基于特征選擇的網(wǎng)絡(luò)入侵檢測(cè)模型研究

李 文

(廣東科貿(mào)職業(yè)學(xué)院 信息工程系，廣州 510640)

基于特征選擇的網(wǎng)絡(luò)入侵檢測(cè)模型研究

李 文

(廣東科貿(mào)職業(yè)學(xué)院 信息工程系，廣州 510640)

為了有效從收集的惡意數(shù)據(jù)中選擇特征去分析，保障網(wǎng)絡(luò)系統(tǒng)的安全與穩(wěn)定，需要進(jìn)行網(wǎng)絡(luò)入侵檢測(cè)模型研究;但目前方法是采用遺傳算法找出網(wǎng)絡(luò)入侵的特征子集，再利用粒子群算法進(jìn)行進(jìn)一步選擇，找出最優(yōu)的特征子集，最后利用極限學(xué)習(xí)機(jī)對(duì)網(wǎng)絡(luò)入侵進(jìn)行分類(lèi)，但該方法準(zhǔn)確性較低;為此，提出一種基于特征選擇的網(wǎng)絡(luò)入侵檢測(cè)模型研究方法;該方法首先以增強(qiáng)尋優(yōu)性能為目標(biāo)對(duì)網(wǎng)絡(luò)入侵檢測(cè)進(jìn)行特征選擇，結(jié)合分析出的特征選擇利用特征屬性的Fisher比構(gòu)造出特征子集的評(píng)價(jià)函數(shù)，然后結(jié)合計(jì)算出的特征子集評(píng)價(jià)函數(shù)進(jìn)行支持向量機(jī)完成對(duì)基于特征選擇的網(wǎng)絡(luò)入侵檢測(cè)模型研究方法;仿真實(shí)驗(yàn)表明，利用支持向量機(jī)對(duì)網(wǎng)絡(luò)入侵進(jìn)行檢測(cè)能有效地提高入侵檢測(cè)的速度以及入侵檢測(cè)的準(zhǔn)確性。

特征選擇；網(wǎng)絡(luò)入侵；Fisher比；支持向量機(jī)

0 引言

隨著互聯(lián)網(wǎng)技術(shù)應(yīng)用的日漸廣泛，互聯(lián)網(wǎng)絡(luò)的安全性以及可靠性越來(lái)越受到人們的關(guān)注[1]?；ヂ?lián)網(wǎng)絡(luò)平臺(tái)是一個(gè)雙邊平臺(tái)，具有共享性與開(kāi)放性的特點(diǎn)，由于互聯(lián)網(wǎng)絡(luò)的開(kāi)放性，加上入侵手段的多樣化[2]，網(wǎng)絡(luò)的惡意入侵越來(lái)越頻繁。在這種情況下，如何提高網(wǎng)絡(luò)入侵的檢測(cè)率和檢測(cè)速度，保證互聯(lián)網(wǎng)絡(luò)的正常通信與數(shù)據(jù)運(yùn)輸安全成為了網(wǎng)絡(luò)管理領(lǐng)域中急需解決的主要問(wèn)題[3]。對(duì)于現(xiàn)有的網(wǎng)絡(luò)惡意入侵的檢測(cè)方法有很多，這是在不斷更新、不斷發(fā)展的網(wǎng)絡(luò)主動(dòng)式的自我防御策略技術(shù)，利用網(wǎng)絡(luò)相互之間發(fā)生聯(lián)系時(shí)的動(dòng)態(tài)特征來(lái)準(zhǔn)確描述此時(shí)網(wǎng)絡(luò)是否受到了入侵，這項(xiàng)技術(shù)在當(dāng)前網(wǎng)絡(luò)安全保護(hù)技術(shù)的發(fā)展中起著至關(guān)重要的作用[4]。隨著網(wǎng)絡(luò)復(fù)雜度的增高以及網(wǎng)絡(luò)需求速度的提升，惡意入侵行為日益增加，這是出現(xiàn)的明顯問(wèn)題為不能對(duì)網(wǎng)絡(luò)傳輸?shù)臄?shù)據(jù)進(jìn)行實(shí)時(shí)處理，網(wǎng)絡(luò)入侵檢測(cè)的復(fù)雜混亂特征的提純以及對(duì)入侵過(guò)程信息處理分析導(dǎo)致了對(duì)入侵檢測(cè)過(guò)程復(fù)雜度的增高，致使檢測(cè)時(shí)間加長(zhǎng)[5]。而有效地對(duì)特征選擇的網(wǎng)絡(luò)入侵進(jìn)行檢測(cè)是解決上述問(wèn)題的有效途徑。已引起了該領(lǐng)域?qū)＜液蛯W(xué)者的關(guān)注與重視，由于網(wǎng)絡(luò)入侵檢測(cè)具有廣泛的發(fā)展空間，因此，成為了計(jì)算機(jī)網(wǎng)絡(luò)檢測(cè)研究的核心，具有較大的發(fā)展?jié)摿6]。

近年來(lái)取得了一定的成果，裴恩斯提出了網(wǎng)絡(luò)入侵檢測(cè)系統(tǒng)的創(chuàng)建模型，根據(jù)該模型對(duì)網(wǎng)絡(luò)惡意入侵行為進(jìn)行有效快速的檢測(cè)，利用在入侵過(guò)程主動(dòng)記錄下的數(shù)據(jù)信息來(lái)構(gòu)建關(guān)聯(lián)系統(tǒng)框架，通過(guò)對(duì)該框架的變化程度來(lái)對(duì)網(wǎng)絡(luò)入侵行為進(jìn)行監(jiān)測(cè)[7]。郎恩提出了基于神經(jīng)網(wǎng)絡(luò)的檢測(cè)入侵系統(tǒng)，該系統(tǒng)利用圖論對(duì)網(wǎng)絡(luò)執(zhí)行檢測(cè)入侵功能，解決大多數(shù)入侵識(shí)別檢測(cè)系統(tǒng)的穩(wěn)定性不夠的問(wèn)題，利用數(shù)據(jù)信息統(tǒng)計(jì)表來(lái)對(duì)不同種類(lèi)入侵攻擊行為下存在的聯(lián)系以及區(qū)別，創(chuàng)建不同攻擊類(lèi)型之間關(guān)系模型。王宇航提出了基于數(shù)據(jù)挖掘框架自適應(yīng)的入侵檢測(cè)方法，通過(guò)審計(jì)程序?qū)W(wǎng)絡(luò)會(huì)話連接的特征集進(jìn)行提取，然后利用數(shù)據(jù)挖掘算法在數(shù)據(jù)特征集上表達(dá)入侵行為模式，采用這種模式對(duì)入侵進(jìn)行指導(dǎo)。文獻(xiàn)[8]提出一種基于遺傳算法選擇特征的網(wǎng)絡(luò)入侵檢測(cè)方法，通過(guò)遺傳算法找出網(wǎng)絡(luò)入侵的特征子集，再利用粒子群算法進(jìn)行進(jìn)一步選擇，找出最優(yōu)的特征子集，最后利用極限學(xué)習(xí)機(jī)對(duì)網(wǎng)絡(luò)入侵進(jìn)行分類(lèi)，但該方法存在準(zhǔn)確性較低的問(wèn)題。文獻(xiàn)[9]提出一種參數(shù)優(yōu)化的特征選擇網(wǎng)絡(luò)入侵檢測(cè)方法。該方法首先將檢測(cè)的準(zhǔn)確率作為問(wèn)題優(yōu)化的主要目標(biāo)函數(shù)，網(wǎng)絡(luò)特征與參數(shù)作為約束條件建立檢測(cè)模型，通過(guò)對(duì)檢測(cè)模型進(jìn)行求解，找出最優(yōu)的特征子集和最優(yōu)參數(shù)，但該方法存在過(guò)程較為復(fù)雜的問(wèn)題。文獻(xiàn)[10]提出一種特征優(yōu)化耦合的網(wǎng)絡(luò)入侵檢測(cè)模型。首先通過(guò)徑向函數(shù)將網(wǎng)絡(luò)特征映射到高維空間內(nèi)對(duì)此進(jìn)行計(jì)算，建立網(wǎng)絡(luò)特征和網(wǎng)絡(luò)入侵分類(lèi)器間的聯(lián)系，在特征提取階段解決了分類(lèi)器參數(shù)的設(shè)計(jì)問(wèn)題，建立網(wǎng)絡(luò)入侵的檢測(cè)模型，但該方法存在檢測(cè)速度較慢的問(wèn)題。

針對(duì)上述問(wèn)題，提出一種基于特征選擇的網(wǎng)絡(luò)入侵檢測(cè)模型研究方法。該方法首先以增強(qiáng)尋優(yōu)性能為目標(biāo)對(duì)網(wǎng)絡(luò)入侵檢測(cè)進(jìn)行特征選擇，結(jié)合分析出的特征選擇利用特征屬性的 Fisher 比構(gòu)造出特征子集的評(píng)價(jià)函數(shù)，然后結(jié)合計(jì)算出的特征子集評(píng)價(jià)函數(shù)結(jié)果進(jìn)行支持向量機(jī)完成對(duì)基于特征選擇的網(wǎng)絡(luò)入侵檢測(cè)模型研究方法。仿真實(shí)驗(yàn)表明，利用支持向量機(jī)對(duì)網(wǎng)絡(luò)入侵進(jìn)行檢測(cè)能有效地提高入侵檢測(cè)的速度以及入侵檢測(cè)的準(zhǔn)確性。

1 基于特征選擇的網(wǎng)絡(luò)入侵檢測(cè)模型研究

首先以增強(qiáng)尋優(yōu)性能為目標(biāo)對(duì)網(wǎng)絡(luò)入侵檢測(cè)進(jìn)行特征選擇，結(jié)合分析出的特征選擇利用特征屬性的 Fisher 比構(gòu)造出特征子集的評(píng)價(jià)函數(shù)，然后結(jié)合計(jì)算出的特征子集評(píng)價(jià)函數(shù)結(jié)果進(jìn)行支持向量機(jī)完成對(duì)基于特征選擇的網(wǎng)絡(luò)入侵檢測(cè)研究方法。具體步驟如下：

1.1 網(wǎng)絡(luò)入侵檢測(cè)特征選擇

網(wǎng)絡(luò)入侵檢測(cè)的特征可用二進(jìn)制字符來(lái)表示：S={s1,s2,…,sn}，si∈{0,1},i=1,2,…,m，其中“1”代表較優(yōu)特征，且被選中，反之，“0”代表沒(méi)有被選擇上的特征，m代表網(wǎng)絡(luò)入侵?jǐn)?shù)據(jù)特征的整體維數(shù)，因此特征選擇的數(shù)學(xué)模型為：

(1)

由該公式可以推斷出，在網(wǎng)絡(luò)受到入侵的情況下，對(duì)滿(mǎn)足約束的最優(yōu)特征子集的尋找是該問(wèn)題中較為典型的組合優(yōu)化問(wèn)題。對(duì)網(wǎng)絡(luò)入侵中特征求取過(guò)程無(wú)法實(shí)現(xiàn)對(duì)特征的選擇，所以需要先對(duì)網(wǎng)絡(luò)入侵?jǐn)?shù)據(jù)特征進(jìn)行編碼。

特征選擇的目標(biāo)是選擇較少的特征，獲取更高的網(wǎng)絡(luò)入侵檢測(cè)的檢測(cè)率，由此適應(yīng)度函數(shù)的定義為：

(2)

公式(2)中，ωa為特征數(shù)量的權(quán)重，本文的取值是0.6，Nf為特征的總數(shù)，Acc為驗(yàn)證集網(wǎng)絡(luò)入侵檢測(cè)的正確率，ωf是權(quán)重，本文的取值是0.4，fi為特征選擇的狀態(tài)，即：

(3)

(4)

(5)

(6)

(7)

為對(duì)特征選擇進(jìn)行簡(jiǎn)化計(jì)算，將網(wǎng)絡(luò)入侵檢測(cè)的數(shù)據(jù)樣本分為兩類(lèi)：正常數(shù)據(jù)類(lèi)與入侵?jǐn)?shù)據(jù)類(lèi)，稱(chēng)為正類(lèi)樣本和負(fù)類(lèi)樣本，將網(wǎng)絡(luò)入侵檢測(cè)問(wèn)題簡(jiǎn)化為二分類(lèi)問(wèn)題。對(duì)上述的網(wǎng)絡(luò)樣本數(shù)據(jù)集X={x1,x2,…,xn}，將X正類(lèi)數(shù)據(jù)樣本集記為X1，負(fù)類(lèi)數(shù)據(jù)樣本集X2，n1為正類(lèi)樣本數(shù)，n2為負(fù)類(lèi)數(shù)據(jù)樣本數(shù)，依據(jù)公式(6)，公式(7)得：

(8)

(9)

Fisher比可以反映出網(wǎng)絡(luò)入侵特征檢測(cè)對(duì)數(shù)據(jù)分類(lèi)的影響以及作用，該比值可大可小，比值越大，那么相對(duì)應(yīng)的特征子集的分類(lèi)能力就越強(qiáng)。因此，特征子集評(píng)價(jià)函數(shù)為：

(10)

1.2 基于支持向量機(jī)的入侵檢測(cè)模型

結(jié)合上述分析出的網(wǎng)絡(luò)特征選擇為基礎(chǔ)，利用支持向量機(jī)對(duì)選擇出的特征進(jìn)行分類(lèi)，支持向量機(jī)為訓(xùn)練數(shù)據(jù)集的子集，定義了超平面，把數(shù)據(jù)集分成2類(lèi)。對(duì)于不能分成2類(lèi)的情況，可把數(shù)據(jù)映射到高維特征空間中進(jìn)行解決。支持向量機(jī)為凸優(yōu)化問(wèn)題，局部的最優(yōu)解就是全局最優(yōu)解。

假設(shè)有2類(lèi)線性可分的數(shù)據(jù)樣本集合：(xi,yi),i=1,2,…,n，xi∈Rd，yi∈{+1,-1}，滿(mǎn)足條件：

yi[(ω·xi)+b]-1≥0,i=1,2,…,n

(11)

(12)

其中:

a1≥0,i=1,2,…,n

(13)

約束條件為：

(14)

公式(14)中，a1表示Lagrange乘子，為二次函數(shù)尋優(yōu)的問(wèn)題，存在唯一的解?？勺C明，在方程解中存在部位0的a1，且不唯一，這些a1所對(duì)應(yīng)的向量即為是支持向量機(jī)。根據(jù)以上的求解，得出最優(yōu)分類(lèi)面函數(shù)為：

(15)

假設(shè)最優(yōu)分類(lèi)面不能把2類(lèi)點(diǎn)分開(kāi)時(shí)，可通過(guò)引入松弛因子ξ(ξ≥0)，這種情況下允許錯(cuò)分?jǐn)?shù)據(jù)樣本的存在。此時(shí)：

(16)

公式(16)中，C表示懲罰因子，可得出廣義的最優(yōu)分類(lèi)面。廣義最優(yōu)分類(lèi)面的對(duì)偶問(wèn)題與線性分類(lèi)情況完全相同，只是把公式(13)改為：

0≤ai≤C,I=1,2,…,n

(17)

對(duì)于分線性分類(lèi)問(wèn)題，可把相關(guān)關(guān)聯(lián)數(shù)據(jù)組進(jìn)行映射處理，映射到高維空間后，進(jìn)而實(shí)現(xiàn)關(guān)聯(lián)特征的線性分類(lèi)來(lái)解決問(wèn)題。此時(shí)特征相對(duì)應(yīng)的分類(lèi)函數(shù)為：

(18)

2 實(shí)驗(yàn)結(jié)果與分析

為了證明基于選擇特征的網(wǎng)絡(luò)入侵檢測(cè)模型研究方法的有效性，需要進(jìn)行一次仿真實(shí)驗(yàn)。選擇KDD2016數(shù)據(jù)集作為仿真對(duì)象，數(shù)據(jù)集包括拒絕攻擊(DoS)、未授權(quán)遠(yuǎn)程訪問(wèn)(Probe)、掃描與探測(cè)(R2L)以及對(duì)本地用戶(hù)非法訪問(wèn)(R2R)4種攻擊方式，其余數(shù)據(jù)為正常數(shù)據(jù)。實(shí)驗(yàn)采用Intel奔騰43.0CPU、內(nèi)存為2 G的計(jì)算機(jī)上進(jìn)行，在Matlab2016上進(jìn)行編程實(shí)現(xiàn)。

為了使檢測(cè)結(jié)果更具有說(shuō)服力，在相同的實(shí)驗(yàn)下與相同的數(shù)據(jù)集進(jìn)行對(duì)比實(shí)驗(yàn)，在實(shí)驗(yàn)中主要對(duì)文獻(xiàn)[8]給出的遺傳算法和文獻(xiàn)[9]給出的方法和本文方法進(jìn)行特征選擇時(shí)的性能差異。在測(cè)試實(shí)驗(yàn)中選取100次運(yùn)行的平均值作為性能差異對(duì)比結(jié)果。

利用下述公式計(jì)算檢測(cè)率：

WA=NBce/NBei×100%

(19)

利用下述公式計(jì)算漏檢率：

CN=BAsd/BAfg×100%

(20)

其中:NBce表示網(wǎng)絡(luò)入侵?jǐn)?shù)據(jù)次數(shù)、NBei表示網(wǎng)絡(luò)入侵異常次數(shù)、BAsd表示網(wǎng)絡(luò)入侵漏檢次數(shù)、BAfg表示網(wǎng)絡(luò)入侵全部次數(shù)。

表1 不同方法性能對(duì)比

圖1 不同方法的檢測(cè)率(%)

從表1和圖1 可看出，本文提出的基于特征選擇的網(wǎng)絡(luò)入侵檢測(cè)方法與文獻(xiàn)[8]中給出的遺傳算法和文獻(xiàn)[9]中給出方法相比較，在檢測(cè)時(shí)間方面，本文方法的時(shí)間最少、表現(xiàn)最好，網(wǎng)絡(luò)入侵的檢測(cè)率明顯高于文獻(xiàn)[8]和文獻(xiàn)[9]兩種方法，區(qū)別很明顯，能看出本文的方法能更有效地對(duì)網(wǎng)絡(luò)數(shù)據(jù)進(jìn)行精簡(jiǎn)，在檢測(cè)的時(shí)間以及檢測(cè)的準(zhǔn)確性方面的表現(xiàn)明顯優(yōu)于文獻(xiàn)[8]和文獻(xiàn)[9]中的方法，能有效地解決網(wǎng)絡(luò)入侵檢測(cè)特征選擇存在的問(wèn)題，保證較高的準(zhǔn)確率。

圖2 不同方法的網(wǎng)絡(luò)入侵適應(yīng)度對(duì)比

由圖2可知，文獻(xiàn)[8]中給出的遺傳算法的適應(yīng)度較差，雖然浮動(dòng)很均勻，但隨著數(shù)據(jù)數(shù)目的增加，適應(yīng)度越來(lái)越低，文獻(xiàn)[9]給出的方法雖然比文獻(xiàn)[8]的適應(yīng)度會(huì)高一些，但總體來(lái)說(shuō)可行性較差，本文所提方法的適應(yīng)度較強(qiáng)，隨著數(shù)據(jù)數(shù)目的增加適應(yīng)度也越來(lái)越高，雖然也略有波動(dòng)，但和文獻(xiàn)[8]、文獻(xiàn)[9]相比，本文方法的網(wǎng)絡(luò)入侵檢測(cè)的適應(yīng)度較高。

圖3 不同方法的數(shù)據(jù)漏檢率(%)對(duì)比

由圖3可看出文獻(xiàn)[8]給出方法的漏檢率隨著數(shù)據(jù)數(shù)目的增加，漏檢率越來(lái)越高，那么該方法檢測(cè)的準(zhǔn)確性就會(huì)降低，文獻(xiàn)[9]給出方法的漏檢率相對(duì)于文獻(xiàn)[8]較低，但隨著數(shù)據(jù)數(shù)目的增加，漏檢率也在逐漸的提高，由此看出文獻(xiàn)[8]和文獻(xiàn)[9]給出的方法可行性較低，而本文方法隨著數(shù)據(jù)數(shù)目的增加漏檢率越來(lái)越低，由此可說(shuō)明本文方法的準(zhǔn)確性較高。

仿真實(shí)驗(yàn)表明，本文所提方法能有效地提高對(duì)網(wǎng)絡(luò)入侵行為進(jìn)行檢測(cè)，并且保證了入侵檢測(cè)的準(zhǔn)確率。

3 結(jié)論

采用遺傳算法找出網(wǎng)絡(luò)入侵的特征子集，再利用粒子群算法進(jìn)行進(jìn)一步選擇，找出最優(yōu)的特征子集，最后利用極限學(xué)習(xí)機(jī)對(duì)網(wǎng)絡(luò)入侵進(jìn)行分類(lèi)，但該方法準(zhǔn)確性較低。為此，提出一種基于征選擇的網(wǎng)絡(luò)入侵檢測(cè)模型研究方法。并通過(guò)實(shí)驗(yàn)證明，本文所提方法能有效地提高特征選擇的網(wǎng)絡(luò)入侵檢測(cè)模型的準(zhǔn)確性，具有廣泛的實(shí)用價(jià)值。

[1] 唐成華,劉鵬程,湯申生,等.基于特征選擇的模糊聚類(lèi)異常入侵行為檢測(cè)[J].計(jì)算機(jī)研究與發(fā)展,2015,52(3):718-728.

[2] 張 拓,王建平.基于CQPSO-LSSVM的網(wǎng)絡(luò)入侵檢測(cè)模型[J].計(jì)算機(jī)工程與應(yīng)用,2015,51(2):113-116.

[3] 劉白璐,楊雅輝,沈晴霓.一種基于遺傳算法的入侵早期特征選擇方法[J].小型微型計(jì)算機(jī)系統(tǒng),2015,36(1):111-115.

[4] 黃春虎,努爾布力,解男男,等.基于Re-FCBF的入侵特征選擇算法研究[J].激光雜志,2016,37(1):103-107.

[5] 唐 喆,曹旭東.網(wǎng)頁(yè)分類(lèi)中特征選擇方法的研究[J].電子設(shè)計(jì)工程,2016,24(5):120-122.

[6] 武小年,彭小金,楊宇洋,等.入侵檢測(cè)中基于SVM的兩級(jí)特征選擇方法[J].通信學(xué)報(bào),2015,36(4):19-26.

[7] 姜 宏,陳庶樵,扈紅超,等.基于GAIG特征選擇算法的輕量化DDoS攻擊檢測(cè)方法[J].計(jì)算機(jī)應(yīng)用研究,2016,33(2):502-506.

[8] 黃 亮,吳 帥,譚國(guó)律,等.基于EPSO-RVM的網(wǎng)絡(luò)入侵檢測(cè)模型[J].計(jì)算機(jī)工程與應(yīng)用,2015,51(3):85-88.

[9] 梁 辰,李成海,周來(lái)恩.PCA-BP神經(jīng)網(wǎng)絡(luò)入侵檢測(cè)方法[J].空軍工程大學(xué)學(xué)報(bào):自然科學(xué)版,2016,17(6):93-98.

[10] 余文利,余建軍,方建文.一種新的基于KPCA和改進(jìn)ε-SVM的入侵檢測(cè)模型[J].計(jì)算機(jī)工程與應(yīng)用,2015,51(11):93-98.

Network Intrusion Model Based on Feature Selection Research

Li Wen

(Department of information Engineering, Guangdong Polytechnic of Science and Trade,Guangzhou 510640,China)

In order to effectively extract features from the malicious data collected to analyze, security network system security and stability, the need for network intrusion detection model is studied. But the current approach is to use genetic algorithm to find out the characteristics of the network intrusion subset of recycled for further selection of particle swarm optimization (pso), find out the optimal feature subset, finally using extreme learning machine classifying network intrusion, but this method has the problem of accuracy is low. Therefore, proposes a network intrusion detection methods based on feature selection. This method firstly in order to enhance optimal performance as the goal to feature selection of network intrusion detection, combined with analysis of characteristics of feature selection using the attributes of the Fisher than feature subset evaluation function is constructed, and combining with the feature subset of calculated results of evaluation function for support vector machine (SVM) to network intrusion detection based on feature selection methods. Simulation experiments show that support vector machine (SVM) is used to analyse the network intrusion detection can effectively improve the accuracy of the speed of intrusion detection and intrusion detection.

mobile application platform; Network security; Assessment

2017-04-15；

2017-04-26。

醫(yī)學(xué)院校課程考試與學(xué)業(yè)評(píng)價(jià)管理通用系統(tǒng)的改革與研究(桂教科研[2003]22號(hào))。

李 文(1963-)，男，廣西欽州人，碩士研究生，副教授，主要從事計(jì)算機(jī)網(wǎng)絡(luò)應(yīng)用、軟件應(yīng)用、網(wǎng)絡(luò)安全、大數(shù)據(jù)、云安全、軟件開(kāi)發(fā)等方向的研究。

1671-4598(2017)08-0214-04

10.16526/j.cnki.11-4762/tp.2017.08.055

TP393

A