開放實驗室內(nèi)部網(wǎng)絡非法入侵準確檢測仿真

吳延慧,楊凌鳳

(南通大學信息化中心,江蘇 南通 226019)

1 引言

在網(wǎng)絡技術飛速發(fā)展的背景下,各種網(wǎng)絡安全事件日益頻發(fā),使得信息安全受到人們的高度重視,如何有效確保網(wǎng)絡安全是十分重要的[1-2]。在各個高校極力推廣開設開放式實驗室的情況下,如何確保實驗室信息的安全性成為當前研究的熱點話題。

國內(nèi)相關專家對網(wǎng)絡非法入侵檢測方面展開了大量研究,例如芶繼軍等人[3]通過隨機森林算法構建網(wǎng)絡入侵檢測模型,利用該模型完成網(wǎng)絡攻擊檢測。張安琳等人[4]采用SMOTE-Tomek算法對數(shù)據(jù)集平衡處理,通過特征重要性算法完成特征選擇;將CNN和BiGRU模型融合處理,同時引入注意力機制提取入侵特征,實現(xiàn)網(wǎng)絡入侵檢測。馬澤煊等人[5]對數(shù)據(jù)展開獨熱編碼和歸一化處理,采用WaveNet執(zhí)行卷積操作,對數(shù)據(jù)序列縮短處理,同時提取網(wǎng)絡入侵特征,采用BiGRU完成模型的訓練以及分類處理工作。在以上幾種網(wǎng)絡入侵檢測方法的基礎上,本文提出一種開放實驗室內(nèi)部網(wǎng)絡非法入侵檢測方法。經(jīng)實驗測試證明,所提方法不僅可以獲取高精度的檢測結果,同時還能夠有效降低誤檢率,具有良好的適應性。

2 非法入侵檢測方法

2.1 建立非法入侵檢測模型

RBF神經(jīng)網(wǎng)絡屬于前向神經(jīng)網(wǎng)絡,可以利用學習或者任意精度逼近非線性函數(shù),全面提升收斂速度,被廣泛應用于網(wǎng)絡入侵檢測中[6-7]。通過REF神經(jīng)網(wǎng)絡構建開放實驗室網(wǎng)絡非法入侵檢測模型的核心部分,主要由三個不同的部分組成,如圖1所示。

圖1 RBF網(wǎng)絡結構

將KDD99數(shù)據(jù)集特征向量作為RBF神經(jīng)網(wǎng)絡的輸入向量,經(jīng)過隱含層徑向基神經(jīng)元的非線性映射,將輸入向量映射到高維空間內(nèi)。徑向基神經(jīng)元主要是由兩種不同類型的神經(jīng)元組成,分別為正常類神經(jīng)元和異常類神經(jīng)元。

在傳統(tǒng)的RDF神經(jīng)網(wǎng)絡中隱含層單純采用徑向基神經(jīng)元。對于單一樣本的分類準確率偏高。但是輸入復雜的樣本類別后,總體的準確率還需要進一步提升。所以,需要將改進的RBF網(wǎng)絡應用到開放實驗室內(nèi)部網(wǎng)絡非法入侵檢測中[8-9],詳細的入侵檢測模型架構如圖2所示。

圖2 非法入侵檢測模型架構圖

經(jīng)過上述分析,引入RBF神經(jīng)網(wǎng)絡構建開放實驗室內(nèi)部網(wǎng)絡非法入侵檢測模型[10-11],詳細的操作步驟如下所示:

1)優(yōu)先輸入神經(jīng)網(wǎng)絡輸入向量和期望輸出向量。其中,輸入向量主要包含建立網(wǎng)絡時的訓練樣本以及仿真測試時的測試樣本。將全部樣本歸一化處理,經(jīng)過歸一化處理的樣本XX可以表示為式(1)的形式:

(1)

2)輸入向量利用輸入層直接傳遞到隱含層,同時對徑向基神經(jīng)元節(jié)點中心初始化處理,設定閾值的取值范圍;其中,輸入層的節(jié)點數(shù)即為樣本向量的特征值總數(shù)。

在獲取RBF神經(jīng)網(wǎng)絡中的特征值總數(shù)后,還需要進一步計算輸入向量和隱含層節(jié)點中心兩者之間的距離D(xi,cj),即歐式距離,如式(2)所示:

(2)

式中,xin代表特征空間內(nèi)各個節(jié)點之間的距離;cjm代表各個徑向基節(jié)點之間的距離。

通過非線性的徑向基函數(shù)展開計算,計算隨機一類數(shù)據(jù)出現(xiàn)的概率。設定徑向基向量為S={s1,s2,s3,…,sm},m代表徑向基神經(jīng)元的總數(shù),徑向基層節(jié)點對應的輸出可以表示為式(3)的形式:

(3)

式中,sj代表徑向基函數(shù);α2代表高斯函數(shù)的方差。

隱含層第二層為競爭神經(jīng)元,神經(jīng)元的數(shù)量為樣本數(shù)據(jù)的種類數(shù),在兩種不同類型的神經(jīng)元中,每個神經(jīng)元只和自身類別相同的上層神經(jīng)元連接,同時各個神經(jīng)元只需要計算相同樣本輸出值的加權即可。利用式(4)給出輸入向量屬于正常類的概率ρ(x|E(a)):

(4)

式中,Na代表正常類樣本總和;τj代表網(wǎng)絡輸出特征。

輸入向量屬于異常類的概率ρ(x|E(b))如式(5)所示:

(5)

式中,Nb代表異常類樣本總數(shù)。

3)對隱含層權值優(yōu)化處理,具體操作步驟為:

①將隱含層中的參數(shù)集合設置為空,隨機形成未成熟的參數(shù)集合,同時將對應的適應度取值設定為0;

②判斷集合中各個參數(shù)的取值是否大于適應度,同時選取取值最高的參數(shù)建立參數(shù)集合,實現(xiàn)隱含層權值優(yōu)化。

4)采用優(yōu)化處理之后的參數(shù)建立基于RBF的開放實驗室內(nèi)部網(wǎng)絡非法入侵檢測模型ΔHx,y,如式(6)所示:

(6)

2.2 網(wǎng)絡非法入侵檢測模型求解

根據(jù)2.1節(jié)建立的網(wǎng)絡非法入侵檢測模型,采用自適應蛙跳算法對該模型求解。對于d維問題而言,初始群體是由一定數(shù)量青蛙隨機形成的,根據(jù)種群類型將群體劃分為s個種群,每個群體是由n只青蛙組成,在第1個群體內(nèi)放入第1只青蛙;第s群體內(nèi)放入到第s只青蛙,以此類推,直至全部青蛙完成分配處理。

在每個子群中,設定Xb代表適應度取值最佳的青蛙;Xw代表適應度取值最差的青蛙;Xg代表種群內(nèi)適應度取值最佳的青蛙;完成上述操作后,對各個種群展開局部搜索處理,同時在迭代過程中只更新適應度取值最差的青蛙,則對應的更新策略Di如下所示:

Di=rand(Xb-Xw)

(7)

(8)

式中,rand()代表在0～1之間的隨機數(shù);Dmax代表青蛙在設定范圍內(nèi)的最大可移動距離。

自適應蛙跳算法主要通過青蛙的覓食行為展開協(xié)同優(yōu)化處理,將全部青蛙劃分為多個不同子群,利用各個子群實現(xiàn)消息的傳遞。另外,還需要將子群進化和全部交換兩者有效結合,確保算法的性能得到有效優(yōu)化。經(jīng)典蛙跳算法主要劃分為以下幾個階段[12],分別為:

1)種群初始化:

隨機形成初始解集中的N個候選解,同時將N個候選解平均劃分到多個不同的子群中。

2)子種群進化:

將全部青蛙劃分為多個不同的子群,對于每一個子種群而言,通過最優(yōu)適應度函數(shù)的候選集Sb對最差適應度的候選集Sm展開更新,對應的更新公式如下:

S*=Sm+U(Sb-Sm)

(9)

式中,S*代表全新候選集;U代表隨機數(shù)。

3)全局交換:

當全部子群完成步驟2)的操作之后,經(jīng)過混合計算獲取全部候選集,將適應度按照從小到大的順序排列,同時執(zhí)行子種群劃分,跳轉至步驟2)重復上述操作。

為了有效改進經(jīng)典蛙跳算法[13-14]存在的不足,本文對自適應蛙跳算法進行分析,使其可以獲取更加滿意的檢測效果。重點需要針對以下兩方面內(nèi)容展開分析:

1)自適應變異操作:

經(jīng)典蛙跳算法尋優(yōu)過程是十分復雜的,且尋優(yōu)性能也并不理想。為了有效解決上述問題,引入變異操作可以有效改進候選編碼和解碼的結構,確保各個子群的多樣性,同時還可以解決經(jīng)典蛙跳算法陷入局部最優(yōu)的情況。

另外,在自適應調(diào)整中主要包含交換以及插入等相關操作,在各種優(yōu)化算法中均得到應用。所以,在經(jīng)典的蛙跳算法內(nèi)加入自適應變異操作,確保算法的綜合性能得到有效提升。

2)通過層次分析方法調(diào)整不同影響參數(shù)權重:

利用層次分析法調(diào)整經(jīng)典蛙跳算法各個參數(shù)的取值,詳細的操作步驟如下:

1)優(yōu)先構建判斷矩陣C,如式(10)所示:

(10)

在自適應蛙跳算法中,各個參數(shù)的相對權重表示為式(11)的形式:

(11)

式中,ωij代表參數(shù)的相對權重取值;kij代表各個因素的重要性程度值;qij代表種群中個體的最佳變異概率。

2)依據(jù)式(11)計算得到的參數(shù)相對權重,建立判斷矩陣R,即:

(12)

利用式(12)中獲取的判斷矩陣調(diào)整各個參數(shù)的概率,對各個青蛙子群的分布情況展開分析,同時將不同子群參數(shù)應用到相同的集合內(nèi),引入德爾菲法調(diào)整全部參數(shù)的評分。提取不同評估參數(shù)的特征,采用集合構建模糊集,進而經(jīng)過計算得到隸屬集合L,如式(13)所示:

(13)

3)通過式(14)進一步獲取對應的隸屬度函數(shù),即:

(14)

式中,τk(x,y)代表模糊隸屬度函數(shù);e代表隨機常數(shù)。

采用自適應蛙跳算法對開放實驗室內(nèi)部網(wǎng)絡非法入侵檢測模型求解,操作步驟為:

1)設定自適應蛙跳算法中的參數(shù)取值。

2)隨機形成多個候選集,進而建立對應的初始解集V,如式(15)所示:

(15)

3)計算子群中不同個體的適應度取值Fm:

(16)

式中,fmax、fmin和fage分別代表最大、最小以及平均適應度值;f(xi)代表第i只青蛙的適應度取值;k1和k2均為常數(shù)。

4)對全部候選集合執(zhí)行變異次數(shù),同時判斷是否大于最大搜索次數(shù),假設是,則繼續(xù)執(zhí)行下一步驟;反之,則返回至步驟1)。

5)將適應度按照從小到大的順序排序,完成子群劃分。

6)通過自適應蛙跳算法對網(wǎng)絡非法入侵檢測模型求解,實現(xiàn)最終檢測[15]。

3 仿真研究

為了驗證所提開放實驗室內(nèi)部網(wǎng)絡非法入侵檢測方法的有效性,進行實驗研究。實驗數(shù)據(jù)集來自KDD99數(shù)據(jù)集,該數(shù)據(jù)集中包含多種不同類型的攻擊。利用表1給出數(shù)據(jù)樣本的分布情況:

表1 樣本分布情況

為了確保實驗結果的可比性,實驗選取兩種傳統(tǒng)方法作為對比方法,分別為文獻[3]方法和文獻[4]方法,測試指標主要包含檢測率和誤檢率,對應的計算式如下:

(17)

(18)

利用圖3和圖4分別給出各個方法的檢測結果:

圖3 不同方法的檢測率測試結果對比

圖4 不同方法的誤檢率測試結果對比

分析圖3和圖4中的實驗數(shù)據(jù)可知,采用所提方法開展開放實驗室內(nèi)部網(wǎng)絡非法入侵檢測時獲取的檢測結果更加精準,而另外兩種方法的檢測性能明顯不如所提方法,全面驗證了所提方法的優(yōu)越性。原因在于所提方法在經(jīng)典蛙跳算法的基礎上引入變異操作,不僅可以確保各個子群的多樣性,同時還可以解決經(jīng)典蛙跳算法陷入局部最優(yōu)的情況,有利于提升入侵檢測效果。

4 結束語

檢測開放實驗室內(nèi)部網(wǎng)絡是否存在非法入侵具有十分重要的研究意義,為了得到更加精準的網(wǎng)絡非法入侵檢測結果,提出一種開放實驗室內(nèi)部網(wǎng)絡非法入侵檢測方法。經(jīng)過實驗測試證明,采用所提可以更好完成實驗室內(nèi)部網(wǎng)絡非法入侵檢測,確保實驗室的穩(wěn)定運行。由于在構建入侵檢測模型中涉及大量參數(shù),沒有考慮合適參數(shù)的選擇問題,為了進一步提升所提方法的優(yōu)越性,后續(xù)將引入相關方法確定最優(yōu)參數(shù)。