基于支持向量機(jī)的無線網(wǎng)絡(luò)入侵特征提取算法

陳金鑫

(皖西學(xué)院，安徽 六安 237012)

0 引言

雖然網(wǎng)絡(luò)技術(shù)可以使用戶充分感受大數(shù)據(jù)帶來的便利，但是隨著數(shù)據(jù)量的增多，網(wǎng)絡(luò)安全問題也逐漸顯現(xiàn)，因此有必要對(duì)網(wǎng)絡(luò)安全檢測(cè)技術(shù)進(jìn)行研究。而無線網(wǎng)絡(luò)入侵特征提取是網(wǎng)絡(luò)安全檢測(cè)的關(guān)鍵技術(shù)之一，是近年來相關(guān)領(lǐng)域的重點(diǎn)問題。

很多研究人員提出了入侵特征檢測(cè)方法，其中楊文虎[1]提出了基于云計(jì)算的船舶通信網(wǎng)絡(luò)入侵特征提取方法，該方法通過對(duì)入侵問題進(jìn)行描述，對(duì)特征數(shù)據(jù)進(jìn)行信號(hào)處理，從而確定入侵特征數(shù)據(jù)，構(gòu)建了特征檢測(cè)框架，實(shí)現(xiàn)對(duì)特征的提??；夏景明[2]等提出基于改進(jìn)隨機(jī)森林分類器的網(wǎng)絡(luò)入侵檢測(cè)方法，該方法利用高斯混合模型將特征數(shù)據(jù)劃分成不同簇，通過隨機(jī)森林分類器對(duì)不同簇進(jìn)行訓(xùn)練，并在訓(xùn)練好的簇中提取入侵特征。上述研究方法雖然能夠在大數(shù)據(jù)環(huán)境中對(duì)網(wǎng)絡(luò)入侵特征進(jìn)行有效提取，但是特征提取過程中會(huì)遺漏部分特征數(shù)據(jù)，存在一定的漏檢率。

針對(duì)現(xiàn)有方法存在的問題，提出基于支持向量機(jī)的無線網(wǎng)絡(luò)入侵特征提取算法，通過建立入侵特征提取原則，提升算法實(shí)現(xiàn)的理論性，能夠在先驗(yàn)知識(shí)不足的條件下保證特征提取的全面性，并能夠挖掘無線網(wǎng)絡(luò)中固有的冗余入侵?jǐn)?shù)據(jù)，解決傳統(tǒng)方法由于訓(xùn)練結(jié)果誤差導(dǎo)致的特征缺失問題。

1 無線網(wǎng)絡(luò)入侵特征提取算法

1.1 入侵特征提取原則

在開始入侵特征提取之前，要建立面向海量入侵?jǐn)?shù)據(jù)的提取原則，在該原則指導(dǎo)下，保證特征提取的科學(xué)性，具體原則如下：

全面性原則：由于無線網(wǎng)絡(luò)中包含各種數(shù)據(jù)類型，不同數(shù)據(jù)類型之間組成了一個(gè)又一個(gè)整體結(jié)構(gòu)，因此，特征提取要對(duì)無線網(wǎng)絡(luò)結(jié)構(gòu)中的數(shù)據(jù)類型進(jìn)行檢測(cè)，入侵特征提取指標(biāo)要具有全面性[3]。

層次性原則：為保證特征提取結(jié)果的全面性，需要選取大量指標(biāo)，但是不同入侵?jǐn)?shù)據(jù)的重要程度是不一樣的，如果忽略了部分指標(biāo)會(huì)違反全面性原則，因此，可以根據(jù)層次性原則，有效避免特征提取過程中造成特征遺漏問題。

獨(dú)立性原則：由于部分特征數(shù)據(jù)會(huì)存在重疊現(xiàn)象，如果不考慮該因素會(huì)造成指標(biāo)冗余，增加工作量，還會(huì)對(duì)提取結(jié)果產(chǎn)生影響，造成結(jié)果誤差偏大的問題。因此，指標(biāo)選取時(shí)，盡可能選擇概括性較強(qiáng)、具有代表性的指標(biāo)。

1.2 基于SVM的入侵特征提取算法

依據(jù)入侵特征提取原則，采用支持向量機(jī)對(duì)無線網(wǎng)絡(luò)入侵特征進(jìn)行提取研究。支持向量機(jī)(Support Vector Machine，SVM)具有在先驗(yàn)知識(shí)不足的條件下對(duì)不同類型數(shù)據(jù)進(jìn)行精準(zhǔn)分類的功能[4]，因此，采用支持向量機(jī)對(duì)無線網(wǎng)絡(luò)中的入侵?jǐn)?shù)據(jù)進(jìn)行分類，在分類結(jié)果的基礎(chǔ)上，篩選入侵特征指標(biāo)，最終構(gòu)建一個(gè)矩陣，實(shí)現(xiàn)對(duì)入侵特征的提取。

篩選無線網(wǎng)絡(luò)入侵特征指標(biāo)時(shí)，參考入侵特征提取原則，假設(shè)無線網(wǎng)絡(luò)中存在n個(gè)數(shù)據(jù)樣本S={s1,s2,sn}，引入一個(gè)映射函數(shù)η，將整體特征數(shù)據(jù)映射至高維可用空間中，得到可用映射值特征數(shù)據(jù)集η(s1),η(s2),…,η(sn)，映射值需要滿足下列條件：

(1)

其中，j表示入侵特征維度。在滿足公式(1)的基礎(chǔ)上，篩選不同維度的入侵特征主成分，得出：

η(sk)=T×[θ(si)-θ(sj)]

(2)

其中，T表示特征提取周期，θ表示全部特征向量，si表示入侵?jǐn)?shù)據(jù)之間的特征關(guān)系，sj表示冗余特征。

根據(jù)入侵特征主成分，構(gòu)建一個(gè)入侵特征篩選矩陣：

(3)

其中，b表示入侵特征分量。根據(jù)公式(3)給出的矩陣，篩選最優(yōu)特征向量，篩選結(jié)果可以表示為：

(4)

其中，αik表示最優(yōu)特征向量。

通過上述計(jì)算過程，剔除了無線網(wǎng)絡(luò)入侵特征中的冗余特征，實(shí)現(xiàn)對(duì)無線網(wǎng)絡(luò)入侵特征的準(zhǔn)確提取，能夠?yàn)榫W(wǎng)絡(luò)環(huán)境安全與威脅檢測(cè)提供技術(shù)支撐。

2 實(shí)驗(yàn)驗(yàn)證

為驗(yàn)證基于支持向量機(jī)的無線網(wǎng)絡(luò)入侵特征提取算法能否實(shí)現(xiàn)對(duì)網(wǎng)絡(luò)入侵特征的有效提取，選擇基于云計(jì)算的船舶通信網(wǎng)絡(luò)入侵特征提取方法和基于改進(jìn)隨機(jī)森林分類器的網(wǎng)絡(luò)入侵檢測(cè)方法作為對(duì)比方法，以特征提取中特征數(shù)據(jù)的漏檢率為指標(biāo)，進(jìn)行仿真實(shí)驗(yàn)驗(yàn)證。

以KDD CUP-99數(shù)據(jù)集為基礎(chǔ)數(shù)據(jù)集，其中包含各種用戶類型數(shù)據(jù)、網(wǎng)絡(luò)運(yùn)行數(shù)據(jù)及網(wǎng)絡(luò)安全風(fēng)險(xiǎn)歷史數(shù)據(jù)，并由不同網(wǎng)絡(luò)攻擊手段生成了大量的真實(shí)數(shù)據(jù)集。在該數(shù)據(jù)集中選取700 M攻擊數(shù)據(jù)作為樣本，對(duì)其進(jìn)行特征提取，對(duì)比不同方法提取過程中的入侵特征漏檢率，結(jié)果如圖1所示。

圖1 不同方法的入侵特征漏檢率Fig.1 Intrusion omission ratio of different methods

通過圖1可以看出，對(duì)無線網(wǎng)絡(luò)入侵特征提取的過程中，隨著數(shù)據(jù)量的增加，不同方法均呈現(xiàn)出整體上升趨勢(shì)，但是與文獻(xiàn)[1]方法和文獻(xiàn)[2]方法相比，所提算法的入侵特征漏檢率明顯更低，其漏檢率最高值僅為46%，而文獻(xiàn)[1]方法和文獻(xiàn)[2]方法的漏檢率最高值分別為86%和83%。通過數(shù)據(jù)對(duì)比可知，隨著入侵?jǐn)?shù)據(jù)量的增加，所提算法仍然能夠保持較高水平，充分驗(yàn)證了該算法的優(yōu)勢(shì)性。該算法利用支持向量機(jī)精準(zhǔn)分類的優(yōu)勢(shì)，對(duì)入侵特征進(jìn)行篩選，并提取其中的冗余特征，減少了工作量，降低了漏檢率。

3 結(jié)論

網(wǎng)絡(luò)入侵是一種常見的網(wǎng)絡(luò)安全威脅，對(duì)不同類型的入侵特征進(jìn)行提取能夠?qū)θ肭诛L(fēng)險(xiǎn)進(jìn)行防范，因此提出了一種基于支持向量機(jī)的無線網(wǎng)絡(luò)入侵特征提取算法。通過實(shí)驗(yàn)結(jié)果可知，該算法在特征提取過程中造成的漏檢率明顯低于傳統(tǒng)方法，說明該算法得出的提取結(jié)果更加全面，能夠涵蓋更多的入侵特征，為網(wǎng)絡(luò)安全保護(hù)提供可靠的理論支撐。