基于多模式匹配算法的網(wǎng)絡(luò)安全入侵檢測系統(tǒng)設(shè)計(jì)

董良杰

（安徽城市管理職業(yè)學(xué)院實(shí)驗(yàn)實(shí)訓(xùn)中心，安徽 合肥230000）

0 引言

隨著光纖通信技術(shù)的發(fā)展，采用遷移學(xué)習(xí)式多模光纖通信技術(shù)進(jìn)行網(wǎng)絡(luò)數(shù)據(jù)傳輸，提高網(wǎng)絡(luò)傳輸?shù)姆€(wěn)定性和可靠性，在進(jìn)行遷移學(xué)習(xí)式多模光纖網(wǎng)絡(luò)通信過程中，受到網(wǎng)絡(luò)通信環(huán)境因素的影響，導(dǎo)致遷移學(xué)習(xí)式多模光纖網(wǎng)絡(luò)通信容易受到攻擊，需要進(jìn)行遷移學(xué)習(xí)式多模光纖網(wǎng)絡(luò)通信的入侵檢測設(shè)計(jì)［1]，構(gòu)建遷移學(xué)習(xí)式多模光纖網(wǎng)絡(luò)入侵檢測模型，結(jié)合病毒入侵的嵌入式檢測技術(shù)，進(jìn)行遷移學(xué)習(xí)式多模光纖網(wǎng)絡(luò)通信的病毒入侵檢測，提高網(wǎng)絡(luò)通信穩(wěn)定性［2]，相關(guān)的遷移學(xué)習(xí)式多模光纖網(wǎng)絡(luò)的病毒入侵檢測方法在網(wǎng)絡(luò)安全設(shè)計(jì)中具有重要意義.本文提出基于多模式匹配算法的網(wǎng)絡(luò)安全入侵檢測方法.構(gòu)建遷移學(xué)習(xí)式多模光纖網(wǎng)絡(luò)入侵序列統(tǒng)計(jì)分析模型，提取遷移學(xué)習(xí)式多模光纖網(wǎng)絡(luò)入侵信號的關(guān)聯(lián)特征量，采用譜分析方法，實(shí)現(xiàn)對遷移學(xué)習(xí)式多模光纖網(wǎng)絡(luò)的多模式入侵序列特征匹配，實(shí)現(xiàn)基于多模式匹配算法的網(wǎng)絡(luò)安全入侵檢測，最后進(jìn)行仿真測試分析，得出有效性結(jié)論.

1 入侵大數(shù)據(jù)采樣和特征分析

1.1 遷移學(xué)習(xí)式多模光纖網(wǎng)絡(luò)入侵大數(shù)據(jù)采樣 為了實(shí)現(xiàn)對遷移學(xué)習(xí)式多模光纖網(wǎng)絡(luò)入侵檢測，首先構(gòu)建遷移學(xué)習(xí)式多模光纖網(wǎng)絡(luò)入侵的大數(shù)據(jù)分析模型，采用大數(shù)據(jù)挖掘和信息融合方法，進(jìn)行遷移學(xué)習(xí)式多模光纖網(wǎng)絡(luò)入侵的可靠性檢測和特征提取［3]，結(jié)合干擾濾波方法，進(jìn)行遷移學(xué)習(xí)式多模光纖網(wǎng)絡(luò)入侵的有效檢測，構(gòu)建遷移學(xué)習(xí)式多模光纖網(wǎng)絡(luò)入侵節(jié)點(diǎn)分布模型，如圖1所示.

采用空間欠采樣方法進(jìn)行遷移學(xué)習(xí)式多模光纖網(wǎng)絡(luò)入侵大數(shù)據(jù)采樣，假設(shè)在高負(fù)載網(wǎng)絡(luò)通信環(huán)境下遷移學(xué)習(xí)式多模光纖網(wǎng)絡(luò)的傳輸數(shù)據(jù)集構(gòu)建遷移學(xué)習(xí)式多模光纖網(wǎng)絡(luò)的拓?fù)浣Y(jié)構(gòu)模型，采用SN、sink作為隨機(jī)采樣節(jié)點(diǎn)，在跳數(shù)d×L的控制下，進(jìn)行遷移學(xué)習(xí)式多模光纖網(wǎng)絡(luò)的輸出轉(zhuǎn)換控制［4]，構(gòu)建遷移學(xué)習(xí)式多模光纖網(wǎng)絡(luò)的入侵節(jié)點(diǎn)采樣模型，得到遷移學(xué)習(xí)式多模光纖網(wǎng)絡(luò)入侵的圖模型G(A)、G(B)，在惡意入侵環(huán)境下遷移學(xué)習(xí)式多模光纖網(wǎng)絡(luò)的錨點(diǎn)為＜x,y＞，以A、B作為遷移學(xué)習(xí)式多模光纖網(wǎng)絡(luò)入侵的根節(jié)點(diǎn)，得到網(wǎng)絡(luò)入侵信息分布的有向圖模型滿足(u,v)∈E，構(gòu)建遷移學(xué)習(xí)式多模光纖網(wǎng)絡(luò)入侵大數(shù)據(jù)采樣的子空間重構(gòu)模型［5]，得到遷移學(xué)習(xí)式多模光纖網(wǎng)絡(luò)入侵檢測的尋優(yōu)參數(shù)Φ，Ω，Λ 分別為：

根據(jù)上述統(tǒng)計(jì)分析結(jié)果，計(jì)算遷移學(xué)習(xí)式多模光纖網(wǎng)絡(luò)空間分布的簇首節(jié)點(diǎn)模型，在初始狀態(tài)尋優(yōu)控制下，進(jìn)行遷移學(xué)習(xí)式多模光纖網(wǎng)絡(luò)入侵大數(shù)據(jù)采樣［6].

1.2 網(wǎng)絡(luò)入侵特征分析

在遷移學(xué)習(xí)式多模光纖網(wǎng)絡(luò)入侵?jǐn)?shù)據(jù)信源分布域中提取網(wǎng)絡(luò)入侵的信息特征參數(shù)，采用圖2所示的網(wǎng)絡(luò)拓?fù)浣Y(jié)果進(jìn)行網(wǎng)絡(luò)入侵檢測，構(gòu)建遷移學(xué)習(xí)式多模光纖網(wǎng)絡(luò)的多維空間拓?fù)浣Y(jié)構(gòu)模型.

為了實(shí)現(xiàn)對遷移學(xué)習(xí)式多模光纖網(wǎng)絡(luò)入侵?jǐn)?shù)據(jù)的有效檢測，采用向量量化分解方法進(jìn)行遷移學(xué)習(xí)式多?？刂?，采用分組量化尋優(yōu)檢測方法，進(jìn)行遷移學(xué)習(xí)式網(wǎng)絡(luò)的安全入侵檢測［7]，建立遷移學(xué)習(xí)式多模光纖網(wǎng)絡(luò)的信息傳輸鏈路模型，采用傳輸鏈路均衡控制方法，得到遷移學(xué)習(xí)式多模光纖網(wǎng)絡(luò)入侵檢測的統(tǒng)計(jì)特征信息：

設(shè)a(t)為遷移學(xué)習(xí)式多模光纖網(wǎng)絡(luò)入侵信號的包絡(luò)幅值，結(jié)合波束空域集成方法，進(jìn)行遷移學(xué)習(xí)式多模光纖網(wǎng)絡(luò)入侵信號的衰減抑制，當(dāng)滿足0 ≤m,n≤P-1，結(jié)合量化尋優(yōu)方法，進(jìn)行遷移學(xué)習(xí)式多模光纖網(wǎng)絡(luò)的模糊約束控制，得到輸出統(tǒng)計(jì)特征量為：

其中，A是一個(gè)維數(shù)為P×L的遷移學(xué)習(xí)式多模光纖網(wǎng)絡(luò)入侵信號分量，采用模糊約束方法進(jìn)行遷移學(xué)習(xí)式多模光纖網(wǎng)絡(luò)入侵檢測的參數(shù)融合，構(gòu)建網(wǎng)絡(luò)入侵的統(tǒng)計(jì)特征量，采用判決反饋調(diào)節(jié)方法進(jìn)行遷移學(xué)習(xí)式多模光纖網(wǎng)絡(luò)入侵信號的特征匹配和信息挖掘.

2 入侵檢測優(yōu)化

2.1 入侵特征提取

在構(gòu)建遷移學(xué)習(xí)式多模光纖網(wǎng)絡(luò)入侵序列統(tǒng)計(jì)分析模型的基礎(chǔ)上，進(jìn)行遷移學(xué)習(xí)式多模光纖網(wǎng)絡(luò)入侵檢測，本文提出基于多模式匹配算法的網(wǎng)絡(luò)安全入侵檢測方法.在多模式匹配算法下，得到遷移學(xué)習(xí)式多模光纖網(wǎng)絡(luò)入侵特征分布空間中的第i列矢量可表示為：

采用深度學(xué)習(xí)的方法，進(jìn)行遷移學(xué)習(xí)式多模光纖網(wǎng)絡(luò)入侵?jǐn)?shù)據(jù)融合處理，x（t）表示遷移學(xué)習(xí)式多模光纖網(wǎng)絡(luò)入侵?jǐn)?shù)據(jù)的矢量，則：

從我院選取的350名經(jīng)過CT檢查確認(rèn)腦出血且有高血壓病史的患者,其中有180例男性,女性170例;年齡都在36-81歲之間,平均年齡為64.5歲,其中年齡大于60歲的有174例,60-70歲有124例,年齡大于70歲的53例。這些患者的出血量均大于15ml。單側(cè)瞳孔放大69例,雙側(cè)瞳孔放大有19例。

其中：

其中，1 ≤i≤I，遷移學(xué)習(xí)式多模光纖分布式入侵序列s（t）的第i列向量a(θi,ri)稱為信源i在入侵方向上的特征分布向量.結(jié)合模糊向量特征分解方法，進(jìn)行遷移學(xué)習(xí)式多模光纖網(wǎng)絡(luò)入侵特征提?。?].

2.2 入侵檢測的多模式匹配優(yōu)化

提取遷移學(xué)習(xí)式多模光纖網(wǎng)絡(luò)入侵信號的關(guān)聯(lián)特征量，采用譜分析方法，實(shí)現(xiàn)對遷移學(xué)習(xí)式多模光纖網(wǎng)絡(luò)的多模式入侵序列特征匹配，遷移學(xué)習(xí)式多模光纖網(wǎng)絡(luò)入侵源的節(jié)點(diǎn)分布距離為：

如果x1（t）和x2（t）表示遷移學(xué)習(xí)式多模光纖網(wǎng)絡(luò)的固有模態(tài)特征分量，則有：

式中，ε1（t）為方差為的關(guān)聯(lián)特征分布集，ε2（t）為方差為的高斯白噪聲.采用多模式匹配算法，進(jìn)行遷移學(xué)習(xí)式多模光纖網(wǎng)絡(luò)入侵檢測中的收斂性控制，構(gòu)建檢測統(tǒng)計(jì)判決算式：

采用多模式匹配方法，得到遷移學(xué)習(xí)式多模光纖網(wǎng)絡(luò)入侵檢測的統(tǒng)計(jì)分析過程，表示為：

3 系統(tǒng)的軟件開發(fā)設(shè)計(jì)

以SQLServer數(shù)據(jù)庫作為遷移學(xué)習(xí)式多模光纖網(wǎng)絡(luò)入侵?jǐn)?shù)據(jù)檢測模塊的數(shù)據(jù)管理引擎，采用Revit軟件進(jìn)行遷移學(xué)習(xí)式多模光纖網(wǎng)絡(luò)入侵?jǐn)?shù)據(jù)檢測系統(tǒng)的檢測模塊開發(fā)設(shè)計(jì)，在Visual DSP＋＋4.5開發(fā)平臺中進(jìn)行入侵檢測系統(tǒng)的軟件開發(fā)設(shè)計(jì)，基于多模式匹配算法的網(wǎng)絡(luò)安全入侵檢測系統(tǒng)的總體構(gòu)架如圖3所示.

以ADSP-BF537作為核心處理器進(jìn)行遷移學(xué)習(xí)式多模光纖網(wǎng)絡(luò)入侵?jǐn)?shù)據(jù)檢測系統(tǒng)的總線開發(fā)設(shè)計(jì)，采用ISA/EISA 擴(kuò)充總線進(jìn)行遷移學(xué)習(xí)式多模光纖網(wǎng)絡(luò)入侵信息檢測，實(shí)現(xiàn)網(wǎng)絡(luò)入侵安全檢測系統(tǒng)的優(yōu)化開發(fā)設(shè)計(jì).

4 仿真實(shí)驗(yàn)與結(jié)果分析

為了驗(yàn)證本文方法在實(shí)現(xiàn)遷移學(xué)習(xí)式多模光纖網(wǎng)絡(luò)入侵安全檢測中的應(yīng)用性能，進(jìn)行仿真測試，實(shí)驗(yàn)采用Matlab 設(shè)計(jì)，多模光纖網(wǎng)絡(luò)入侵的時(shí)寬0.01 s，相對帶寬0.48 Bps，原始的入侵信息采樣的長度為1200，采樣頻率為120 kHz，根據(jù)上述參數(shù)設(shè)定，進(jìn)行遷移學(xué)習(xí)式多模光纖網(wǎng)絡(luò)入侵檢測仿真，得到原始數(shù)據(jù)的入侵序列及特征提取輸出如圖4所示.

分析圖4可知，網(wǎng)絡(luò)入侵序列及譜特征的提取結(jié)果，以上述傳輸序列為研究對象，進(jìn)行入侵檢測，得到遷移學(xué)習(xí)式多模光纖網(wǎng)絡(luò)入侵檢測輸出如圖5所示.

分析圖5 可知，本文方法檢測到的入侵?jǐn)?shù)據(jù)幅值與實(shí)際入侵幅值大小相仿，而EMD 檢測方法檢測到的幅值與實(shí)際幅值略有偏差，由此可知，本文方法進(jìn)行網(wǎng)絡(luò)安全入侵檢測的準(zhǔn)確性較高，特征分辨能力較好.

為深入分析本文方法的應(yīng)用性能，本文將進(jìn)行方法的抗攻擊性能檢測.該實(shí)驗(yàn)將分別向本文系統(tǒng)與EMD系統(tǒng)中輸入大小為256 MB的攻擊信息，輸入后檢測兩個(gè)系統(tǒng)中留有的攻擊數(shù)據(jù)大小，為避免得到主觀性結(jié)果，設(shè)置檢測次數(shù)為5次，實(shí)驗(yàn)結(jié)果如表1所示.

表1 不同方法的抗攻擊性能檢測Tab. 1 Anti-attack performance testing of different methods

分析表1可知，本文系統(tǒng)中存留攻擊數(shù)據(jù)大小一定程度上低于EMD系統(tǒng)，故本文具有較好的抗攻擊能力.這是由于本文分析了遷移學(xué)習(xí)式多模光纖網(wǎng)絡(luò)入侵特征分布空間矢量，得到入侵序列矩陣的特征分布向量，通過對入侵序列矩陣特征的研究，獲取入侵源信息，向網(wǎng)絡(luò)系統(tǒng)發(fā)送警報(bào)信號，拒絕該類信息的訪問，以此提升本文方法的抗攻擊性能.

5 結(jié)語

本文提出基于多模式匹配算法的網(wǎng)絡(luò)安全入侵檢測方法.分析得知，本文方法進(jìn)行遷移學(xué)習(xí)式多模光纖網(wǎng)絡(luò)入侵檢測的準(zhǔn)確概率較高，抗攻擊能力較強(qiáng)，具有較好的網(wǎng)絡(luò)入侵信息挖掘和特征辨識能力，提高網(wǎng)絡(luò)的安全性.