基于SOINN結(jié)合ADNDD的網(wǎng)絡(luò)安全動態(tài)控制技術(shù)研究

溫浩杰，解韻坤，蘇 彬

(中國人民解放軍東部戰(zhàn)區(qū)總醫(yī)院，南京 210002)

0 引言

隨著信息技術(shù)的不斷發(fā)展，醫(yī)院網(wǎng)絡(luò)安全問題日益凸顯。醫(yī)院作為醫(yī)療服務(wù)提供方，其網(wǎng)絡(luò)系統(tǒng)也面臨著越來越多的安全威脅。為了確保醫(yī)院網(wǎng)絡(luò)的安全，需要采取有效的安全動態(tài)控制技術(shù)。醫(yī)院網(wǎng)絡(luò)安全動態(tài)控制技術(shù)是指通過對醫(yī)院網(wǎng)絡(luò)流量和協(xié)議數(shù)據(jù)包等信息進(jìn)行實時監(jiān)測和分析，及時發(fā)現(xiàn)并處理潛在的安全威脅。該技術(shù)能夠有效避免網(wǎng)絡(luò)攻擊，保障醫(yī)院網(wǎng)絡(luò)的安全性和穩(wěn)定性。動態(tài)控制技術(shù)采用了多種手段，包括實時監(jiān)控、異常行為檢測等。此外，該技術(shù)還可以根據(jù)檢測到的異常行為，動態(tài)調(diào)整醫(yī)院網(wǎng)絡(luò)配置和行為，以確保醫(yī)院網(wǎng)絡(luò)的安全性和穩(wěn)定性[1-3]。探求一種更加安全的網(wǎng)絡(luò)架構(gòu)，從而解決日益嚴(yán)峻的醫(yī)院網(wǎng)絡(luò)安全問題是醫(yī)院網(wǎng)絡(luò)安全防御的熱門領(lǐng)域。

近年來，國內(nèi)外對于醫(yī)院網(wǎng)絡(luò)安全動態(tài)控制技術(shù)的研究日益受到重視。在國內(nèi)，相關(guān)研究主要集中在如何建立有效的網(wǎng)絡(luò)安全模型，以及如何實現(xiàn)網(wǎng)絡(luò)安全動態(tài)控制。目前，國內(nèi)已有一些高校和研究機(jī)構(gòu)對醫(yī)院網(wǎng)絡(luò)安全動態(tài)控制技術(shù)進(jìn)行了深入的研究和實踐，提出了一些實用的技術(shù)方案，如基于流量特征、基于行為模式等[4]。此外，國內(nèi)也有一些研究開始關(guān)注醫(yī)院網(wǎng)絡(luò)安全動態(tài)控制技術(shù)的應(yīng)用，如何在醫(yī)院網(wǎng)絡(luò)中實現(xiàn)實時的安全監(jiān)控和預(yù)警等。國內(nèi)學(xué)者李夢悅等人為了解決日益嚴(yán)峻的醫(yī)院網(wǎng)絡(luò)安全問題，構(gòu)建了一種微分隔和細(xì)粒度的邊界策略。通過對風(fēng)險信息的收集、分析和漏洞的修復(fù)，有效地解決了醫(yī)院現(xiàn)存的網(wǎng)絡(luò)風(fēng)險問題，可有效提升醫(yī)院網(wǎng)絡(luò)安全防護(hù)水平[5]。目前，國外一些研究機(jī)構(gòu)已經(jīng)開發(fā)出了一些實用的技術(shù)方案，如基于機(jī)器學(xué)習(xí)的動態(tài)控制技術(shù)、基于模型的動態(tài)控制技術(shù)等。這些技術(shù)可以根據(jù)網(wǎng)絡(luò)安全模型，動態(tài)調(diào)整醫(yī)院網(wǎng)絡(luò)的配置和行為，從而保證醫(yī)院網(wǎng)絡(luò)的安全性[6]。而傳統(tǒng)醫(yī)院網(wǎng)絡(luò)安全動態(tài)控制技術(shù)存在監(jiān)測和控制難度大、誤報和漏報較多等缺點[7-8]。與傳統(tǒng)醫(yī)院網(wǎng)絡(luò)安全動態(tài)控制計算相比，這些技術(shù)具有更高的準(zhǔn)確性和魯棒性，可以更好地應(yīng)對各種復(fù)雜情況。

同時，國外研究機(jī)構(gòu)也對醫(yī)院網(wǎng)絡(luò)安全動態(tài)控制技術(shù)進(jìn)行了相應(yīng)的研究，研究發(fā)現(xiàn)有關(guān)醫(yī)院網(wǎng)絡(luò)安全的問題，如來自黑客的網(wǎng)絡(luò)攻擊、員工網(wǎng)絡(luò)安全防護(hù)意識較差等問題。如何應(yīng)對醫(yī)院網(wǎng)絡(luò)安全是保證醫(yī)院正常運行的基礎(chǔ)。因此，研究基于網(wǎng)絡(luò)異常監(jiān)測的醫(yī)院網(wǎng)絡(luò)安全動態(tài)控制技術(shù)，構(gòu)建了醫(yī)院安全動態(tài)控制模型，旨在提高醫(yī)院網(wǎng)絡(luò)的安全性和穩(wěn)定性。

1 基于網(wǎng)絡(luò)異常監(jiān)測的醫(yī)院網(wǎng)絡(luò)安全動態(tài)控制模型構(gòu)建

1.1 基于ADNDD的網(wǎng)絡(luò)動態(tài)防御系統(tǒng)構(gòu)建

為了實現(xiàn)網(wǎng)絡(luò)動態(tài)的防御，研究基于數(shù)字信息處理的網(wǎng)絡(luò)技術(shù)(ADNDD，advanced digital network data design)進(jìn)行網(wǎng)絡(luò)動態(tài)的防御優(yōu)化，這是因為ADNDD能夠使用數(shù)字信息來模擬網(wǎng)絡(luò)流量，從而可以更加準(zhǔn)確地監(jiān)測網(wǎng)絡(luò)流量，了解網(wǎng)絡(luò)狀況。當(dāng)監(jiān)測到有網(wǎng)絡(luò)異常時會對異常情況進(jìn)行分類，若是系統(tǒng)已知的攻擊類型，則可以采取相應(yīng)的攻擊，從而避免攻擊面擴(kuò)大產(chǎn)生的額外運行開銷；若監(jiān)測到的網(wǎng)絡(luò)異常是未知的攻擊類型，則可以采取動態(tài)防御，以降低攻擊的入侵，從而達(dá)到防御的效果[9-11]。首先，需要建立ADNDD的基本思路，將異常驅(qū)動與策略響應(yīng)相結(jié)合，以確保網(wǎng)絡(luò)能夠抵御攻擊。該狀態(tài)應(yīng)包括攻擊者的攻擊路徑、攻擊時間間隔，以及ADNDD中的網(wǎng)絡(luò)資源消耗。然后，需要構(gòu)建一個動態(tài)防御體系，以確保在受到攻擊時，可以迅速對攻擊進(jìn)行識別和分類，并采取對應(yīng)的措施。這個體系包括攻擊者追蹤、網(wǎng)絡(luò)流量監(jiān)測、資源保護(hù)等功能。最后，需要根據(jù)實際情況進(jìn)行防御策略的優(yōu)化，在受到嚴(yán)重攻擊時，可以調(diào)整防御策略以提高網(wǎng)絡(luò)的生存性。

異常驅(qū)動與策略響應(yīng)相結(jié)合是一種將異常驅(qū)動技術(shù)和策略響應(yīng)策略相結(jié)合的方法，這種方法可以提高網(wǎng)絡(luò)的安全性和穩(wěn)定性。異常驅(qū)動技術(shù)是指通過分析網(wǎng)絡(luò)流量和協(xié)議數(shù)據(jù)包的模式來檢測和識別異常行為。它可以幫助網(wǎng)絡(luò)管理員快速識別和響應(yīng)攻擊，從而減少損失。策略響應(yīng)策略則是指根據(jù)異常驅(qū)動技術(shù)檢測到的異常行為，制定相應(yīng)的響應(yīng)策略[12-15]。例如，當(dāng)網(wǎng)絡(luò)遭到攻擊時，策略響應(yīng)策略可以包括恢復(fù)受損網(wǎng)絡(luò)功能、阻止攻擊行為等。此外，策略響應(yīng)策略還可以對攻擊者的身份、目的、攻擊方式等進(jìn)行分析和評估，并制定相應(yīng)的響應(yīng)措施。將異常驅(qū)動與策略響應(yīng)相結(jié)合可以幫助管理員快速識別和應(yīng)對潛在的安全問題，提高網(wǎng)絡(luò)的安全性和穩(wěn)定性。同時，這也有助于簡化網(wǎng)絡(luò)管理，減少資源浪費。

ADNDD動態(tài)防御體系是一種將動態(tài)防御技術(shù)和網(wǎng)絡(luò)設(shè)計技術(shù)相結(jié)合的方法，它可以幫助網(wǎng)絡(luò)管理員在網(wǎng)絡(luò)規(guī)劃和建設(shè)過程中實現(xiàn)動態(tài)防御，ADNDD動態(tài)防御流程圖如圖1所示。

圖1 ADNDD動態(tài)防御流程

結(jié)合圖1分析可知，ADNDD動態(tài)防御體系在醫(yī)院網(wǎng)絡(luò)安全動態(tài)控制模型中的各個模塊具體作用如下。

1)數(shù)據(jù)采集模塊：該模塊負(fù)責(zé)從醫(yī)院網(wǎng)絡(luò)中收集實時的網(wǎng)絡(luò)流量數(shù)據(jù)、日志數(shù)據(jù)和安全事件數(shù)據(jù)等信息。它可以通過網(wǎng)絡(luò)監(jiān)測設(shè)備、防火墻和入侵檢測系統(tǒng)等來獲取數(shù)據(jù)，并將這些數(shù)據(jù)傳遞給下一個模塊。

2)數(shù)據(jù)預(yù)處理模塊：該模塊對采集到的原始數(shù)據(jù)進(jìn)行處理和清洗，以去除噪聲和異常值，并對數(shù)據(jù)進(jìn)行標(biāo)準(zhǔn)化和規(guī)范化，以便后續(xù)模塊對其進(jìn)行處理和分析。

3)特征提取模塊：該模塊負(fù)責(zé)從預(yù)處理后的數(shù)據(jù)中提取有用的特征，例如網(wǎng)絡(luò)流量的源IP地址、目的IP地址、協(xié)議類型、數(shù)據(jù)包大小等。這些特征可以用于后續(xù)模塊的分析和決策。

4)異常檢測模塊：該模塊使用機(jī)器學(xué)習(xí)和統(tǒng)計方法來檢測醫(yī)院網(wǎng)絡(luò)中的異常行為，例如入侵攻擊、惡意軟件傳播或未授權(quán)訪問等。它可以利用預(yù)先訓(xùn)練的模型或?qū)崟r學(xué)習(xí)的算法來識別異常模式，并生成相應(yīng)的告警或警報。

5)決策生成模塊：該模塊基于異常檢測模塊的輸出結(jié)果，生成相應(yīng)的決策規(guī)則和策略。例如，當(dāng)異常行為被檢測到時，決策生成模塊可以生成相應(yīng)的防御措施，如封鎖源IP地址、隔離受感染的設(shè)備或觸發(fā)警報通知相關(guān)人員。

6)控制執(zhí)行模塊：該模塊負(fù)責(zé)執(zhí)行由決策生成模塊生成的控制策略和防御措施。它可以通過網(wǎng)絡(luò)設(shè)備配置、訪問控制列表或防火墻規(guī)則等來實施這些措施，并確保網(wǎng)絡(luò)安全的實時性和有效性。

7)監(jiān)測與評估模塊：該模塊對醫(yī)院網(wǎng)絡(luò)安全控制系統(tǒng)的效果進(jìn)行監(jiān)測和評估。它可以收集執(zhí)行過程中的日志數(shù)據(jù)和事件信息，并進(jìn)行實時分析和評估，以便及時調(diào)整和優(yōu)化系統(tǒng)的配置和策略。這些模塊共同組成了醫(yī)院網(wǎng)絡(luò)安全動態(tài)控制模型中的ADNDD動態(tài)防御體系。通過這些模塊的協(xié)同工作，可以實現(xiàn)對醫(yī)院網(wǎng)絡(luò)中的異常行為的實時監(jiān)測、快速響應(yīng)和動態(tài)控制，從而提高醫(yī)院網(wǎng)絡(luò)的安全性和可靠性。

由此可知該體系基于網(wǎng)絡(luò)流量分析、動態(tài)防御策略、網(wǎng)絡(luò)資源保護(hù)和網(wǎng)絡(luò)安全評估等模塊。其中，網(wǎng)絡(luò)流量分析可以更加準(zhǔn)確地監(jiān)測網(wǎng)絡(luò)流量，了解網(wǎng)絡(luò)狀況。動態(tài)防御策略可以確保在受到攻擊時能夠迅速調(diào)整防御策略。該策略可以包括異常驅(qū)動技術(shù)、策略響應(yīng)策略等多種方法[16-17]。網(wǎng)絡(luò)資源保護(hù)能夠避免因攻擊導(dǎo)致網(wǎng)絡(luò)不可用的情況發(fā)生。網(wǎng)絡(luò)安全評估可以確保網(wǎng)絡(luò)在未來的發(fā)展中不會受到潛在的安全威脅。ADNDD防御策略的優(yōu)化是網(wǎng)絡(luò)動態(tài)防御體系的重要組成部分，它可以幫助管理員應(yīng)對日益復(fù)雜的網(wǎng)絡(luò)威脅，提高網(wǎng)絡(luò)的安全性和穩(wěn)定性，對ADNDD防御策略的優(yōu)化主要是更新防御策略，更新后的策略可以根據(jù)實際情況進(jìn)行防御策略的優(yōu)化。例如，在受到攻擊時，可以調(diào)整防御策略以提高網(wǎng)絡(luò)的可用性和安全性[18-20]。通過對ADNDD技術(shù)和動態(tài)防御體系進(jìn)行綜合優(yōu)化，可以幫助管理員應(yīng)對日益復(fù)雜的安全威脅，提高網(wǎng)絡(luò)的安全性和穩(wěn)定性。

1.2 基于SOINN結(jié)合ADNDD的醫(yī)院安全動態(tài)控制模型構(gòu)建

隨著計算機(jī)網(wǎng)絡(luò)和信息技術(shù)的發(fā)展，醫(yī)院的網(wǎng)絡(luò)安全問題日益突出[21-22]。為了保障醫(yī)院的信息安全和正常運行，研究構(gòu)建了一種動態(tài)控制模型，該模型基于自組織增量式神經(jīng)網(wǎng)絡(luò)算法(SOINN，self-organizing incremental neural network)和ADNDD兩種技術(shù)，實現(xiàn)網(wǎng)絡(luò)的動態(tài)防御和異常監(jiān)測。SOINN是一種用于解決神經(jīng)網(wǎng)絡(luò)訓(xùn)練過程中出現(xiàn)過擬合或欠擬合問題的算法。它通過不斷調(diào)整網(wǎng)絡(luò)參數(shù)來適應(yīng)當(dāng)前訓(xùn)練情況，從而避免了神經(jīng)網(wǎng)絡(luò)在訓(xùn)練過程中出現(xiàn)過擬合或欠擬合問題。自組織增量式神經(jīng)網(wǎng)絡(luò)算法的核心是將最近訓(xùn)練的神經(jīng)網(wǎng)絡(luò)參數(shù)與之前訓(xùn)練好的參數(shù)進(jìn)行自組織合并，從而形成一個新的神經(jīng)網(wǎng)絡(luò)模型。自組織增量式神經(jīng)網(wǎng)絡(luò)算法可以應(yīng)用于各種神經(jīng)網(wǎng)絡(luò)模型，如前饋神經(jīng)網(wǎng)絡(luò)、卷積神經(jīng)網(wǎng)絡(luò)、循環(huán)神經(jīng)網(wǎng)絡(luò)等。它可以解決各種神經(jīng)網(wǎng)絡(luò)訓(xùn)練中出現(xiàn)的問題，如過擬合、欠擬合、降維等，從而提高神經(jīng)網(wǎng)絡(luò)的訓(xùn)練精度和泛化能力。因此研究將SOINN結(jié)合ADNDD用于網(wǎng)絡(luò)異常點檢測，并在融合的基礎(chǔ)上構(gòu)建醫(yī)院安全動態(tài)控制模型。

SOINN能夠?qū)ι窠?jīng)網(wǎng)絡(luò)進(jìn)行動態(tài)更新，并能在遞增學(xué)習(xí)時自動保留已有的數(shù)據(jù)，避免重復(fù)學(xué)習(xí)，減少了訓(xùn)練所需的內(nèi)存和運算量。在此基礎(chǔ)上，將SOINN和有監(jiān)督的分類方法有機(jī)地融合在一起，可以在保證模型運行的同時，有效地提高模型的性能。但若要將SIONN應(yīng)用于異常檢測，需要解決SOINN對采樣順序的敏感和SOINN通過距離計算樣本之間的相似性等問題。如果對相同的采樣順序進(jìn)行訓(xùn)練，得到的結(jié)果可能是完全不同的，從而影響到異常檢測的精度。SOINN通過距離來計算樣本之間的相似性，實現(xiàn)了對高維、高量級數(shù)據(jù)的有效處理，并且存在著對高維、高量級數(shù)據(jù)的偏好，忽視了低維度對樣本的判別力，進(jìn)而降低了特征學(xué)習(xí)的精度。因此需要保證數(shù)據(jù)具有良好的特性，以保證能夠滿足遞增學(xué)習(xí)的運輸開銷。首先需要初始化學(xué)習(xí)周期內(nèi)的神經(jīng)元集合，在神經(jīng)元集合中加入新的輸入樣本。

SOINN的輸入是一組樣本數(shù)據(jù)，輸出是神經(jīng)網(wǎng)絡(luò)的權(quán)重和偏置。該算法的目標(biāo)是通過學(xué)習(xí)樣本數(shù)據(jù)，使神經(jīng)網(wǎng)絡(luò)能夠?qū)ξ粗獢?shù)據(jù)進(jìn)行準(zhǔn)確預(yù)測。網(wǎng)絡(luò)參數(shù)的優(yōu)化選取步驟如下。

1)通過初始化網(wǎng)絡(luò)參數(shù)：初始權(quán)重和偏置可以通過隨機(jī)初始化的方式進(jìn)行。

2)計算神經(jīng)網(wǎng)絡(luò)的輸出：使用當(dāng)前的網(wǎng)絡(luò)參數(shù)計算神經(jīng)網(wǎng)絡(luò)的輸出。

3)計算損失函數(shù)：將計算得到的神經(jīng)網(wǎng)絡(luò)輸出與樣本數(shù)據(jù)的真實標(biāo)簽進(jìn)行比較，計算損失函數(shù)的值。

4)更新網(wǎng)絡(luò)參數(shù)：使用梯度下降法或其他優(yōu)化算法來更新網(wǎng)絡(luò)參數(shù)，使得損失函數(shù)的值減小。

5)重復(fù)步驟2)～4)，直到達(dá)到指定的停止條件(如達(dá)到最大迭代次數(shù)或損失函數(shù)收斂到一定閾值)。在網(wǎng)絡(luò)參數(shù)的優(yōu)化選取過程中，可以使用一些技術(shù)來提高算法的性能，如學(xué)習(xí)率衰減、正則化等。此外，還可以使用交叉驗證等方法來選擇合適的參數(shù)(如學(xué)習(xí)率、正則化參數(shù)等)，以進(jìn)一步提高算法的性能。再找到新的神經(jīng)元和獲勝神經(jīng)元。神經(jīng)元的計算公式可用公式(1)表示：

(1)

公式(1)中，ζ表示新的輸入樣本；Wτ表示神經(jīng)元的權(quán)重；N表示神經(jīng)元集合；τ表示神經(jīng)元集合中的任意神經(jīng)元。獲勝神經(jīng)元可用公式(2)計算：

(2)

公式(2)中，s1表示新的神經(jīng)元值。計算得到的神經(jīng)元和獲勝神經(jīng)元閾值，其中神經(jīng)元對應(yīng)的閾值可用公式(3)計算：

(3)

公式(3)中，j表示神經(jīng)元集合中的權(quán)重。獲勝神經(jīng)元閾值可用公式(4)計算：

(4)

公式(4)中，τ表示神經(jīng)元集合中的權(quán)重。為了提高算法的精度，還需要對神經(jīng)元權(quán)重進(jìn)行更新，更新的神經(jīng)元權(quán)重可用公式(5)表示：

Ws1=Ws1+ε(t)(ζ-Ws1)

(5)

公式(5)中，ε(t)表示新神經(jīng)元的學(xué)習(xí)效率，t表示神經(jīng)元從開始訓(xùn)練到結(jié)束取得勝利的數(shù)量。獲勝神經(jīng)元的新權(quán)重值可用公式(6)表示：

Ws2=Ws2+ε′(t)(ζ-Ws2)

(6)

公式(6)中，ε′(t)表示獲勝神經(jīng)元的學(xué)習(xí)效率。結(jié)合上述分析，基于SOINN結(jié)合ADNDD的醫(yī)院安全動態(tài)控制流程如圖2所示。

圖2 基于SOINN結(jié)合ADNDD的醫(yī)院安全動態(tài)控制流程

結(jié)合圖2分析，將SOINN與ADNDD結(jié)合并應(yīng)用到醫(yī)院安全動態(tài)控制模型構(gòu)建中，可以采用以下步驟：第一步：數(shù)據(jù)收集收集醫(yī)院安全方面的數(shù)據(jù)，包括諸如醫(yī)生和護(hù)士的職稱、患者的病情嚴(yán)重程度、醫(yī)療設(shè)備的使用情況、病房的擁擠程度等。第二步：特征提取從收集到的數(shù)據(jù)中提取特征，例如醫(yī)生和護(hù)士的工作經(jīng)驗、患者的疾病類型、醫(yī)療設(shè)備的品牌和型號等，這些特征將用于構(gòu)建SOINN和ADNDD模型。第三步：構(gòu)建SOINN模型基于特征提取的數(shù)據(jù)，構(gòu)建SOINN模型，可用于將數(shù)據(jù)聚類和分類。在醫(yī)院安全動態(tài)控制模型中，可以使用SOINN模型對醫(yī)生、護(hù)士、患者和醫(yī)療設(shè)備等進(jìn)行聚類，以便更好地理解它們之間的關(guān)系。第四步：構(gòu)建ADNDD模型基于特征提取的數(shù)據(jù)，構(gòu)建ADNDD模型，可用于生成決策規(guī)則。在醫(yī)院安全動態(tài)控制模型中，可以使用ADNDD模型根據(jù)實時數(shù)據(jù)生成決策規(guī)則，例如當(dāng)病房擁擠程度超過某個閾值時，需要增派護(hù)士或調(diào)整患者的病房分配。第五步：模型融合與訓(xùn)練將SOINN和ADNDD模型進(jìn)行融合，并使用歷史數(shù)據(jù)對模型進(jìn)行訓(xùn)練。通過模型融合，可以充分利用SOINN的聚類和分類能力以及ADNDD的決策能力，提高模型的綜合性能。第六步：模型應(yīng)用將訓(xùn)練好的SOINN與ADNDD模型應(yīng)用于醫(yī)院安全動態(tài)控制中。根據(jù)實時收集到的數(shù)據(jù)，使用SOINN模型對數(shù)據(jù)進(jìn)行聚類和分類，然后使用ADNDD模型生成相應(yīng)的決策規(guī)則。比如當(dāng)SOINN模型將某個病房標(biāo)記為高風(fēng)險病房時，ADNDD模型可以根據(jù)這個標(biāo)記生成相應(yīng)的決策規(guī)則，如調(diào)配更多的護(hù)士或提醒醫(yī)生加強(qiáng)監(jiān)護(hù)。根據(jù)收集到的數(shù)據(jù)和特征，可以構(gòu)建包含若干節(jié)點和邊的SOINN網(wǎng)絡(luò)，并訓(xùn)練ADNDD模型生成相應(yīng)的決策規(guī)則。

2 模型在網(wǎng)絡(luò)異常監(jiān)測的醫(yī)院網(wǎng)絡(luò)動態(tài)控制性能分析

為了驗證模型在發(fā)生網(wǎng)絡(luò)異常的醫(yī)院網(wǎng)絡(luò)動態(tài)控制中的性能，研究將醫(yī)院的防火墻按照安全設(shè)定規(guī)則，分別設(shè)置了辦公區(qū)域的電腦和隔離區(qū)域的電腦。同時為了保證數(shù)據(jù)的穩(wěn)定性，在辦公區(qū)域還配置了一臺數(shù)據(jù)庫，在隔離區(qū)域設(shè)置了網(wǎng)絡(luò)服務(wù)器和郵件服務(wù)器，將攻擊源設(shè)置為外部網(wǎng)絡(luò)攻擊。研究構(gòu)建了MVTEC數(shù)據(jù)集；MVTEC數(shù)據(jù)集是針對醫(yī)院網(wǎng)絡(luò)動態(tài)控制任務(wù)而創(chuàng)建的一個開放數(shù)據(jù)集。該數(shù)據(jù)集用于訓(xùn)練和測試網(wǎng)絡(luò)異常監(jiān)測算法，以檢測醫(yī)院網(wǎng)絡(luò)中的異常行為。MVTEC數(shù)據(jù)集包含了多種常見的醫(yī)院網(wǎng)絡(luò)異常行為，例如惡意軟件入侵、網(wǎng)絡(luò)攻擊、數(shù)據(jù)泄露等。每個異常行為都有相應(yīng)的高質(zhì)量圖像樣本。這些圖像樣本被采集自真實醫(yī)院網(wǎng)絡(luò)環(huán)境中的網(wǎng)絡(luò)流量數(shù)據(jù)，以保證數(shù)據(jù)的真實性和多樣性。數(shù)據(jù)集的具體參數(shù)值包括：數(shù)據(jù)集規(guī)模：MVTEC數(shù)據(jù)集包含了多個子數(shù)據(jù)集，每個子數(shù)據(jù)集由不同類型的異常行為組成。每個子數(shù)據(jù)集包含了數(shù)百到數(shù)千個圖像樣本。圖像分辨率：MVTEC數(shù)據(jù)集中的圖像樣本分辨率為256×256像素。標(biāo)注信息：每個圖像樣本都有對應(yīng)的異常標(biāo)簽，用于指示該樣本是否屬于正常行為還是異常行為。數(shù)據(jù)集劃分：MVTEC數(shù)據(jù)集通常采用訓(xùn)練集和測試集的劃分方式。訓(xùn)練集用于訓(xùn)練網(wǎng)絡(luò)異常監(jiān)測算法，而測試集用于評估算法的性能。數(shù)據(jù)集來源：MVTEC數(shù)據(jù)集的圖像樣本來自真實醫(yī)院網(wǎng)絡(luò)環(huán)境的網(wǎng)絡(luò)流量數(shù)據(jù)，保證了數(shù)據(jù)的真實性和多樣性。然后將MVTEC作為實驗的數(shù)據(jù)集，該數(shù)據(jù)集中含有15 000個主機(jī)進(jìn)程的動態(tài)行為特征，且每個樣本有100個特征維度。最后隨機(jī)取1 000個異常數(shù)據(jù)樣本，1 000個正常數(shù)據(jù)樣本。通過數(shù)據(jù)集的仿真實驗結(jié)果可知，在這個數(shù)據(jù)集中，模型算法的平均運行時間為43.27秒，而SOINN的平均運行時間為48.92秒，二者的平均運行時間相差了5.65秒。雖然差距不是很大，但這也說明模型算法在時間開銷方面比SOINN更具有優(yōu)勢。此外，隨著數(shù)據(jù)集的增加，兩者的趨勢也基本一致，這表明神經(jīng)元操作是可行的。根據(jù)實驗結(jié)果，可以得出結(jié)論，模型算法在處理數(shù)據(jù)集時的效率更高，因為它相對于SOINN，平均運行時間更短。雖然差距只有5.65秒，但對于大規(guī)模數(shù)據(jù)集，這個差距可能會進(jìn)一步擴(kuò)大。此外，隨著數(shù)據(jù)集的增加，模型算法和SOINN的運行時間都有所增加，且趨勢基本一致。這表明無論是模型算法還是SOINN，在處理更多數(shù)據(jù)時，都能夠保持較為穩(wěn)定的運行效率。為了驗證模型方法在進(jìn)行增量學(xué)習(xí)的空間開銷情況，研究在同一數(shù)據(jù)集中進(jìn)行實驗，且以隨機(jī)森林算法(RF，relevant feedback)、SOINN和模型方法進(jìn)行對比，對比結(jié)果如圖3所示。

圖3 不同算法在增量學(xué)習(xí)中的結(jié)果對比

由圖3(a)可知，該圖表示增量學(xué)習(xí)需要的儲存樣本數(shù)，在增量學(xué)習(xí)的過程中儲存樣本數(shù)的需求量越小說明其占用的儲存空間越少，這樣能夠增加現(xiàn)有存儲只有的利用率。圖中模型方法的需要儲存樣本數(shù)平均值為196.53；SOINN算法需要的儲存樣本平均值為213.56；而RF算法需要的儲存樣本平均值最大，為385.71。模型算法需要的儲存樣本數(shù)平均值比SOINN算法和RF算法需要的儲存樣本平均值低17.03和189.18，這說明模式算法能夠在占用更小空間的情況下完成監(jiān)測。由圖3(b)可知，該圖表示增量學(xué)習(xí)節(jié)點數(shù)，節(jié)點數(shù)的大小與模型檢測異常所需的空間大小有關(guān)，在模型的增量學(xué)習(xí)過程中，節(jié)點數(shù)越小，說明模型檢測時需要的儲存空間越小。圖中模型方法的節(jié)點數(shù)平均值為180.89；SOINN算法的節(jié)點數(shù)平均值為226.51；同樣RF算法的節(jié)點數(shù)平均值最大，為509.35。模型算法的節(jié)點數(shù)平均值比SOINN算法和RF算法的節(jié)點數(shù)平均值低45.62和328.46，這說明模式算法在檢測時占用的空間更少，有利于資源的利用。由圖3(c)可知，該圖表示不同算法在同一數(shù)據(jù)集中的空間開銷對比情況，在同一數(shù)據(jù)集中最大深度值越小，模型方法檢測時所占用的CPU空間越小，更有利于檢測的進(jìn)行。圖中模型方法的最大深度平均值為200.06；SOINN算法的最大深度平均值為246.13；RF算法的最大深度平均值為509.43。模型算法的最大深度平均值比SOINN算法和RF算法的最大深度平均值低46.07和309.37，這說明模式算法在檢測時具有更好的可行性。為了驗證模型在網(wǎng)絡(luò)入侵成功后的防御性能，研究在同一數(shù)據(jù)集中，利用動態(tài)變換周期和變換空間來探究模型網(wǎng)絡(luò)動態(tài)防御的性能。圖5表示基于單脆弱性變換的入侵成功率，圖4中變換周期1、2、3和變換空間1、2、3分別表示單脆弱性的取值分別為10、100和1000。

圖4 脆弱性變換下的入侵成功率

圖5 多脆弱性情況下的入侵成功率對比

由圖4(a)可知，隨著間隔的增加入侵成功率也在增加，其中脆弱性的取值越小，入侵成功率越低，變換周期1的成功入侵率達(dá)到100%時，間隙為449.17。變換周期2的成功入侵率達(dá)到100%時，間隙為631.06；變換周期3的成功率入侵達(dá)到100%時，間隙為713.56。這驗證了變換周期越小越有利于模型網(wǎng)絡(luò)動態(tài)的防御。由圖4(b)可知，隨著間隙的增加，變換空間發(fā)生變化后入侵成功率明顯下降，變換空間3的入侵成功率最低，其次是變換空間2和變換空間1，這說明變換空間能夠增加模型的動態(tài)防御性能。為了進(jìn)一步驗證模型的動態(tài)防御性能，研究也在同一數(shù)據(jù)集中，利用最小周期和空間大小來探究模型網(wǎng)絡(luò)動態(tài)防御的性能。圖5表示基于多脆弱性情況下的入侵成功率對比圖。

由圖5(a)可知，隨著最小變換周期的變化，入侵成功率也在增加，最小變化周期1的入侵最快，其次是周期2和周期3，這說明最小變化周期值影響動態(tài)防御的性能。由圖5(b)可知，隨著總變換空間的減小，入侵成功率也明顯的下降，這同樣能夠說明總變換空間值越大，模型對異常入侵的動態(tài)防御性能越強(qiáng)。為了驗證研究提出的模型算法在醫(yī)院網(wǎng)絡(luò)異常檢測和動態(tài)防御控制的實際應(yīng)用效果。研究將網(wǎng)絡(luò)入侵劃分為浪涌攻擊、偏差攻擊和幾何攻擊3種。且研究選取3種類型網(wǎng)絡(luò)入侵的數(shù)據(jù)進(jìn)行實驗，每種攻擊均選取1 000個經(jīng)過預(yù)處理且?guī)в须x群點標(biāo)記的樣本進(jìn)行實驗。其中浪涌攻擊的有63個離群點，偏差攻擊的有49個離群點，幾何攻擊的有41個離群點。隨后研究將RF、SOINN和模型方法應(yīng)用于樣本數(shù)據(jù)集中進(jìn)行對比實驗，并以識別率、誤判率以及算法耗時作為對比指標(biāo)。通過實驗結(jié)果可知，模型算法在3種不同類型網(wǎng)絡(luò)入侵?jǐn)?shù)據(jù)集中的離群點識別率均顯著高于SOINN算法和RF算法。且其在浪涌攻擊、偏差攻擊和幾何攻擊數(shù)據(jù)集中的離群點識別率分別為92.13%、90.04%和89.07%。這說明模式算法在模型算法在醫(yī)院網(wǎng)絡(luò)異常檢測和動態(tài)防御控制的實際應(yīng)用效果也優(yōu)于對比算法。

3 結(jié)束語

隨著計算機(jī)網(wǎng)絡(luò)的發(fā)展，醫(yī)院網(wǎng)絡(luò)環(huán)境也遭受到更多的異常入侵，為了確保醫(yī)院工作的正常開始和維護(hù)患者的隱私安全等，需要采取有效的網(wǎng)絡(luò)安全動態(tài)控制技術(shù)。研究首先對醫(yī)院網(wǎng)絡(luò)安全動態(tài)控制構(gòu)建模型，然后將SOINN算法與ADNDD進(jìn)行融合，最后利用數(shù)據(jù)集進(jìn)行仿真實驗，以驗證模型算法的具體性能。為了驗證模型算法的可行性，將模型算法與SOINN進(jìn)行了對比，模型算法的運行時間明顯低于SOINN，這說明其具有更高的可行性。將模型算法與RF和SOINN用于數(shù)據(jù)集仿真訓(xùn)練，結(jié)果表明模型算法需要的儲存樣本數(shù)平均值比SOINN算法和RF算法需要的儲存樣本平均值低17.03和189.18；模型算法的節(jié)點數(shù)平均值比SOINN算法和RF算法的節(jié)點數(shù)平均值低45.62和328.46；模型算法的最大深度平均值比SOINN算法和RF算法的最大深度平均值低46.07和309.37。為了驗證模型的實際防御效果，通過采用3種已知的異常入侵對模型進(jìn)行測試，在浪涌攻擊、偏差攻擊和幾何攻擊數(shù)據(jù)集中的離群點識別率分別為92.13%、90.04%和89.07%。這說明模式算法在模型算法在醫(yī)院網(wǎng)絡(luò)異常檢測和動態(tài)防御控制的實際應(yīng)用具有很高的價值。同時這也表明模型算法在網(wǎng)絡(luò)異常檢測和動態(tài)防御過程中能夠減少醫(yī)院現(xiàn)有計算機(jī)的資源浪費，并幫助醫(yī)院及時發(fā)現(xiàn)并處理潛在威脅，提高醫(yī)院的網(wǎng)絡(luò)安全。但研究中還存在不足之處，由于實驗中采用的數(shù)據(jù)集均為同一數(shù)據(jù)集，數(shù)據(jù)中的數(shù)據(jù)來源較為單一，這使得結(jié)果存在一定的局限性，下一步可以增加數(shù)據(jù)集種類，以提高模式算法的適應(yīng)性。