基于Kohonen神經(jīng)網(wǎng)絡(luò)算法的網(wǎng)絡(luò)入侵聚類(lèi)算法的測(cè)試研究

麻書(shū)欽

（廣東技術(shù)師范學(xué)院，廣東 廣州 510665）

0 引 言

隨著信息技術(shù)和網(wǎng)絡(luò)技術(shù)的快速發(fā)展，網(wǎng)絡(luò)非法入侵也隨之大幅增長(zhǎng)，對(duì)網(wǎng)絡(luò)安全性提出了強(qiáng)大挑戰(zhàn)，因此維護(hù)網(wǎng)絡(luò)安全顯得尤為重要。對(duì)網(wǎng)絡(luò)入侵聚類(lèi)的研究[1]，有助于應(yīng)對(duì)網(wǎng)絡(luò)入侵，在此基礎(chǔ)上提出合適的防控措施。根據(jù)Kohonen網(wǎng)絡(luò)的自動(dòng)聚類(lèi)的優(yōu)點(diǎn)，本文提出一種基于Kohonen網(wǎng)絡(luò)的網(wǎng)絡(luò)入侵聚類(lèi)研究的方法。首先闡述基本理論、原理和算法步驟，然后利用Matlab軟件平臺(tái)對(duì)提出的網(wǎng)絡(luò)入侵算法進(jìn)行測(cè)試研究，并同其他方法進(jìn)行對(duì)比，從而驗(yàn)證出Kohonen神經(jīng)網(wǎng)絡(luò)算法進(jìn)行網(wǎng)絡(luò)入侵聚類(lèi)的優(yōu)越性和準(zhǔn)確性。

1 Kohonen網(wǎng)絡(luò)結(jié)構(gòu)

Kohonen網(wǎng)絡(luò)是一種自組織無(wú)監(jiān)督學(xué)習(xí)網(wǎng)絡(luò)，可以識(shí)別環(huán)境特征，同時(shí)實(shí)現(xiàn)自動(dòng)聚類(lèi)。該網(wǎng)絡(luò)由芬蘭學(xué)者Kohonen提出[2-3]，調(diào)整網(wǎng)絡(luò)權(quán)值主要通過(guò)自組織特征映射完成，從而實(shí)現(xiàn)神經(jīng)網(wǎng)絡(luò)收斂。

Kohonen網(wǎng)絡(luò)由兩層前饋神經(jīng)網(wǎng)絡(luò)組成，包括輸入層和輸出層。輸入層和輸出層之間通過(guò)神經(jīng)元進(jìn)行雙向連接，將輸入在輸出層映射成二維離散圖像。Kohonen網(wǎng)絡(luò)拓?fù)浣Y(jié)構(gòu)如圖1。

輸入層：用以表現(xiàn)網(wǎng)絡(luò)的輸入變數(shù)，即訓(xùn)練范例的輸入向量，或稱(chēng)特征向量，其處理單元數(shù)目依問(wèn)題而定，每一個(gè)處理單元代表著輸入向量的每一個(gè)元素，亦即該輸入資料所擁有的特征。

圖1 Kohonen神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)圖

輸出層：用以表現(xiàn)網(wǎng)絡(luò)的輸出變數(shù)及訓(xùn)練范例的聚類(lèi)，其處理單元數(shù)目依問(wèn)題而定。其結(jié)構(gòu)本身有“網(wǎng)絡(luò)拓?fù)洹币约啊班徑鼌^(qū)域”的概念。

網(wǎng)絡(luò)連結(jié)：每個(gè)輸出層處理單元與輸入層處理單元相連結(jié)的權(quán)數(shù)所構(gòu)成的向量，表示一個(gè)輸入特征值向量對(duì)應(yīng)訓(xùn)練范例聚類(lèi)的標(biāo)量。當(dāng)Kohonen網(wǎng)絡(luò)學(xué)習(xí)完畢后，靠近輸出處理單元的神經(jīng)元具有相似的連結(jié)權(quán)數(shù)。

2 Kohonen神經(jīng)網(wǎng)絡(luò)的原理

Kohonen網(wǎng)絡(luò)的基本原理是計(jì)算輸入的特征量映射至輸出層每一處理單元的歐幾里得距離（euclidean distance），而具有最小距離值的處理單元就是優(yōu)勝單元并且將會(huì)調(diào)整它的連接權(quán)值，使其能夠更接近原始的輸入向量，而且此處理單元的鄰近區(qū)域也會(huì)調(diào)整本身的連接權(quán)值，使自己與輸入向量間的歐幾里得距離能夠減少，其算法步驟[4]如下：

輸入：訓(xùn)練樣本和測(cè)試樣本；

輸出：訓(xùn)練后的權(quán)系數(shù)矩陣和測(cè)試樣本所屬的類(lèi)及歸屬程度；

（1）粗調(diào)整學(xué)習(xí)階段

1）網(wǎng)絡(luò)權(quán)值初始化wij，新向量的輸入

式中：Xi（t）——t時(shí)刻樣本的第i維分量（i=1，2，…，m），總的學(xué)習(xí)次數(shù)為T(mén)=T1+T2。

2）樣本矢量與權(quán)值之間距離的計(jì)算

3）求最小距離，找出最匹配輸入樣本矢量的競(jìng)爭(zhēng)層節(jié)點(diǎn)c，即：

4）調(diào)整權(quán)系數(shù)，粗調(diào)整階段

其中：m——競(jìng)爭(zhēng)層神經(jīng)元的個(gè)數(shù)。

按照步驟2）計(jì)算鄰域函數(shù)值，權(quán)值可根據(jù)式（4）進(jìn)行調(diào)整：

5）學(xué)習(xí)率和鄰域?qū)挾劝凑詹襟E1）和步驟3）進(jìn)行遞減。

6）返回步驟3），所有學(xué)習(xí)樣本調(diào)整一遍。

7）t=t+1；直至 t>T1。

（2）精細(xì)調(diào)整學(xué)習(xí)階段

8）精細(xì)調(diào)整 T2=500 階段，η0=0.04，σ0=1，并重復(fù)步驟2）~6），只是鄰域?qū)挾群蛯W(xué)習(xí)率按照式（5）遞減：

9）將另一組樣本矢量作為網(wǎng)絡(luò)輸入，返回第3）步，直到樣本輸入結(jié)束。

10）t=t+1；當(dāng) t>T2時(shí)，學(xué)習(xí)階段結(jié)束。

11）所有輸出神經(jīng)元的連接權(quán)系數(shù)的存儲(chǔ)和輸出。

（3）應(yīng)用階段

12）輸入樣本和連接輸出神經(jīng)元的權(quán)系數(shù)向量的歸一化，以保證輸入樣本和輸出神經(jīng)元的歐氏距離在[0，2]之間，如式（6）所示：

13）讀取一個(gè)新的網(wǎng)絡(luò)輸入樣本。

14）根據(jù)已計(jì)算出來(lái)的歐氏距離dj和上文定義的隸屬函數(shù)，計(jì)算輸入樣本到各輸出神經(jīng)元的隸屬度為

15）輸出分類(lèi)：設(shè)定閾值，根據(jù)高斯函數(shù)自身性質(zhì)，本文將閥值設(shè)為0.6，即：當(dāng)μ（Cj（X））＞0.6輸出神經(jīng)元即為該輸入樣本所屬的類(lèi)，輸出該類(lèi)及輸入樣本在該類(lèi)中的隸屬度。

16）重復(fù)13）步，直到?jīng)]有新的輸入樣本。

根據(jù)算法步驟可知其算法流程圖如圖2所示。

3 Kohonen神經(jīng)網(wǎng)絡(luò)網(wǎng)絡(luò)入侵算法的構(gòu)建

3.1 網(wǎng)絡(luò)入侵

網(wǎng)絡(luò)入侵是指通過(guò)非法手段試圖破壞計(jì)算機(jī)和網(wǎng)絡(luò)系統(tǒng)資源完整性、機(jī)密性和可用性的行為。對(duì)網(wǎng)絡(luò)入侵進(jìn)行聚類(lèi)分析研究，有助于發(fā)現(xiàn)網(wǎng)絡(luò)入侵的種類(lèi)，在此基礎(chǔ)上為制定防網(wǎng)絡(luò)入侵的措施和方案，提供決策依據(jù)。

3.2 模型建立

根據(jù)網(wǎng)絡(luò)入侵的特點(diǎn)，Kohonen神經(jīng)網(wǎng)絡(luò)網(wǎng)絡(luò)入侵攻擊聚類(lèi)算法流程如圖3所示。

圖2 Kohonen網(wǎng)絡(luò)算法的程序框圖

圖3 算法流程圖

3.3 算法的實(shí)現(xiàn)與測(cè)試

根據(jù)某具體的項(xiàng)目，現(xiàn)有5000組網(wǎng)絡(luò)入侵?jǐn)?shù)據(jù)，數(shù)據(jù)中有5類(lèi)入侵方式，分別為I類(lèi)、II類(lèi)、III類(lèi)、IV類(lèi)、V類(lèi)。用訓(xùn)練好的Kohonen神經(jīng)網(wǎng)絡(luò)測(cè)試樣本數(shù)據(jù)，測(cè)試數(shù)據(jù)有500組，運(yùn)用Matlab進(jìn)行相應(yīng)的仿真，仿真結(jié)果如圖4～圖7所示。

圖4中的神經(jīng)元編號(hào)方式是從左到右，從下到上，神經(jīng)元編號(hào)不斷增加，左下角的神經(jīng)元為1號(hào)，右上角神經(jīng)元為16號(hào)，中間的數(shù)字代表神經(jīng)元的獲勝次數(shù)。圖5表示網(wǎng)絡(luò)權(quán)值的分布。

圖6表示鄰近神經(jīng)元的距離分布圖，相鄰神經(jīng)元間填充的顏色表示兩個(gè)鄰近神經(jīng)元的距離遠(yuǎn)近，顏色越深，越接近黑色，代表距離越遠(yuǎn)，反之越近。

從圖7可以看出，絕大多數(shù)測(cè)試結(jié)果同預(yù)期結(jié)果一致，預(yù)測(cè)結(jié)果的分類(lèi)準(zhǔn)確率達(dá)到98.1%，效果很好。

4 不同聚類(lèi)算法的測(cè)試對(duì)比

為了進(jìn)一步驗(yàn)證Kohonen神經(jīng)網(wǎng)絡(luò)網(wǎng)絡(luò)入侵聚類(lèi)方法的優(yōu)越性和準(zhǔn)確性，將其同PNN神經(jīng)網(wǎng)絡(luò)算法進(jìn)行對(duì)比，主要從訓(xùn)練準(zhǔn)確率、測(cè)試準(zhǔn)確率和運(yùn)行時(shí)間3個(gè)方面[5-7]進(jìn)行驗(yàn)證，仿真結(jié)果如圖8～圖10所示。

圖4 獲勝神經(jīng)元統(tǒng)計(jì)圖

圖5 網(wǎng)絡(luò)權(quán)值分布

圖6 鄰近神經(jīng)元距離分布圖

從圖8可以看出，Kohonen神經(jīng)網(wǎng)絡(luò)的準(zhǔn)確率有96.6667%，而PNN神經(jīng)網(wǎng)絡(luò)[8-9]的準(zhǔn)確率只達(dá)到93.3333%。從圖9可以看出，Kohonen神經(jīng)網(wǎng)絡(luò)的準(zhǔn)確率普遍高于PNN神經(jīng)網(wǎng)絡(luò)的準(zhǔn)確率。從圖10可以看出，Kohonen神經(jīng)網(wǎng)絡(luò)的運(yùn)行時(shí)間也優(yōu)于PNN神經(jīng)網(wǎng)絡(luò)。

圖7 預(yù)測(cè)結(jié)果

圖8 訓(xùn)練準(zhǔn)確率對(duì)比圖

圖9 測(cè)試準(zhǔn)確率對(duì)比圖

圖10 運(yùn)行時(shí)間對(duì)比圖

5 結(jié)束語(yǔ)

根據(jù)Kohonen神經(jīng)網(wǎng)絡(luò)能自動(dòng)實(shí)現(xiàn)聚類(lèi)的優(yōu)點(diǎn)，本文提出一種基于Kohonen網(wǎng)絡(luò)的網(wǎng)絡(luò)入侵聚類(lèi)研究的方法。運(yùn)用Matlab軟件，進(jìn)行Kohonen神經(jīng)網(wǎng)絡(luò)網(wǎng)絡(luò)入侵聚類(lèi)仿真，并同PNN神經(jīng)網(wǎng)絡(luò)進(jìn)行了對(duì)比，主要研究結(jié)果如下：（1）根據(jù)仿真結(jié)果，Kohonen神經(jīng)網(wǎng)絡(luò)網(wǎng)絡(luò)入侵聚類(lèi)結(jié)果的準(zhǔn)確率達(dá)到98.1%，效果很好。（2）將其同PNN神經(jīng)網(wǎng)絡(luò)算法進(jìn)行對(duì)比，主要從訓(xùn)練準(zhǔn)確率、測(cè)試準(zhǔn)確率和運(yùn)行時(shí)間3個(gè)方面進(jìn)行驗(yàn)證。Kohonen神經(jīng)網(wǎng)絡(luò)的準(zhǔn)確率達(dá)到96.666 7%，而PNN神經(jīng)網(wǎng)絡(luò)的準(zhǔn)確率只達(dá)到93.333 3%；Kohonen神經(jīng)網(wǎng)絡(luò)的準(zhǔn)確率普遍高于PNN神經(jīng)網(wǎng)絡(luò)的準(zhǔn)確率；Kohonen神經(jīng)網(wǎng)絡(luò)的運(yùn)行時(shí)間也優(yōu)于PNN神經(jīng)網(wǎng)絡(luò)。

[1]樊玫.基于Kohonen神經(jīng)網(wǎng)絡(luò)的用戶訪問(wèn)模型挖掘模式的研究[D].南昌：南昌大學(xué)，2007.

[2]劉純平.基于Kohonen神經(jīng)網(wǎng)絡(luò)聚類(lèi)方法在遙感分類(lèi)中的比較[J].計(jì)算機(jī)仿真，2006，26（7）：1744-1746.

[3]范作民，白杰，閻國(guó)華.Kohonen神經(jīng)網(wǎng)絡(luò)在發(fā)動(dòng)機(jī)故障診斷中的應(yīng)用[J].航空動(dòng)力學(xué)報(bào)，2000，15（1）：89-92.

[4]莫禮平.基于Kohonen神經(jīng)網(wǎng)絡(luò)的故障診斷方法[J].成都大學(xué)學(xué)報(bào)，2007，（1）：47-51.

[5]Agrawal R，Srikant R.Mining sequential pattems[C]∥International Conference on Data Engineefing.Taipei，Taiwan：ICDE，1995：3-14.

[6]Francesco B，F(xiàn)osca G，Giuseppe M，et al.Data Mining for intelligent web caching[C]∥International Conference on Information Technology：Coding and Computing，2001.

[7]吳柯，方強(qiáng)，張俊玲，等.基于改進(jìn)Kohonen神經(jīng)網(wǎng)絡(luò)的遙感影像分類(lèi)[J].測(cè)繪信息與工程，2007，32（2）：47-49.

[8]李宗福，鄧瓊波，李桓.Kohonen SOFM神經(jīng)網(wǎng)絡(luò)及其演化研究[J].計(jì)算機(jī)工程與設(shè)計(jì)，2004，25（10）：1729-1730.

[9]曲義飛.基于Web使用挖掘的用戶消費(fèi)模式發(fā)現(xiàn)研究[D].大連：大連理工大學(xué)，2006.