摘要：由于不同類型的入侵攻擊意圖差異，在網(wǎng)絡(luò)中的入侵路徑也存在明顯的不同，為此，文章提出了基于深度學(xué)習(xí)算法的無線通信網(wǎng)絡(luò)入侵路徑辨識(shí)研究。以入侵意圖為基礎(chǔ)，將具有相同行為的攻擊進(jìn)行交集計(jì)算后，建立以入侵意圖為中心的網(wǎng)絡(luò)入侵行為聚類。對(duì)于存在交叉關(guān)系的入侵，利用網(wǎng)絡(luò)入侵行為的節(jié)點(diǎn)分布概率進(jìn)行細(xì)分。在入侵路徑辨識(shí)階段，引入灰色深度神經(jīng)網(wǎng)絡(luò)算法，在隱含層計(jì)算入侵意圖。結(jié)合無線通信網(wǎng)絡(luò)節(jié)點(diǎn)與當(dāng)前入侵行為所處節(jié)點(diǎn)之間的歐氏距離，將對(duì)應(yīng)聚類的最小歐氏距離節(jié)點(diǎn)作為入侵路徑下一節(jié)點(diǎn)的辨識(shí)結(jié)果，循環(huán)上述操作，實(shí)現(xiàn)對(duì)整體入侵路徑的辨識(shí)。在測試結(jié)果中，整體入侵路徑覆蓋節(jié)點(diǎn)對(duì)于辨識(shí)結(jié)果并未產(chǎn)生影響，能夠?qū)崿F(xiàn)對(duì)入侵路徑的100%準(zhǔn)確辨識(shí)。

關(guān)鍵詞：深度學(xué)習(xí)算法；無線通信網(wǎng)絡(luò)；入侵行為聚類；灰色深度神經(jīng)網(wǎng)絡(luò)算法

中圖分類號(hào)：TP391.4" 文獻(xiàn)標(biāo)志碼：A

作者簡介：杜慧珺（1990— ），女，高級(jí)工程師，本科；研究方向：網(wǎng)絡(luò)安全。

0" 引言

隨著無線通信技術(shù)的飛速發(fā)展，無線通信網(wǎng)絡(luò)已深入人們生活的各個(gè)方面，從手機(jī)通信、物聯(lián)網(wǎng)設(shè)備到智能交通系統(tǒng)，無線通信網(wǎng)絡(luò)都在扮演著至關(guān)重要的角色。然而，與此同時(shí)，網(wǎng)絡(luò)安全問題也日益凸顯，其中無線通信網(wǎng)絡(luò)的入侵事件頻繁發(fā)生，給個(gè)人、企業(yè)乃至國家安全帶來了嚴(yán)重威脅。入侵者往往利用無線通信網(wǎng)絡(luò)的開放性和復(fù)雜性，通過篡改、竊取或破壞網(wǎng)絡(luò)中的信息，達(dá)到非法獲利或破壞的目的。因此，對(duì)無線通信網(wǎng)絡(luò)入侵路徑的辨識(shí)成為亟待解決的問題［1］。

趙齊［2］提出的以改進(jìn)隱馬爾可夫模型（HMM）為基礎(chǔ)的無線通信網(wǎng)絡(luò)入侵路徑檢測方法中，通過假設(shè)系統(tǒng)的下一個(gè)狀態(tài)只與當(dāng)前狀態(tài)有關(guān)，與過去的狀態(tài)無關(guān)，借助這種特性，優(yōu)化模型參數(shù)，引入更多的上下文信息，并與其他機(jī)器學(xué)習(xí)算法進(jìn)行融合，通過改進(jìn)后的隱馬爾可夫模型能高效準(zhǔn)確地處理序列數(shù)據(jù)，有效地捕捉網(wǎng)絡(luò)流量的統(tǒng)計(jì)特性和模式，實(shí)現(xiàn)對(duì)異常行為的檢測。

1" 無線通信網(wǎng)絡(luò)入侵路徑辨識(shí)設(shè)計(jì)

1.1" 網(wǎng)絡(luò)入侵攻擊行為分析

對(duì)于不同類型的入侵攻擊，其在對(duì)應(yīng)的入侵路徑表達(dá)上也會(huì)呈現(xiàn)出不同的特征［3-4］，針對(duì)此，本文首先就網(wǎng)絡(luò)入侵攻擊行為開展了具體的分析研究

對(duì)于Xi網(wǎng)絡(luò)入侵行為，以入侵意圖為基礎(chǔ)對(duì)與其具有相同行為的攻擊進(jìn)行交集計(jì)算，計(jì)算公式為：

SF=dw±W（Xi，Xj）{Xi，Xj}±{i，j}n（1）

其中，SF表示Xi和Xj相同入侵意圖下，對(duì)應(yīng)的一致網(wǎng)絡(luò)入侵行為；dw表示網(wǎng)絡(luò)入侵意圖攻擊行為的隨機(jī)變量參數(shù)；W（Xi，Xj）表示Xi網(wǎng)絡(luò)入侵行為和 Xj網(wǎng)絡(luò)入侵行為中，入侵意圖攻擊行為的權(quán)重參數(shù)；{Xi，Xj}表示Xi網(wǎng)絡(luò)入侵行為和 Xj網(wǎng)絡(luò)入侵行為的并集；{i，j}表示Xi網(wǎng)絡(luò)入侵行為和 Xj網(wǎng)絡(luò)入侵行為對(duì)應(yīng)的入侵節(jié)點(diǎn)分布；n表示Xi網(wǎng)絡(luò)入侵行為和 Xj網(wǎng)絡(luò)入侵行為入侵節(jié)點(diǎn)的總數(shù)量。

按照上述方式，對(duì)入侵意圖一致的不同網(wǎng)絡(luò)入侵行為進(jìn)行分析，建立以入侵意圖為中心的網(wǎng)絡(luò)入侵行為聚類［5］。但是須要注意的是，不同入侵意圖下，對(duì)應(yīng)的網(wǎng)絡(luò)入侵行為也可能存在交叉關(guān)系［6］。針對(duì)此，本文利用網(wǎng)絡(luò)入侵行為的節(jié)點(diǎn)分布概率對(duì)其所屬聚類進(jìn)行劃分［7］。聚類劃分的表達(dá)式如公式（2）所示：

D（Xi）=dw×p（Xi）±QR×P×Xi（2）

其中，D（Xi）表示Xi網(wǎng)絡(luò)入侵行為的聚類劃分結(jié)果；p（Xi）表示Xi網(wǎng)絡(luò)入侵行為的節(jié)點(diǎn)分布概率參數(shù)；Q表示隨機(jī)入侵行為聚類的規(guī)模；R表示隨機(jī)入侵行為聚類的概率分布最大閾值；P表示隨機(jī)入侵行為聚類的概率分布參數(shù)。

按照上述方式，實(shí)現(xiàn)對(duì)無線通信網(wǎng)絡(luò)入侵行為的分析，為后續(xù)的路徑辨識(shí)提供執(zhí)行基礎(chǔ)。

1.2" 基于深度學(xué)習(xí)的無線通信網(wǎng)絡(luò)入侵路徑辨識(shí)

結(jié)合1.1小節(jié)部分對(duì)無線通信網(wǎng)絡(luò)入侵行為的分析結(jié)果，本文在開展具體的入侵路徑辨識(shí)過程中，引入了深度學(xué)習(xí)算法——灰色深度神經(jīng)網(wǎng)絡(luò)算法。

結(jié)合無線通信網(wǎng)絡(luò)自身結(jié)構(gòu)特點(diǎn)以及網(wǎng)絡(luò)入侵路徑的隨機(jī)性［8］，本文構(gòu)建的灰色深度神經(jīng)網(wǎng)絡(luò)可以表示為：

N=∑ωXi（3）

其中，N表示用于無線通信網(wǎng)絡(luò)入侵路徑辨識(shí)的灰色深度神經(jīng)網(wǎng)絡(luò)；ω表示無線通信網(wǎng)絡(luò)節(jié)點(diǎn)在整體網(wǎng)絡(luò)環(huán)境中的權(quán)重參數(shù)。

利用隱含層對(duì)入侵意圖下，無線通信網(wǎng)絡(luò)節(jié)點(diǎn)與當(dāng)前入侵行為所處節(jié)點(diǎn)之間的歐氏距離進(jìn)行計(jì)算，具體可以表示為：

l=∑Xi（t）-Wij（t）（1-a）σ（4）

其中，l表示無線通信網(wǎng)絡(luò)節(jié)點(diǎn)與當(dāng)前入侵行為所處節(jié)點(diǎn)之間的歐氏距離參數(shù)；Xi（t）表示t時(shí)刻Xi網(wǎng)絡(luò)入侵行為的狀態(tài)參數(shù)；a表示灰色深度神經(jīng)網(wǎng)絡(luò)神經(jīng)元對(duì)于無線通信網(wǎng)絡(luò)節(jié)點(diǎn)狀態(tài)學(xué)習(xí)的無效系數(shù)；σ表示無線通信網(wǎng)絡(luò)中相鄰節(jié)點(diǎn)之間的自適應(yīng)系數(shù)。

此時(shí)，利用Sigmoid 函數(shù)對(duì)Xi網(wǎng)絡(luò)入侵行為對(duì)應(yīng)聚類中，與當(dāng)前入侵行為所處節(jié)點(diǎn)之間的歐氏距離參數(shù)最小的節(jié)點(diǎn)作為其路徑的辨識(shí)結(jié)果，具體的計(jì)算方式可以表示為：

Xi（t+1）=minl∑D（Xi）=∑D（Xi）-Wij（t）（1-a）σ（5）

其中，Xi（t+1）表示Xi網(wǎng)絡(luò)入侵行為的下一個(gè)路徑節(jié)點(diǎn)。重復(fù)執(zhí)行上述操作過程，即可實(shí)現(xiàn)對(duì)Xi網(wǎng)絡(luò)入侵行為對(duì)應(yīng)整體入侵路徑的完整辨識(shí)。

按照上述方式，實(shí)現(xiàn)對(duì)無線通信網(wǎng)絡(luò)入侵路徑的精準(zhǔn)辨識(shí)，最大限度地避免路徑范圍和入侵意圖差異對(duì)于辨識(shí)結(jié)果的影響和干擾，為相關(guān)安全管理工作提供可靠數(shù)據(jù)支持。

2" 測試與分析

2.1" 測試數(shù)據(jù)準(zhǔn)備

在分析本文設(shè)計(jì)無線通信網(wǎng)絡(luò)入侵路徑辨識(shí)方法性能的過程中，構(gòu)建了包含9個(gè)節(jié)點(diǎn)的交互網(wǎng)絡(luò)環(huán)境，其中，各節(jié)點(diǎn)之間的聯(lián)通關(guān)系設(shè)置情況如圖1所示。

以圖1所示的交互網(wǎng)絡(luò)環(huán)境為基礎(chǔ)，本文設(shè)置了不同長度的入侵路徑，具體如表1所示。

結(jié)合表1所示的設(shè)置，分別采用本文設(shè)計(jì)的無線通信網(wǎng)絡(luò)入侵路徑辨識(shí)方法、趙齊［2］提出的以改進(jìn)隱馬爾可夫模型為基礎(chǔ)的無線通信網(wǎng)絡(luò)入侵路徑檢測方法、孫紅哲等［3］提出的以Attention-BiTCN為基礎(chǔ)的網(wǎng)絡(luò)入侵路徑檢測方法開展對(duì)比測試。

2.2" 測試結(jié)果與分析

在對(duì)3種不同方法的性能進(jìn)行分析時(shí)，將準(zhǔn)確辨識(shí)路徑的數(shù)量作為評(píng)價(jià)指標(biāo)，其中，得到的測試結(jié)果如表2所示。

結(jié)合表2所示的測試結(jié)果，對(duì)3種不同入侵路徑辨識(shí)方法的性能進(jìn)行分析，其中，在趙齊［2］提出的以改進(jìn)隱馬爾可夫模型為基礎(chǔ)的無線通信網(wǎng)絡(luò)入侵路徑檢測方法下，當(dāng)整體入侵路徑覆蓋節(jié)點(diǎn)達(dá)到10個(gè)以上時(shí)，出現(xiàn)了未能準(zhǔn)確識(shí)別完整路徑的情況，但是錯(cuò)誤識(shí)別的程度較低；在孫紅哲等［3］提出的以Attention-BiTCN為基礎(chǔ)的網(wǎng)絡(luò)入侵路徑檢測方法下，當(dāng)整體入侵路徑覆蓋節(jié)點(diǎn)在12個(gè)以下時(shí)，夠?qū)崿F(xiàn)對(duì)路徑的完整辨識(shí)，但是當(dāng)整體入侵路徑覆蓋節(jié)點(diǎn)達(dá)到17個(gè)及以上時(shí)，對(duì)應(yīng)的錯(cuò)誤識(shí)別程度明顯升高，表明其使用范圍存在一定的局限性。相比之下，在本文設(shè)計(jì)方法的測試結(jié)果中，整體入侵路徑覆蓋節(jié)點(diǎn)對(duì)于辨識(shí)結(jié)果并未產(chǎn)生影響，能夠?qū)崿F(xiàn)對(duì)入侵路徑的100%準(zhǔn)確辨識(shí)。

3" 結(jié)語

網(wǎng)絡(luò)入侵路徑蘊(yùn)含的深度信息對(duì)于實(shí)際網(wǎng)絡(luò)安全管理工作的價(jià)值是不言而喻的。這些深度信息可以幫助安全管理人員更好地理解網(wǎng)絡(luò)攻擊的行為模式、攻擊者的策略以及網(wǎng)絡(luò)系統(tǒng)的脆弱性。通過對(duì)這些信息的深入挖掘和分析，可以及時(shí)發(fā)現(xiàn)潛在的安全威脅，制定有效的防御策略，從而提高整個(gè)網(wǎng)絡(luò)系統(tǒng)的安全性。本文提出的基于深度學(xué)習(xí)算法的無線通信網(wǎng)絡(luò)入侵路徑辨識(shí)研究，進(jìn)一步提高了網(wǎng)絡(luò)入侵路徑檢測的準(zhǔn)確性和效率，在更好保障網(wǎng)絡(luò)安全方面具有良好的實(shí)際應(yīng)用價(jià)值。

參考文獻(xiàn)

［1］吳維鑫，侯會(huì)文，石樂義.基于深度學(xué)習(xí)和聯(lián)邦學(xué)習(xí)的工控入侵檢測研究［EB/OL］.（2024-03-08）［2024-05-08］.Https：//link.cnki.net/urlid/61. 1123.TN.20240306.1025.004.

［2］趙齊.基于改進(jìn)隱馬爾可夫模型的無線通信網(wǎng)絡(luò)入侵檢測方法［J］.長江信息通信，2024（2）：56-58.

［3］孫紅哲，王堅(jiān)，王鵬，等.基于Attention-BiTCN的網(wǎng)絡(luò)入侵檢測方法［J］.信息網(wǎng)絡(luò)安全，2024（2）：309-318.

［4］楊曉文，張健，況立群，等.融合CNN-BiGRU和注意力機(jī)制的網(wǎng)絡(luò)入侵檢測模型［J］.信息安全研究，2024（3）：202-208.

［5］董衛(wèi)魏，王曦，鐘昕輝，等.基于人工智能技術(shù)的輕量級(jí)網(wǎng)絡(luò)入侵檢測系統(tǒng)設(shè)計(jì)［J］.現(xiàn)代電子技術(shù)，2024（5）：108-111.

［6］劉濤濤，付鈺，王坤，等.基于VAE-CWGAN和特征統(tǒng)計(jì)重要性融合的網(wǎng)絡(luò)入侵檢測方法［J］.通信學(xué)報(bào)，2024（2）：54-67.

［7］王相月，趙利輝.基于多階段特征選擇和CNN-GRU的網(wǎng)絡(luò)入侵檢測模型［J］.中北大學(xué)學(xué)報(bào)（自然科學(xué)版），2024（1）：66-73.

［8］王雄偉，張鑫楠.一種基于MetaCost和RF的網(wǎng)絡(luò)入侵檢測方法分析［J］.電子技術(shù)，2024（1）：39-41.

（編輯" 沈" 強(qiáng)）

Wireless communication network intrusion path identification based on deep learning algorithms

DU" Huijun， WANG" Anyang， LIU" Yue， DONG" Yang， YUAN" Chuanxin

（State Grid Shandong Electric Power Company Tai’an Power Supply Company， Tai’an 271000， China）

Abstract：" Due to the different intentions of different types of intrusion attacks， there are also significant differences in the intrusion paths in the network. Therefore， a research on wireless communication network intrusion path identification based on deep learning algorithms is proposed. Based on intrusion intent， attacks with the same behavior are intersected and calculated， and a network intrusion behavior cluster centered on intrusion intent is established. For intrusions with cross relationships， the node distribution probability of network intrusion behavior is used for segmentation. In the stage of intrusion path identification， the grey deep neural network algorithm is introduced to calculate the intrusion intent in the hidden layer. Combining the Euclidean distance between wireless communication network nodes and the node where the current intrusion behavior occurs， the minimum Euclidean distance node corresponding to the cluster is used as the identification result of the next node in the intrusion path. The above operation is repeated to achieve the identification of the overall intrusion path. In the test results， the overall intrusion path coverage nodes did not have an impact on the identification results， and can achieve 100% accurate identification of the intrusion path.

Key words： deep learning algorithms; wireless communication network; intrusion behavior clustering; grey deep neural network algorithm