AI交互終端異常數(shù)據(jù)入侵識別與仿真

劉 明，張 弘

(1.鄭州工業(yè)應(yīng)用技術(shù)學(xué)院信息工程學(xué)院，河南 鄭州 450000；2.信息工程大學(xué)電子技術(shù)學(xué)院，河南 鄭州 450000)

1 引言

AI交互終端具有較多的網(wǎng)絡(luò)資源，其多功能數(shù)據(jù)庫[1]使終端操作方便，并且通過研究者不斷探究，終端現(xiàn)已能夠存儲較多數(shù)據(jù)。大數(shù)據(jù)安全備受關(guān)注，終端中存有用戶重要身份信息和隱私[2]。應(yīng)用交互終端能夠讓傳輸環(huán)境更加簡潔，用戶能夠隨時(shí)使用網(wǎng)絡(luò)，終端在為人們生活帶來更加方便的同時(shí)，也被非法人員窺視，異常入侵手段具有多樣性，入侵者利用簡單智能裝置就能夠?qū)е戮W(wǎng)絡(luò)終端重要數(shù)據(jù)丟失[3]，出現(xiàn)不可估計(jì)的損失。

為有效識別AI交互終端的異常數(shù)據(jù)入侵，仇媛等人[4]提出了一種長短期記憶網(wǎng)絡(luò)和滑動窗口的數(shù)據(jù)異常檢測方法。該方法采用LSTM網(wǎng)絡(luò)對數(shù)據(jù)預(yù)測，計(jì)算預(yù)測值與實(shí)際值的差值，根據(jù)差值分布的概率密度來計(jì)算數(shù)據(jù)異?？赡苄?。何瑞江[5]提出了一種GRU-SVM神經(jīng)網(wǎng)絡(luò)的數(shù)據(jù)入侵檢測方法。根據(jù)RNN神經(jīng)網(wǎng)絡(luò)與LSTM神經(jīng)網(wǎng)絡(luò)運(yùn)行特征，建立GRU-SVM算法，實(shí)現(xiàn)對入侵?jǐn)?shù)據(jù)的檢測。但以上兩種方法存在的較高的誤檢率。為此，提出了一種AI交互終端大數(shù)據(jù)異常入侵風(fēng)險(xiǎn)識別方法。

通過構(gòu)建AI交互終端數(shù)據(jù)入侵模型，對數(shù)據(jù)完成測量[6]和特征提取，篩選出異常數(shù)據(jù)，通過識別方法檢測入侵?jǐn)?shù)據(jù)。能夠準(zhǔn)確判斷數(shù)據(jù)是否具有攻擊性或者存在病毒，從而作出預(yù)警，對異常數(shù)據(jù)攔截或過濾。利用入侵識別方法的同時(shí)，加入防火墻系統(tǒng)，更好地維護(hù)終端安全。

2 入侵?jǐn)?shù)據(jù)函數(shù)的建立

通過信息化解析信號，若在入侵的候補(bǔ)節(jié)點(diǎn)nodei加入中斷數(shù)據(jù)測量系數(shù)，表達(dá)公式為

(1)

利用自適應(yīng)均衡[7]模型構(gòu)建AI交互終端對數(shù)據(jù)異常入侵信息流模型，獲得入侵參變量在終端內(nèi)簇首節(jié)點(diǎn)布局函數(shù)公式為

fF(k+1)=fF(k)-?fF(k)JMMDMMA

=fF(k)-?fF(k)(JMMDMMA＿R+JMMDMMA＿I)

(2)

式中，fF(k)代表簇首節(jié)點(diǎn)布局位置，?表示梯度算子，JMMDMMA表示為節(jié)點(diǎn)均衡值。

如果(a0，a1，…，am)表示為入侵信息流的路由布局點(diǎn)，利用特征量化追蹤融合[8]評估入侵信息流頻率，獲得頻率函數(shù)k公式為

(3)

flg-M(z)=(flg(z)，flg-x(z)，flg-y(z))

=(flg(z)，hx*flg(z)，hy*flg(z))

(4)

式中，x、y代表網(wǎng)絡(luò)的分簇坐標(biāo)，hx、hy代表簇內(nèi)節(jié)點(diǎn)坐標(biāo)，M表示信息交互總次數(shù)，flg(z)代表簇內(nèi)節(jié)點(diǎn)衰減補(bǔ)償誤碼率[10，11]。利用上述模型，為數(shù)據(jù)異常入侵風(fēng)險(xiǎn)識別引入原始基本信息。

3 異常入侵主成分提取

采取AI交互終端入侵?jǐn)?shù)據(jù)測量，算出異常數(shù)據(jù)入侵時(shí)節(jié)點(diǎn)的路由拓?fù)淠Ｐ蚚12]，對數(shù)據(jù)量化追蹤，收集一維數(shù)據(jù)向量Xn，利用多標(biāo)記學(xué)習(xí)[13]構(gòu)建三維約束變量預(yù)測模型，獲得數(shù)據(jù)相互之間大小變換關(guān)系特征公式為

(5)

其中

(7)

式中，λ代表異常入侵特征系數(shù)，φi代表初始狀態(tài)，γi代表運(yùn)行平均狀態(tài)，ri和θi代表入侵特征的頻分復(fù)用分解數(shù)，d表示接收或傳輸?shù)臄?shù)量，利用空間解矢量的倍頻[14]方式分析，獲得終端數(shù)據(jù)入侵測量數(shù)表達(dá)式為

x0=q0p+r0

(8)

式中，x0表示為終端數(shù)據(jù)入侵測量數(shù)，q0表示為能量損耗，r0表示為主頻特征。

在異常入侵信息測量模型構(gòu)成的前提下，對終端大數(shù)據(jù)信息流二維信號[15]擬合和特征參變量評估。

利用主成分分析提取異常數(shù)據(jù)，篩選關(guān)聯(lián)密切的數(shù)據(jù)，為防止原始數(shù)據(jù)遺失，選取標(biāo)志性指標(biāo)，盡可能消減網(wǎng)絡(luò)信號的干擾，對空間變量降維[16]，從而壓縮簡化數(shù)據(jù)。

已知p維隨機(jī)變量X={x1，x2，…，xp}，其線性結(jié)構(gòu)組成另一個(gè)綜合變量。利用F1來描述原始變量的首個(gè)線性結(jié)構(gòu)產(chǎn)生的主成分指標(biāo)，表達(dá)式為

F1=a11x1+a21x2+…+aplxp

(9)

式中，l表示主成分矩陣縱列高度，a(·)表示主成分序列指標(biāo)。

所有主成分提取的數(shù)據(jù)能夠利用方差描述，為了使原始變量數(shù)據(jù)盡量存在全部綜合變量內(nèi)，主成分方差就需要大些，則Var(F1)取值最大。一般第一主成分F1是全部主成分擁有數(shù)據(jù)量最多的，要是F1不能代表原始p個(gè)變量信息，此時(shí)就需要利用主成分F2與F3，且F1和F2需要保證相互不干擾，便得出二者協(xié)方差為

Cov(F1，F(xiàn)2)=0

(10)

經(jīng)過推算，能夠構(gòu)成F1，F(xiàn)2，…，F(xiàn)m，分別表示為原始變量指標(biāo)的對應(yīng)主成分，表達(dá)式為

(11)

針對所有系數(shù)a，全都應(yīng)該符合標(biāo)準(zhǔn)化前提

(12)

需要算出原始變量zi和xj的關(guān)聯(lián)系數(shù)矩陣

(13)

式中，rij(i，j=1，2，…，p)表示為原始變量zi和xj關(guān)聯(lián)系數(shù)。

算出關(guān)聯(lián)矩陣R的特征數(shù)和特征矢量。關(guān)聯(lián)矩陣的特征公式為

|R-λ×I|=0

(14)

(15)

n個(gè)之前的主成分方差貢獻(xiàn)率總和，表示為方差累計(jì)貢獻(xiàn)率，表達(dá)公式為

(16)

按照前i個(gè)主成分的累加貢獻(xiàn)率和大于規(guī)定閾值選擇主成分的數(shù)量。

4 異常入侵識別

通過上文特征提取方法將AI交互終端中無關(guān)和冗余數(shù)據(jù)過濾之后，排列數(shù)據(jù)簇，篩選出正常數(shù)據(jù)與異常入侵?jǐn)?shù)據(jù)，算出系統(tǒng)性能權(quán)值，對異常信息風(fēng)險(xiǎn)識別。

如果完成異常入侵識別的輸出具有i個(gè)p維數(shù)據(jù)集S，還需滿足條件

S=Sl∪Su

(17)

式中，Sl代表標(biāo)識數(shù)據(jù)集，Su代表沒有標(biāo)識數(shù)據(jù)集。

綜上所述，輸出為數(shù)據(jù)g∈Su種類，此數(shù)據(jù)會是正常數(shù)據(jù)，也會是異常入侵?jǐn)?shù)據(jù)。

如果已經(jīng)把數(shù)據(jù)集S處理完畢，把得出的結(jié)果按照數(shù)據(jù)簇大小排序，再和挑選出來的最初正常數(shù)據(jù)簇、入侵?jǐn)?shù)據(jù)簇用cn與cm表述，把其余數(shù)據(jù)劃分給數(shù)據(jù)集cr。

針對cn內(nèi)全部一維數(shù)據(jù)，利用網(wǎng)絡(luò)發(fā)生器得到對應(yīng)數(shù)系統(tǒng)特征數(shù)：(Eg1，Eg1)；針對cm內(nèi)所有一維數(shù)據(jù)，則得到(Eg2，Eg2)。由此能夠算出全部系統(tǒng)性能權(quán)值，公式為

(18)

根據(jù)式(18)得出的結(jié)果，通過cr選擇數(shù)據(jù)對象g，異常入侵風(fēng)險(xiǎn)數(shù)據(jù)μ的識別結(jié)果為

(19)

式中，ω代表異常入侵識別系數(shù)。利用網(wǎng)絡(luò)發(fā)生器，得到對應(yīng)的系統(tǒng)特征數(shù)(Eg1，Eg1)，重新算出系統(tǒng)性能權(quán)值，完成所有數(shù)據(jù)風(fēng)險(xiǎn)識別。

5 仿真研究

為了驗(yàn)證AI交互終端大數(shù)據(jù)異常入侵風(fēng)險(xiǎn)識別方法(研究方法)的應(yīng)用有效性，利用ns-3平臺與Python鏈接構(gòu)建一個(gè)節(jié)點(diǎn)數(shù)量為80的AI交互終端，在識別范圍內(nèi)平均布局30個(gè)固定路由、任意放置60個(gè)能夠移動的AI客戶端。數(shù)據(jù)流實(shí)驗(yàn)初始時(shí)間為0s，實(shí)驗(yàn)主要參數(shù)如表1所示。

表1 實(shí)驗(yàn)參數(shù)

5.1 研究方法應(yīng)用結(jié)果

設(shè)定入侵信號指示頻率達(dá)到1Hz時(shí)，表示為識別出來入侵風(fēng)險(xiǎn)，人為的異常入侵攻擊在10s～30s、50s～80s、100s～115s時(shí)間段。研究方法的AI終端數(shù)據(jù)異常入侵識別結(jié)果如圖1所示：

圖1 研究方法的異常入侵?jǐn)?shù)據(jù)檢測結(jié)果

通過圖1可知，研究方法能夠識別出所有的異常入侵攻擊。雖然終端節(jié)點(diǎn)在不停變化，在網(wǎng)絡(luò)流量承載過重或者惡意數(shù)據(jù)節(jié)點(diǎn)過多時(shí)，大部分的終端節(jié)點(diǎn)處于活躍，容易造成漏檢問題，但是在此情況下研究方法仍然保持較高的異常檢測精度，驗(yàn)證了該方法的應(yīng)用性能優(yōu)勢。

5.2 殘差值測試

AI交互終端在傳輸過程中，為了保護(hù)數(shù)據(jù)的同時(shí)，加快數(shù)據(jù)傳輸效率，會采取重構(gòu)信號壓縮采樣數(shù)據(jù)，通過調(diào)整壓縮率來測試性能，通過壓縮重構(gòu)信號算出實(shí)際測量與預(yù)期情況存在差值，該差值為殘差，殘差越小，說明方法的異常數(shù)據(jù)識別準(zhǔn)確性越高。

對比方法為長短期記憶網(wǎng)絡(luò)和滑動窗口的數(shù)據(jù)異常檢測方法和GRU-SVM神經(jīng)網(wǎng)絡(luò)的數(shù)據(jù)入侵檢測方法。不同方法的信號重構(gòu)殘差值對比如圖2所示。

圖2 壓縮率增加殘差曲線圖

通過圖2能夠看出，壓縮率小于10%時(shí)，信號構(gòu)建殘差值為0，識別方法檢測后的原始信號能夠很好被重構(gòu)，隨著測量信號壓縮率提高，殘差也在不斷增大，當(dāng)壓縮率為40-50%時(shí)，研究方法的信號重構(gòu)殘差值仍低于1，顯著低于長短期記憶網(wǎng)絡(luò)和滑動窗口的數(shù)據(jù)異常檢測方法和GRU-SVM神經(jīng)網(wǎng)絡(luò)的數(shù)據(jù)入侵檢測方法。實(shí)驗(yàn)結(jié)果證明研究方法受壓縮影響小，能夠?qū)崿F(xiàn)高效率的大數(shù)據(jù)異常入侵識別任務(wù)。

5.3 檢測率和誤檢率

根據(jù)圖3和圖4所示，隨著壓縮率不斷增大，研究方法的AI交互終端異常大數(shù)據(jù)檢測率在95%以上，誤檢率始終低于3%，均優(yōu)于長短期記憶網(wǎng)絡(luò)和滑動窗口的數(shù)據(jù)異常檢測方法和GRU-SVM神經(jīng)網(wǎng)絡(luò)的數(shù)據(jù)入侵檢測方法。說明該方法的異常數(shù)據(jù)識別性能更好。

圖3 不同方法的檢測率對比

圖4 不同方法的誤檢率對比

5.4 流量開銷

在識別AI終端入侵大數(shù)據(jù)的同時(shí)，終端的流量開銷也是衡量方法應(yīng)用性能的重要指標(biāo)。流量開銷是指完成一項(xiàng)任務(wù)時(shí)所需的流量。不同方法應(yīng)用下的AI終端流量開銷對比結(jié)果如圖5所示。

圖5 不同方法應(yīng)用下的AI終端流量開銷對比

通過圖5能夠看出，在100ms時(shí)長的AI終端異常入侵大數(shù)據(jù)識別中，研究方法的總流量開銷低于40GB。相比之下，長短期記憶網(wǎng)絡(luò)和滑動窗口的數(shù)據(jù)異常檢測方法和GRU-SVM神經(jīng)網(wǎng)絡(luò)的數(shù)據(jù)入侵檢測方法應(yīng)用下AI終端流量開銷更大，最高流量開銷已達(dá)150GB。由此可知研究方法的實(shí)用性更強(qiáng)。

6 結(jié)論

大數(shù)據(jù)入侵威脅的多樣性嚴(yán)重影響了AI交互終端的安全性，易泄露隱私和重要數(shù)據(jù)。為此提出AI交互終端大數(shù)據(jù)異常入侵風(fēng)險(xiǎn)識別方法。通過構(gòu)建的AI交互終端數(shù)據(jù)模型，建立入侵?jǐn)?shù)據(jù)的布局函數(shù)。結(jié)合主成分分析法，提取出異常入侵大數(shù)據(jù)。引入網(wǎng)絡(luò)發(fā)生器，實(shí)現(xiàn)AI交互終端大數(shù)據(jù)異常入侵風(fēng)險(xiǎn)的識別。通過所設(shè)計(jì)實(shí)驗(yàn)測試結(jié)果證明了研究方法能夠有效識別數(shù)據(jù)異常入侵情況，且效率高、操作簡單，能夠有效降低AI交互終端的流量開銷。