)理論的DAN-BP算法將深度自編碼網(wǎng)絡(luò)降維與BP 神經(jīng)網(wǎng)絡(luò)分類有效結(jié)合起來，形成了完整的算法機(jī)制。其應(yīng)用步驟如下：

第一，特征學(xué)習(xí)。首先，根據(jù)系統(tǒng)入侵檢測的需要，收集并整理各種原始數(shù)據(jù)。這些原始數(shù)據(jù)包含正常行為和潛在入侵行為的樣本。然后，構(gòu)建深度自編碼網(wǎng)絡(luò)，使用編碼器將原始數(shù)據(jù)映射到低維空間。最后，利用解碼器從低維表示中重構(gòu)原始數(shù)據(jù)。這是一個(gè)不斷重復(fù)的過程，同時(shí)使用無監(jiān)督學(xué)習(xí)方法。本系統(tǒng)可以使用梯度下降學(xué)習(xí)方法，訓(xùn)練自編碼網(wǎng)絡(luò)，減少重構(gòu)誤差。訓(xùn)練完成后，保留編碼器部分作為特征提取器，再通過訓(xùn)練好的編碼器對原始數(shù)據(jù)進(jìn)行編碼，以獲得低維特征表示。

第二，構(gòu)建BP 神經(jīng)網(wǎng)絡(luò)。首先，根據(jù)提取的特征維度，設(shè)計(jì)BP 神經(jīng)網(wǎng)絡(luò)的輸入層、隱藏層和輸出層結(jié)構(gòu)［8］。需要注意，輸出層神經(jīng)元數(shù)量應(yīng)與分類類別相匹配，如二分類問題中輸出層為一個(gè)神經(jīng)元。然后，隨機(jī)初始化BP 神經(jīng)網(wǎng)絡(luò)的權(quán)重和偏置，或使用預(yù)訓(xùn)練模型進(jìn)行初始化。在此基礎(chǔ)上，定義損失函數(shù)，包括交叉熵?fù)p失等，以衡量模型預(yù)測與真實(shí)標(biāo)簽之間的差異。

第三，訓(xùn)練模型。首先，將獲得的帶標(biāo)簽的數(shù)據(jù)劃分為訓(xùn)練集和驗(yàn)證集，確保數(shù)據(jù)隨機(jī)均衡分布，將訓(xùn)練的數(shù)據(jù)輸入設(shè)計(jì)的BP 神經(jīng)網(wǎng)絡(luò)中，獲得網(wǎng)絡(luò)輸出結(jié)果。然后，使用損失函數(shù)計(jì)算梯度，利用反向傳播算法，將獲得的梯度結(jié)果返回網(wǎng)絡(luò)，再使用優(yōu)化算法更新網(wǎng)絡(luò)，其中優(yōu)化算法包括SGD、Adam 等。達(dá)到預(yù)定的訓(xùn)練輪數(shù)或設(shè)置好的損失函數(shù)收斂后，評估模型的分類準(zhǔn)確率和F1 分?jǐn)?shù)等性能。

第四，異常檢測。首先，將訓(xùn)練好的BP 神經(jīng)網(wǎng)絡(luò)部署到播出系統(tǒng)入侵檢測實(shí)際運(yùn)行環(huán)境中，實(shí)時(shí)或批量檢測播出系統(tǒng)的運(yùn)行數(shù)據(jù)。所有數(shù)據(jù)都需要先進(jìn)行預(yù)處理，預(yù)處理的過程與訓(xùn)練數(shù)據(jù)的處理過程是一致的。然后，將訓(xùn)練好的自編BP 神經(jīng)網(wǎng)絡(luò)提取待檢測數(shù)據(jù)的特征，將提取的數(shù)據(jù)特征輸入BP 神經(jīng)網(wǎng)絡(luò)中，根據(jù)訓(xùn)練結(jié)果分析和判斷數(shù)據(jù)是否存在入侵行為，在實(shí)驗(yàn)中可以設(shè)置一個(gè)閾值作為界定正常行為和入侵行為的標(biāo)準(zhǔn)。

第五，優(yōu)化模型。主要涉及參數(shù)調(diào)整、正則化等內(nèi)容。參數(shù)優(yōu)化主要是通過網(wǎng)絡(luò)隨機(jī)搜索或者自動(dòng)化調(diào)參工具，調(diào)整BP 神經(jīng)網(wǎng)絡(luò)的參數(shù)，包括學(xué)習(xí)率、大小等。正則化是指在損失函數(shù)計(jì)算過程中通過正則化項(xiàng)防止過擬合，增強(qiáng)模型的泛化能力。其中，BP 神經(jīng)網(wǎng)絡(luò)中的隱藏層可以增加Drop out 機(jī)制，通過隨機(jī)丟棄部分神經(jīng)元鏈接來增強(qiáng)模型的魯棒性。另外，優(yōu)化模型過程中的集成學(xué)習(xí)也是非常重要的內(nèi)容，集成學(xué)習(xí)可以將不同結(jié)構(gòu)的BP 神經(jīng)網(wǎng)絡(luò)與其他模型集成，這樣可以顯著提升整體檢測性能和檢測結(jié)果的可靠性［9］。在實(shí)際應(yīng)用過程中，關(guān)鍵在于持續(xù)監(jiān)控模型性能，根據(jù)新出現(xiàn)的入侵行為和反饋數(shù)據(jù)，進(jìn)行模型更新和再訓(xùn)練。這樣可以確保入侵檢測模型在運(yùn)行發(fā)展過程中始終發(fā)揮其應(yīng)有的作用。

三、實(shí)驗(yàn)及結(jié)果分析

（一）實(shí)驗(yàn)設(shè)計(jì)

第一，實(shí)驗(yàn)數(shù)據(jù)集來源。本實(shí)驗(yàn)采用的數(shù)據(jù)集來源于公開的網(wǎng)絡(luò)安全數(shù)據(jù)庫，如KDD CUP99 數(shù)據(jù)集（約500 萬條記錄“訓(xùn)練集”+ 約200 萬條記錄“測試集”，每條記錄包含41 個(gè)特征）和CICIDS2017 數(shù)據(jù)集（涵蓋了5 天的網(wǎng)絡(luò)流量，80 多個(gè)網(wǎng)絡(luò)流特征）。這些數(shù)據(jù)集包含多種類型的網(wǎng)絡(luò)攻擊數(shù)據(jù)以及播出系統(tǒng)正常網(wǎng)絡(luò)流量數(shù)據(jù)，可以模擬播出系統(tǒng)運(yùn)行過程中的數(shù)據(jù)傳輸過程，適用于評估入侵檢測系統(tǒng)的性能。數(shù)據(jù)集包含的內(nèi)容多樣，如連接持續(xù)時(shí)間、協(xié)議類型、傳輸字節(jié)數(shù)等，為模型的訓(xùn)練和測試提供了豐富的工具選擇和技術(shù)支持。

第二，實(shí)驗(yàn)環(huán)境設(shè)置及步驟。本實(shí)驗(yàn)環(huán)境基于Python 編程語言，選擇TensorFlow和Keras 等深度學(xué)習(xí)框架作為入侵檢測系統(tǒng)設(shè)計(jì)的基本理論［10］。實(shí)驗(yàn)所用的硬件環(huán)境包括一臺配備Inteli7處理器、16GB 內(nèi)存和NVIDIA GTX 1080 GPU的計(jì)算機(jī)，可以滿足深度學(xué)習(xí)模型的運(yùn)行需要。

對獲得的實(shí)驗(yàn)原始數(shù)據(jù)集進(jìn)行清洗、歸一化和特征選擇，消除噪聲并提取出對入侵檢測有用的特征。根據(jù)前面構(gòu)建的深度自編碼網(wǎng)絡(luò)（DAN）模型，設(shè)置好標(biāo)準(zhǔn)的網(wǎng)絡(luò)結(jié)構(gòu)、超參數(shù)和損失函數(shù)等相關(guān)參數(shù)，做好模型調(diào)試和準(zhǔn)備工作。使用預(yù)處理后的數(shù)據(jù)集對DAN 模型進(jìn)行訓(xùn)練，設(shè)置好迭代次數(shù)，通過迭代優(yōu)化算法調(diào)整模型參數(shù)，準(zhǔn)確識別播出網(wǎng)絡(luò)的入侵行為。在測試集上對訓(xùn)練好的模型進(jìn)行測試，評估模型的入侵檢測性能，包括準(zhǔn)確率、誤報(bào)率和漏報(bào)率等指標(biāo)，確定模型的可操作性和可應(yīng)用性。

（二）DAN 結(jié)構(gòu)分析實(shí)驗(yàn)

實(shí)驗(yàn)過程中，先通過改變DAN模型的層數(shù)、每層的神經(jīng)元數(shù)量、激活函數(shù)等參數(shù)，構(gòu)建多個(gè)不同的網(wǎng)絡(luò)結(jié)構(gòu)，再使用前面準(zhǔn)備的相同的數(shù)據(jù)集對這些網(wǎng)絡(luò)分別進(jìn)行訓(xùn)練和測試，比較不同的參數(shù)之下的模型的降維效果和檢測性能。實(shí)驗(yàn)結(jié)果表明，DAN 模型的層數(shù)和神經(jīng)元數(shù)量越適當(dāng)，降維效果越佳。同時(shí)，選擇合適的激活函數(shù)對提升模型性能具有積極影響。通過對比不同網(wǎng)絡(luò)結(jié)構(gòu)的實(shí)驗(yàn)結(jié)果，可以確定最佳的DAN 網(wǎng)絡(luò)結(jié)構(gòu)參數(shù)，為后續(xù)的實(shí)驗(yàn)提供基礎(chǔ)。

（三）網(wǎng)絡(luò)入侵實(shí)驗(yàn)分析

測試模型在播出系統(tǒng)運(yùn)行過程中對不同類型網(wǎng)絡(luò)攻擊的檢測能力，并評估其魯棒性［11］。根據(jù)實(shí)驗(yàn)要求選取數(shù)據(jù)集中包含的多種類型的入侵攻擊，如DoS 攻擊、Probe攻擊、U2R攻擊等，將上述數(shù)據(jù)代入訓(xùn)練好的DAN 模型中進(jìn)行測試。通過計(jì)算模型對這些入侵的檢測準(zhǔn)確率、誤報(bào)率和漏報(bào)率等指標(biāo)，評估其檢測性能和魯棒性。實(shí)驗(yàn)結(jié)果顯示，DAN模型對播出系統(tǒng)常見的多種類型的網(wǎng)絡(luò)攻擊都具有較高的檢測準(zhǔn)確率，誤報(bào)率和漏報(bào)率均在可接受的范圍之內(nèi)。特別是針對DOS攻擊和Probe攻擊的檢測中，模型表現(xiàn)出了較強(qiáng)的魯棒性和泛化能力。這表明DAN模型能夠有效識別針對播出系統(tǒng)的入侵行為。在測試數(shù)據(jù)集中，檢測準(zhǔn)確率達(dá)97%，誤報(bào)率≤2%，漏報(bào)率≤2%。

（四）與現(xiàn)有方法的對比分析

選取幾種典型的傳統(tǒng)入侵檢測方法，如基于規(guī)則的方法、基于統(tǒng)計(jì)的方法和基于機(jī)器學(xué)習(xí)的方法等，與基于深度學(xué)習(xí)的DAN模型進(jìn)行對比實(shí)驗(yàn)。使用相同的數(shù)據(jù)集和評價(jià)指標(biāo)對這些方法進(jìn)行測試和評估。結(jié)果顯示，基于深度學(xué)習(xí)的DAN模型在檢測準(zhǔn)確率、誤報(bào)率和漏報(bào)率等方面均優(yōu)于傳統(tǒng)入侵檢測方法。此外，DAN 模型還能適應(yīng)不斷變化的網(wǎng)絡(luò)環(huán)境，具有更強(qiáng)的泛化能力和適應(yīng)性。

通過上述實(shí)驗(yàn)過程充分驗(yàn)證了基于深度學(xué)習(xí)的入侵檢測模型在檢測性能上的可靠性和優(yōu)勢。特別是深度自編碼網(wǎng)絡(luò)（DAN）在降維效果和檢測能力方面表現(xiàn)出色，可以應(yīng)用于播出系統(tǒng)的入侵行為檢測。

四、結(jié)語

構(gòu)建基于深度學(xué)習(xí)技術(shù)的播出系統(tǒng)入侵檢測模型，需解決模型適用性、數(shù)據(jù)歸一性和檢測準(zhǔn)確性等問題。盡管本文在這方面進(jìn)行了一定的分析和探討，但只是從理論上就模型的構(gòu)建和實(shí)驗(yàn)驗(yàn)證進(jìn)行闡述，所采集的數(shù)據(jù)只是基于公開的網(wǎng)絡(luò)安全數(shù)據(jù)庫，并沒有真正以廣播電視播出系統(tǒng)的應(yīng)用環(huán)境進(jìn)行驗(yàn)證。因此，在未來的研究中，可將基于深度學(xué)習(xí)技術(shù)的播出系統(tǒng)入侵檢測模型應(yīng)用于廣播電視播出系統(tǒng)中，以驗(yàn)證其真實(shí)效果。

作者簡介 唐曉暉，教授級高級工程師，研究方向：新聞學(xué)、新聞播出系統(tǒng)設(shè)計(jì)、新聞播出系統(tǒng)安全。