基于深度提升網(wǎng)絡(luò)的入侵檢測技術(shù)研究

張如雪 繆祥華，b

（昆明理工大學a.信息工程與自動化學院；b.云南省計算機技術(shù)應(yīng)用重點實驗室）

基于已知攻擊特征的傳統(tǒng)靜態(tài)安全方法在網(wǎng)絡(luò)入侵檢測中已經(jīng)取得了不錯的效果，但是傳統(tǒng)靜態(tài)方法不能有效防御新的攻擊， 如0day攻擊、后門攻擊及高級持續(xù)威脅（APT）等，這些攻擊者可以發(fā)動有針對性的持久滲透攻擊，表現(xiàn)出較強的隱蔽性，潛伏期特別長。 針對這些新的攻擊需要研究新方法來應(yīng)對［1，2］。

Logit、KNN、SVM、神經(jīng)網(wǎng)絡(luò)、決策樹及隨機森林［3］等機器學習模型被廣泛應(yīng)用于入侵檢測研究，并取得了較好的效果［4］。 2014年，張陽和姚原崗提出的XGBoost算法具有效果好、 速度快及能處理大規(guī)模數(shù)據(jù)等特點［5］。 但是基于單個學習器只能學習到一個假設(shè)， 存在泛化能力不強的問題。因此，筆者采用XGBoost和GBDT［6］構(gòu)成集成學習模型，以期多個假設(shè)在同一個訓練集上達到較高的性能。

1 相關(guān)理論

1.1 自動編碼器

自動編碼器（AutoEncoder，AE）是一種無監(jiān)督神經(jīng)網(wǎng)絡(luò)模型［7］，它可以學習到輸入數(shù)據(jù)的隱含特征， 使用Encoder對輸入進行編碼， 并使用Decoder對輸出進行解碼，如圖1所示。 AE可以提取到更有效的特征，比傳統(tǒng)降維方法主成分分析（Principal Components Analysis，PCA） 效果更好，除了降低函數(shù)的維數(shù)外，提取的特征還可以整合到一個有監(jiān)督的學習模型中，這表明自動編碼器可以在特征提取中發(fā)揮作用。

圖1 自動編碼器的基本結(jié)構(gòu)

AE對輸入X進行編碼以獲得一個新的函數(shù)Y，并希望新的函數(shù)Y可以重建初始的輸入X。 編碼過程如下：

其中，W表示權(quán)重，b表示參數(shù)。

解碼過程為：

其中，X′表示輸出，W′表示權(quán)重，b′表示參數(shù)。

希望X′被重新構(gòu)建后能盡可能與原來一致，還可以使用損失函數(shù)L來訓練模型：

通常會對自動編碼器的使用增加一些限制，最常見的方法是使W′=WT，即所謂的“綁定權(quán)重”，這一限制同樣適用于本研究中的自動編碼器。

1.2 梯度提升決策樹

梯度提升決策樹 （Gradient Boost Decision Tree，GBDT）是一種循環(huán)重復的決策樹算法，由許多決策樹構(gòu)成，所有樹的結(jié)論聚合而成得到最終答案。 GBDT經(jīng)過幾個循環(huán)，會得到若干個弱分類器，由若干個弱分類器構(gòu)成最終的分類器。

GBDT分類算法主要應(yīng)用了以下公式：

其中，f（x）為預(yù)測結(jié)果；y為實際結(jié)果，y∈{-1，1}；ft-1（x）表示前t-1個基學習器的輸出結(jié)果，yi為第i個實際結(jié)果；xi為第i個輸入。

對于最終的決策樹，每個葉子節(jié)點的最佳負梯度Ctj的計算式為：

其中，Rtj為輸入集合；tj為葉子結(jié)點。

1.3 極限梯度提升決策樹

極限梯度提升決策樹（eXtreme Gradient Boosting，XGBoost）是一種Boosting算法，它將許多弱分類器整合在一起，形成一個強大的分類器。

XGBoost是一個加法模型，它包含了k個基學習器，循環(huán)重復第t次迭代的樹模型是ft（x），則第t次重復訓練后樣本i的預(yù)測結(jié)果y^i（t）的計算式為：

其中，y^i（t-1）表示前t-1棵樹的預(yù)測結(jié)果；ft（xi）表示第t棵樹的模型。

XGBoost的損失函數(shù)可由預(yù)測值y^i和真實值yi表示：其中，n為樣本數(shù)量。

2 深度提升網(wǎng)絡(luò)模型

2.1 集成學習

集成方法是一種元算法，把不同的機器學習算法組合到一個預(yù)測模型中， 能減小系統(tǒng)方差、系統(tǒng)誤差或提高系統(tǒng)預(yù)測精度，其特點如下：

a. 將多種相同或不同的分類方法相結(jié)合，以提高分類精度；

b. 集成學習方法是從訓練數(shù)據(jù)中構(gòu)建一組基分類器，然后將預(yù)測數(shù)據(jù)應(yīng)用到每個基分類器進行分類；

c. 集成學習不是一種分類，而是一種將分類器結(jié)合的方法。

2.2 深度提升網(wǎng)絡(luò)

深度提升網(wǎng)絡(luò)（Deep Boosting Network，DBN）擁有基于梯度增量策略中仍然存在的關(guān)鍵決策的深度耦合結(jié)構(gòu)［8～10］。 以XGBoost和GBDT為基學習器創(chuàng)建深度提升網(wǎng)絡(luò)， 在第1層輸入中對特征向量進行整合和改進，從第2層開始，每層接收來自前一層處理后的數(shù)據(jù)，允許進一步改進，并將結(jié)果傳遞到下一層，以此類推，流程如圖2所示。為了減少過度擬合風險，每次創(chuàng)建一個新的隱含層， 都計算出當前類輸出的預(yù)測精度C和每個基學習器輸出的準確預(yù)測矩陣的收斂性η。 將η與自適應(yīng)因子α（α是學習結(jié)果變化的參數(shù)）做比較，如果有η＜α或者當前平均準確率低于前一級別的平均準確率，則訓練結(jié)束。

圖2 深度提升網(wǎng)絡(luò)流程

設(shè)N為樣本數(shù)量，H是基學習器在隱含層的數(shù)量， 第i層的第r個基學習器的輸出和預(yù)測精度分別為Air和Ci，則收斂性η和當前層預(yù)測精度Ci的計算式為：

2.3 相對多數(shù)投票策略

由于本研究將GBDT和XGBoost基學習器整合應(yīng)用到集成學習中，這些基學習器都會有自己的結(jié)果，那么輸出層的結(jié)果就必須通過對這些結(jié)果進行投票得出。 本研究選擇的是相對多數(shù)投票策略，該策略的思想是少數(shù)服從多數(shù)，只要基學習器中有某一個結(jié)果所占比例與其他結(jié)果相比是多的，那么就選擇該結(jié)果。

2.4 算法流程

2.4.1 自動編碼器降維算法

為了滿足深度提升網(wǎng)絡(luò)中一個輸入向量維數(shù)的要求，AE網(wǎng)絡(luò)的隱含層神經(jīng)元數(shù)m=n×n。 為了最大限度地保留數(shù)據(jù)中的信息，m可以被賦值為64、81、100及121等。 當m=64時，自動編碼器的結(jié)構(gòu)模型如圖3所示。

圖3 自動編碼器的結(jié)構(gòu)模型

為評價AE網(wǎng)絡(luò)的降維效果，引入重構(gòu)誤差的概念。 重構(gòu)誤差是特征重構(gòu)的輸出值和輸入值降維后得到的誤差。 在AE網(wǎng)絡(luò)降維中，需確定降維后的數(shù)據(jù)能否很好地恢復到原始輸入數(shù)據(jù)，重構(gòu)誤差用均方誤差MSE表示：

其中，p表示輸入變量，p′表示輸出變量。

為了優(yōu)化自動編碼器網(wǎng)絡(luò)的結(jié)構(gòu)， 通過調(diào)整GBDT和XGBoost模型個數(shù)、優(yōu)化函數(shù)等參數(shù)，觀察自動編碼器網(wǎng)絡(luò)在迭代過程中重構(gòu)誤差的變化，最后確定自動編碼器網(wǎng)絡(luò)的最優(yōu)結(jié)構(gòu)。 在不同維度下， 利用自動編碼器結(jié)構(gòu)重構(gòu)誤差的結(jié)果如圖4所示。

圖4 利用自動編碼器結(jié)構(gòu)重構(gòu)誤差

自動編碼器的結(jié)構(gòu)確定后，通過輸入預(yù)處理后的數(shù)據(jù)，計算出網(wǎng)絡(luò)的重構(gòu)誤差。 通過BP算法調(diào)整網(wǎng)絡(luò)參數(shù)，最終通過隱含層獲得降維數(shù)據(jù)。

精準醫(yī)療是針對于患者醫(yī)療保健和健康的個性化醫(yī)學模式，它通過醫(yī)生的醫(yī)療決策和實踐制定出適合不同疾病人群的治療方案。隨著對CRSwNP的發(fā)病機制的不斷深入了解，精準醫(yī)療分析整合疾病的診斷和治療并能制定出最優(yōu)化的治療方案[28]。而實現(xiàn)精準醫(yī)療的基礎(chǔ)必須具備的要素有：患者參與治療方案的決定；預(yù)判初始治療的成功率；防治疾病進展的有效策略和疾病內(nèi)在型為驅(qū)動的個性化治療[29]。為了實現(xiàn)疾病內(nèi)在型為驅(qū)動的治療目的，必須對疾病的內(nèi)在型有著充分且標準化的認識，而且能夠洞察用于評估或預(yù)測療效、指導完善臨床策略的生物標記物[10]。

2.4.2 深度提升網(wǎng)絡(luò)算法

深度提升網(wǎng)絡(luò)的結(jié)構(gòu)如圖5所示。

圖5 深度提升網(wǎng)絡(luò)結(jié)構(gòu)框圖

深度提升網(wǎng)絡(luò)的算法步驟如下：

a. x0、x1、 …、xm分別代表GBDT和XGBoost模型，對其輸入訓練集形成m個基學習器（前一個的輸出是下一個的輸入）；

b. 輸入測試集，m個基學習器分別得出m個預(yù)測結(jié)果；

c. 對步驟b中的m個預(yù)測結(jié)果使用投票策略，得出綜合預(yù)測結(jié)果。

深度提升網(wǎng)絡(luò)在第1層輸入中對特征向量進行整合和改進；從第2層開始，每層接收來自前一層處理后的數(shù)據(jù)，允許進一步進行改進，并將結(jié)果傳遞到下一層，以此類推。

3 實驗分析

3.1 實驗環(huán)境

實驗所用的主機處理器為Intel（R）Core（TM）i5-7200U CPU@2.50 GHz，內(nèi)存16 GB，操作系統(tǒng)Win10專業(yè)版，在Pycharm環(huán)境下使用pytorch框架完成仿真實驗。

3.2 評價指標

分類問題常用的評價指標是精確率和召回率。 正常類被標記為正類，所有攻擊類被標記為負類。 分類器對數(shù)據(jù)集的預(yù)測是正確的還是錯誤的，結(jié)果存在4種情況：

a. TP（True Positive），把正類預(yù)測為正類；

b. FP（False Positive），把負類預(yù)測為正類；

c. TN（True Negative），把負類預(yù)測為負類；

d. FN（False Negative），把正類預(yù)測為負類。

評價指標的計算式如下：

F1分數(shù)為精確率和召回率的調(diào)和平均，即有：

3.3 實驗數(shù)據(jù)

CICIDS2017是一種入侵檢測數(shù)據(jù)集，由加拿大網(wǎng)絡(luò)安全研究所收集，包含良性攻擊網(wǎng)絡(luò)流和7 種公開可用的常見攻擊類型。 它包括使用CICFlowMeter的網(wǎng)絡(luò)流量分析結(jié)果， 使用基于時間戳、源和目的IP地址、源和目的端口、協(xié)議和攻擊（CSV文件）的標記流。因此，CICIDS2017數(shù)據(jù)集更具代表性［6］。

CICIDS2017數(shù)據(jù)集中共有15種類別的數(shù)據(jù)，其中包含1種正常類別和14種攻擊，詳見表1。

表1 數(shù)據(jù)集類別和數(shù)目

3.4 結(jié)果分析

為了提高模型的準確性，加快模型的收斂速度，對所創(chuàng)建的數(shù)據(jù)集進行數(shù)據(jù)預(yù)處理，具體步驟如下：

a. 檢測數(shù)據(jù)集中的空值。因為本研究中的一些算法對缺失的值很敏感，所以將數(shù)據(jù)集中元素列的平均值替換為空值。

b. 將處理后的數(shù)據(jù)集分為兩部分， 分別為80%的訓練集和20%的測試集， 其中正常流量和攻擊流量在數(shù)據(jù)集和測試集中的占比見表2、3。

表2 訓練集占比情況

c. 對多分類標簽進行one-hot編碼。

d. 為了消除不同特征尺度對模型精度的影響，對數(shù)據(jù)集的特征進行正則化處理。

表3 測試集占比情況

本研究的模型在分類過程中設(shè)置GBDT和XGBoost的總數(shù)目后的損失值如圖6所示。

圖6 GBDT和XGBoost的總數(shù)目對損失值的影響

為了證明GBDT-XGBoost模型在相同實驗環(huán)境下與其他模型相比的優(yōu)越性， 選擇KNN、DT、RF、GBDT和確定結(jié)果較好的XGBoost進行比較，檢測結(jié)果見表4、5。

表4 二分類任務(wù)下模型的對比結(jié)果

表5 多分類任務(wù)下模型的對比結(jié)果

從表4、5可以看出，KNN在二分類和多分類任務(wù)下的分類效果較弱，DT其次，RF、單獨GBDT和單獨XGBoost在精確率和F1分數(shù)的結(jié)果上不相上下， 但在召回率上有出入。 筆者提出的GBDTXGBoost模型在所有3個指標上，無論是二分類還是多分類，都高于其他模型，證實該模型分類的整體效果優(yōu)于其他算法。

4 結(jié)束語

筆者提出基于GBDT-XGBoost的網(wǎng)絡(luò)入侵檢測算法， 獲得了入侵檢測的強分類器。 與傳統(tǒng)KNN、DT、RF、GBDT、XGBoost算法對比的結(jié)果可知，GBDT-XGBoost算法在精確率、 召回率和F1分數(shù)上都有所提升。 但該方法對于未知攻擊的檢測還存在精確率不高的問題， 下一步計劃改進該方法，提高該方法在未知攻擊檢測方面的精確率。