基于分布式數(shù)據(jù)流的大數(shù)據(jù)信息安全評(píng)估平臺(tái)研究

潘錦鋒，胡小琴

(泉州信息工程學(xué)院 軟件學(xué)院，福建 泉州 362000)

隨著網(wǎng)絡(luò)信息技術(shù)的發(fā)展，對(duì)網(wǎng)絡(luò)信息平臺(tái)分布式數(shù)據(jù)流的安全性提出更高的要求，需要構(gòu)建優(yōu)化的分布式大數(shù)據(jù)流大信息安全評(píng)估平臺(tái)，結(jié)合對(duì)分布式大數(shù)據(jù)流大信息安全特征融合和模糊信息聚類分析的方法，實(shí)現(xiàn)對(duì)分布式大數(shù)據(jù)流大信息安全評(píng)估和融合調(diào)度，提高分布式大數(shù)據(jù)流大信息安全性，在大數(shù)據(jù)分布式融合背景下，通過分析分布式大數(shù)據(jù)流大信息安全評(píng)估平臺(tái)的融合特征量，通過自相關(guān)特征分析和統(tǒng)計(jì)信息評(píng)估，實(shí)現(xiàn)對(duì)分布式大數(shù)據(jù)流大信息安全評(píng)估平臺(tái)設(shè)計(jì)[1]。

傳統(tǒng)方法中，分布式大數(shù)據(jù)流大信息安全評(píng)估方法主要有基于模糊度融合的高效頻繁集分布式數(shù)據(jù)流安全性評(píng)估方法、基于線性相關(guān)性特征分析的分布式數(shù)據(jù)流評(píng)估方法等[2-4]，采用平衡度測(cè)量的方法進(jìn)行高效頻繁集分布式數(shù)據(jù)流安全性的模糊性控制，提取高效頻繁集分布式數(shù)據(jù)流安全性管理參數(shù)，通過規(guī)則性調(diào)度方法實(shí)現(xiàn)高效頻繁集分布式數(shù)據(jù)流安全性評(píng)估，但傳統(tǒng)方法進(jìn)行分布式大數(shù)據(jù)流大信息評(píng)估的自適應(yīng)性不好，特征辨識(shí)度不高[5-6]。針對(duì)上述問題，提出基于分布式數(shù)據(jù)流的大數(shù)據(jù)信息安全評(píng)估平臺(tái)。首先構(gòu)建大數(shù)據(jù)信息安全評(píng)估的數(shù)據(jù)結(jié)構(gòu)融合模型，實(shí)現(xiàn)對(duì)分布式數(shù)據(jù)流的頻繁集挖掘，根據(jù)數(shù)據(jù)的特征屬性值來確定大數(shù)據(jù)信息記錄的位置，提取分布式數(shù)據(jù)流的候選集、事務(wù)集，對(duì)大數(shù)據(jù)信息進(jìn)行安全評(píng)估。最后進(jìn)行仿真測(cè)試分析，展示了本文方法在提高大數(shù)據(jù)信息安全評(píng)估能力方面的優(yōu)越性能。

1 高效頻繁集分布式數(shù)據(jù)流融合分析

1.1 大數(shù)據(jù)信息安全評(píng)估的數(shù)據(jù)結(jié)構(gòu)分析

為了實(shí)現(xiàn)基于分布式數(shù)據(jù)流的大數(shù)據(jù)信息安全評(píng)估平臺(tái)設(shè)計(jì)，需要構(gòu)建大數(shù)據(jù)信息安全評(píng)估的統(tǒng)計(jì)分析模型，結(jié)合頻繁項(xiàng)集特征分析，得到高效頻繁集分布式數(shù)據(jù)流融合的狀態(tài)空間分布集，在候選集支持度學(xué)習(xí)下，得到大數(shù)據(jù)信息安全評(píng)估的約束參數(shù)集，通過添加存儲(chǔ)集合元素，得到頻繁集挖掘的約束方法，得到高效頻繁集分布式數(shù)據(jù)流的節(jié)點(diǎn)異構(gòu)模型[6]，通過共享資源調(diào)度和關(guān)聯(lián)融合的方法，得到數(shù)據(jù)集中迭代挖掘模式下高效頻繁集分布式數(shù)據(jù)流的傳輸模型為：

f(x)=sgn(σ1,σ2,σr)∈X

(1)

其中，(σ1,σ2,σr)∈X表示高效頻繁集分布式數(shù)據(jù)流的線性融合分布特征量，σ1、σ2、σr分別表示評(píng)估約束、存儲(chǔ)約束以及挖掘約束。采用決策性融合的方法，得到高效頻繁集分布式數(shù)據(jù)流線性加權(quán)融合聚類的決策模型描述為一個(gè)具有n個(gè)輸入和m個(gè)輸出的多維信道均衡控制模型，采用線性加權(quán)控制的方法，得到高效頻繁集分布式數(shù)據(jù)流的關(guān)聯(lián)維分布矩陣形式：

φα=x{Xn,Yn-τ,Xn-2τ}×f(x)

(2)

其中，{Xn,Yn-τ,Xn-2τ}表示高效頻繁集分布式數(shù)據(jù)流的Hash融合向量，采用信息聚類和融合的方法，構(gòu)建高效頻繁集分布式數(shù)據(jù)流的可靠性融合度參數(shù)，得到高效頻繁集分布式數(shù)據(jù)流的自適應(yīng)調(diào)度模型[7]。在該模型基礎(chǔ)上，輸出的像素值是核窗口內(nèi)像素值的均值(所有像素的加權(quán)系數(shù)相等)，其中，歸一化就是把要處理的量都縮放到一個(gè)范圍內(nèi)，比如(0，1)，以便統(tǒng)一處理和直觀量化，得到高效頻繁集分布式數(shù)據(jù)融合的線性濾波輸出為：

(3)

其中，λ、μ分別表示空間匹配和自適應(yīng)特征向量，r表示高效頻繁集分布式數(shù)據(jù)流重復(fù)信息刪除模型，根據(jù)高效頻繁集分布式數(shù)據(jù)流重復(fù)信息，得到數(shù)據(jù)結(jié)構(gòu)分析模型為：

(4)

其中，Kψ+η表示高效頻繁集分布式數(shù)據(jù)流的信息融合模型，根據(jù)信息融合結(jié)果實(shí)現(xiàn)對(duì)大數(shù)據(jù)信息的安全評(píng)估[8]。

1.2 高效頻繁集分布式數(shù)據(jù)流特征分析

采用閉頻繁項(xiàng)特征融合的方法，實(shí)現(xiàn)對(duì)分布式數(shù)據(jù)流的頻繁集挖掘，結(jié)合關(guān)聯(lián)規(guī)則挖掘和結(jié)構(gòu)化數(shù)據(jù)檢測(cè)的方法[9]，得到高效頻繁集分布式數(shù)據(jù)流傳輸?shù)哪：隣顟B(tài)特征分布集為：

(5)

在優(yōu)化支持度下，結(jié)合空間信息均衡和反饋調(diào)節(jié)，得到高效頻繁集分布式數(shù)據(jù)流安全性評(píng)估的多源信息融合分布結(jié)果為：

s(f)|=c(v)+[s1,s2,sK]n

(6)

其中，[s1,s2,sK]n表示頻繁集的事務(wù)特征分析，得到高效頻繁集分布式數(shù)據(jù)流安全性評(píng)估的融合聚類參數(shù)，在t時(shí)刻得到高效頻繁集分布式數(shù)據(jù)流安全性融合的狀態(tài)特征分解函數(shù)為：

Pi(t)=s(f)|+(t-8ui)e

(7)

其中，(t-8ui)e表示高效頻繁集分布式數(shù)據(jù)流安全性融合的幅度,提取高效頻繁集分布式數(shù)據(jù)流安全性管理參數(shù)，在波動(dòng)頻次分布的子空間中，得到高效頻繁集分布式數(shù)據(jù)流安全性分布的目標(biāo)函數(shù)：

(8)

結(jié)合貝葉斯估計(jì)的方法，得到高效頻繁集分布式數(shù)據(jù)流安全性評(píng)估的自相關(guān)檢測(cè)模型，將兩個(gè)聚類合并程度函數(shù)H(C1,C2)當(dāng)做兩類合并的判斷依據(jù)，利用邊界點(diǎn)與各類中具有點(diǎn)數(shù)的熵值構(gòu)建算法模型：

(9)

公式中c1與c2分別表示C1、C2中包含的點(diǎn)數(shù)量，c代表C1、C2中具有的邊界點(diǎn)數(shù)量，如果邊界點(diǎn)數(shù)量是零，則合并程度函數(shù)值是+∞。

通過頻繁項(xiàng)目挖掘和關(guān)聯(lián)性分析，得到高效頻繁集分布式數(shù)據(jù)流的特征分析模型為：

(10)

其中，b2-y2表示數(shù)據(jù)集挖掘的特征集。根據(jù)上述分析，構(gòu)建了高效頻繁集分布式數(shù)據(jù)流特征融合模型，提高了數(shù)據(jù)的安全評(píng)估性[10]。

2 大數(shù)據(jù)信息安全評(píng)估平臺(tái)優(yōu)化

2.1 大數(shù)據(jù)信息安全評(píng)估特征檢測(cè)

采用閉頻繁項(xiàng)特征融合的方法，實(shí)現(xiàn)對(duì)分布式數(shù)據(jù)流的頻繁集挖掘，結(jié)合關(guān)聯(lián)規(guī)則挖掘和結(jié)構(gòu)化數(shù)據(jù)檢測(cè)的方法，在云融合調(diào)度模型下，構(gòu)建高效頻繁集約束的分布式數(shù)據(jù)流的自適應(yīng)調(diào)度和信息特征采樣[11]，建立高效頻繁集分布式數(shù)據(jù)流的分集均衡調(diào)度集，得到頻繁集分布式數(shù)據(jù)流的傳輸增益為：

(11)

其中x1+x2表示高效頻繁集分布式數(shù)據(jù)流的融合長(zhǎng)度，Z為數(shù)據(jù)流安全性管理參數(shù)。根據(jù)高效頻繁集分布式數(shù)據(jù)流的重復(fù)信息檢測(cè)結(jié)果，通過空間均衡濾波檢測(cè)，得到高效頻繁集分布式數(shù)據(jù)流的融合參數(shù)模型

(12)

(13)

(14)

其中，VS-VCE表示高效頻繁集分布式數(shù)據(jù)。采用線性相關(guān)性融合的方法，構(gòu)建高效頻繁集分布式數(shù)據(jù)流解析模型，得到頻繁集的安全評(píng)估方程為：

(15)

其中，xi-yi表示高效頻繁集分布式的數(shù)據(jù)流，根據(jù)互相關(guān)融合結(jié)果，實(shí)現(xiàn)對(duì)大數(shù)據(jù)信息的安全評(píng)估和模糊特征檢測(cè)[12]。

2.2 數(shù)據(jù)信息安全評(píng)估優(yōu)輸出

通過模糊信息空間聚類和特征分布式融合的方法，將數(shù)據(jù)集加載到數(shù)據(jù)聚類中心，根據(jù)數(shù)據(jù)的特征屬性值來確定大數(shù)據(jù)信息記錄的位置，采用高效頻繁集分布式數(shù)據(jù)流抗干擾融合模型，得頻繁集分布式數(shù)據(jù)流安全信息評(píng)估梯度信息分量和誤差：

Δx=ta+F(z)

(16)

結(jié)合分組樣本檢測(cè)的方法，得到高效頻繁集分布式數(shù)據(jù)流的安全評(píng)估參數(shù)集、事務(wù)集合的交集，隨著數(shù)據(jù)集復(fù)制倍數(shù)的增大，倍數(shù)增加至3倍，得到高效頻繁集分布式數(shù)據(jù)流的傳輸特征量：

(17)

其中，Ro-Io表示高效頻繁集分布式數(shù)據(jù)流的安全評(píng)估參數(shù)，得到頻繁集分布式數(shù)據(jù)流的線性相關(guān)性融合輸出。根據(jù)梯度信息特征分解的方法，得到高效頻繁集分布式數(shù)據(jù)流信息評(píng)估的迭代學(xué)習(xí)算子為：

(18)

采用關(guān)聯(lián)規(guī)則算法構(gòu)建高效頻繁集分布式數(shù)據(jù)流濾波的自適應(yīng)學(xué)習(xí)模型，提高高效頻繁集分布式數(shù)據(jù)流的信息飽和度，得到高效頻繁集分布式數(shù)據(jù)信息分布的衰減特征量為：

(19)

其中，a2+b2表示高效頻繁集分布式數(shù)據(jù)流的衰減關(guān)聯(lián)系數(shù)和時(shí)間延遲，根據(jù)數(shù)據(jù)的特征屬性值來確定大數(shù)據(jù)信息記錄的位置，提取分布式數(shù)據(jù)流的候選集、事務(wù)集，根據(jù)屬性集分布實(shí)現(xiàn)對(duì)大數(shù)據(jù)信息安全評(píng)估，得到安全評(píng)估輸出的優(yōu)化函數(shù)為：

(20)

其中，U0為自適應(yīng)權(quán)重分布融合調(diào)度的方法，采用高效頻繁集分布式數(shù)據(jù)流的模糊關(guān)聯(lián)映射特征量，得到高效頻繁集分布式數(shù)據(jù)流重復(fù)信息的濾波模型，實(shí)現(xiàn)安全評(píng)估平臺(tái)的優(yōu)化設(shè)計(jì)。

3 仿真測(cè)試分析

為驗(yàn)證本方法的應(yīng)用性能，進(jìn)行仿真測(cè)試分析，將分布式數(shù)據(jù)流的測(cè)試樣本設(shè)定為BMSWebView 數(shù)據(jù)集，測(cè)試樣本數(shù)為2000，分布式數(shù)據(jù)流訓(xùn)練樣本數(shù)為120，訓(xùn)練迭代數(shù)為500，構(gòu)建大數(shù)據(jù)信息安全評(píng)估模型，測(cè)試不同方法安全評(píng)估的傳輸加速比，將文獻(xiàn)[4]與文獻(xiàn)[6]作為對(duì)比方法，得到大數(shù)據(jù)信息安全傳輸加速比的對(duì)比結(jié)果(見圖1)。

大數(shù)據(jù)信息安全傳輸加速比對(duì)比分析得知，本方法進(jìn)行大數(shù)據(jù)信息安全評(píng)估，提高了數(shù)據(jù)傳輸?shù)募铀俦?，主要原因在于采用高效頻繁集分布式數(shù)據(jù)流抗干擾融合模型，算法執(zhí)行時(shí)不必使用速度較慢的內(nèi)存，存儲(chǔ)器讀寫時(shí)間能大幅降低，提高了傳輸加速比。測(cè)試不同方法進(jìn)行大數(shù)據(jù)信息安全評(píng)估的時(shí)間開銷，得到的對(duì)比結(jié)果如圖2所示。

圖1 傳輸加速比 圖2 時(shí)間開銷對(duì)比

進(jìn)行大數(shù)據(jù)信息安全評(píng)估，降低了數(shù)據(jù)傳輸和安全性評(píng)估的時(shí)間開銷。結(jié)合不同方法進(jìn)行大數(shù)據(jù)信息安全評(píng)估的準(zhǔn)確性，得到的對(duì)比結(jié)果見表1。

表1 大數(shù)據(jù)信息安全評(píng)估準(zhǔn)確性測(cè)試

分析表1得知，本方法明顯高于文獻(xiàn)[4]與[6]提出的方法，大數(shù)據(jù)信息安全評(píng)估的準(zhǔn)確性較高。

4 結(jié)論

本文提出基于分布式數(shù)據(jù)流的大數(shù)據(jù)信息安全評(píng)估平臺(tái)，構(gòu)建優(yōu)化的分布式大數(shù)據(jù)流大信息安全評(píng)估平臺(tái)，結(jié)合對(duì)分布式大數(shù)據(jù)流大信息安全特征融合和模糊信息聚類分析的方法，實(shí)現(xiàn)對(duì)分布式大數(shù)據(jù)流大信息安全評(píng)估和融合調(diào)度。結(jié)合頻繁項(xiàng)集特征分析，得到高效頻繁集分布式數(shù)據(jù)流融合的狀態(tài)空間分布集，結(jié)合貝葉斯估計(jì)的方法，得到高效頻繁集分布式數(shù)據(jù)流安全性評(píng)估的自相關(guān)檢測(cè)模型，采用線性加權(quán)控制的方法，得到高效頻繁集分布式數(shù)據(jù)流的關(guān)聯(lián)維分布矩陣形式。根據(jù)高效頻繁集分布式數(shù)據(jù)流的重復(fù)信息檢測(cè)結(jié)果，根據(jù)數(shù)據(jù)的特征屬性值來確定大數(shù)據(jù)信息記錄的位置，得到頻繁集分布式數(shù)據(jù)流安全信息評(píng)估的梯度信息分量，實(shí)現(xiàn)大數(shù)據(jù)信息安全評(píng)估平臺(tái)的優(yōu)化設(shè)計(jì)。研究得知，本文方法進(jìn)行大數(shù)據(jù)信息安全評(píng)估的準(zhǔn)確性較高，可靠性較好。