【摘要】：隨著網絡基礎設施的完善和物聯(lián)網技術的發(fā)展,網絡成為日常生活中不可或缺的要素并使得事物之間的聯(lián)系更加緊密。大數(shù)據(jù)時代,網絡規(guī)模和數(shù)據(jù)量的爆炸性增長演化出網絡大數(shù)據(jù),這影響和改變了人們的工作和生活。同時,社會各界都非常重視網絡安全問題,基于大數(shù)據(jù)的網絡安全態(tài)勢感知的研究成為網絡安全領域的新熱點。網絡大數(shù)據(jù)是指基于網絡環(huán)境的多元世界互動所產生的大數(shù)據(jù)。這些數(shù)據(jù)是廣泛可用的、多源異構的、有高噪聲的并且交互性和突發(fā)性強。其中不僅包含豐富的非結構化數(shù)據(jù)和復雜的關聯(lián)知識,而且數(shù)據(jù)以動態(tài)快速生成的流式數(shù)據(jù)的形式存在有很強的時效性。在諸多網絡安全態(tài)勢感知技術中,主要的方法是通過分析網絡中的數(shù)據(jù)記錄來識別網絡行為及其可能造成的影響。然而,在大數(shù)據(jù)背景下,現(xiàn)有的網絡安全態(tài)勢感知模型資源開銷大、分析結果的精度低、準確率低、處理效率低、不能應用于實時和大規(guī)模的場景等缺點。為克服這些缺陷和不足,本文結合網絡大數(shù)據(jù)的特征,提出了四種基于分布式數(shù)據(jù)分析技術的網絡安全態(tài)勢感知模型。首先,基于神經網絡的網絡安全態(tài)勢感知模型。在模型中根據(jù)數(shù)據(jù)記錄的特征進行數(shù)據(jù)的簡化和清洗,從而解決數(shù)據(jù)多源異構和高噪聲的問題。并以三層前饋神經網絡作為模型的核心,利用神經網絡的誤差逆反饋策略提高模型分析的精度和準確率。其次,基于隨機森林的網絡安全態(tài)勢感知模型。模型通過數(shù)據(jù)特征分析對數(shù)據(jù)進行降維處理,從而突出數(shù)據(jù)記錄的特征屬性并減少無效數(shù)據(jù),以此降低模型的資源開銷和對網絡硬件設備配置的依賴。隨機森林算法作為模型的核心,它使模型能夠區(qū)分各種網絡行為活動。第三,基于星型結構的網絡安全態(tài)勢感知模型。在這個模型中,數(shù)據(jù)記錄關聯(lián)性和獨立性問題可以通過優(yōu)化關聯(lián)規(guī)則挖掘算法來解決。基于樸素貝葉斯算法作為模型的核心,通過局部預測結果的融合高效的分析整個網絡環(huán)境的變化趨勢。第四,自適應網絡安全態(tài)勢感知模型。模型利用數(shù)據(jù)特征動態(tài)生成網絡態(tài)勢異常庫,有效的解決了快速動態(tài)生成的網絡數(shù)據(jù)流的分析和處理問題。以動態(tài)時間規(guī)整算法作為模型的核心,結合離線學習和在線學習的特點分析處理流式網絡大數(shù)據(jù),使得模型能夠有效應對數(shù)據(jù)流的廣泛性、突發(fā)性和無序性等問題。本文提出的四種模型是專門為解決大數(shù)據(jù)問題而設計的解決方案,模型的結構復雜并與分布式平臺相集成,這能夠有效解決資源開銷、分析精度和實時性等問題。它們的基本思路是通過多種不同的并行化算法分別實現(xiàn)模型的不同功能,首先對網絡大數(shù)據(jù)進行清洗預處理,然后,對預處理的數(shù)據(jù)進行安全態(tài)勢的理解分析,根據(jù)理解的結果得出安全態(tài)勢的感知結果。本文提出的四種模型應用在大規(guī)模數(shù)據(jù)集上有著良好的效果。
【圖文】：

圖 2.8 并行和串行時間對比圖中可以看出，模型在分布式平臺上并行化的運行所消耗的時間更更高。從實驗結果得出面對大數(shù)據(jù)量時，分布式并行化處理是一種了進一步驗證該模型的處理效率和性能，設計并實現(xiàn)了四組比對實一樣的實驗環(huán)境下，對同一數(shù)據(jù)集使用了模型中的四種不同的算法如圖 2.9 所示。在第一種方法中只使用分布式并行化的聚類算法來對行分析。從圖中可以看出，實驗結果很差。因為，數(shù)據(jù)的高維度影算法的準確性。第二種方法中加入降低數(shù)據(jù)維度的操作，，然后再對理。檢測率有了很大提高。數(shù)據(jù)降維后效果非常好。因此，在第三采用經過同樣降維處理的數(shù)據(jù)集，然后對數(shù)據(jù)集進行關聯(lián)規(guī)則分析于神經網絡的網絡安全態(tài)勢感知模型。首先進行數(shù)據(jù)清洗，然后進分析。利用神經網絡對初步分析結果進行調整，得到最終結果。如文提出的模型的檢測率最高。

圖 2.9 四種方法的檢測率比較為了驗證分布式并行化模型的加速性，本次實驗選擇了 1-5 節(jié)點作為實選取“并行和串行時間對比”實驗中最大的數(shù)據(jù)作為測試數(shù)據(jù)集。加速計算公式如下:（2T1：在單機環(huán)境中的串行所消耗的時間，T2：在集群的分布式環(huán)境中并行所消耗的時間。驗結果如圖 2.10 所示。如圖中所示節(jié)點數(shù)量不斷增加，模型的加速隨之上升。然而，當節(jié)點數(shù)目為 3 到 4 時，曲線的增長速率變緩慢。增加節(jié)點數(shù)量導致它們相互之間的通信成本增大。節(jié)點之間的通信將資源和時間。從實驗中可以看出，基于神經網絡的網絡安全態(tài)勢感知確率，誤檢率，時間和效率等方面表現(xiàn)良好。
【學位授予單位】：華僑大學
【學位級別】：碩士
【學位授予年份】：2018
【分類號】：TP393.08

【參考文獻】

相關期刊論文 前10條

1 張晶;薛冷;容會;王劍平;付曉東;;基于GA優(yōu)化BP神經網絡的WSN數(shù)據(jù)融合技術研究[J];山西大學學報(自然科學版);2015年02期

2 劉玉嶺;馮登國;連一峰;陳愷;吳迪;;基于時空維度分析的網絡安全態(tài)勢預測方法[J];計算機研究與發(fā)展;2014年08期

3 孫大為;張廣艷;鄭緯民;;大數(shù)據(jù)流式計算:關鍵技術及系統(tǒng)實例[J];軟件學報;2014年04期

4 劉智慧;張泉靈;;大數(shù)據(jù)技術研究綜述[J];浙江大學學報(工學版);2014年06期

5 馮登國;張敏;李昊;;大數(shù)據(jù)安全與隱私保護[J];計算機學報;2014年01期

6 張引;陳敏;廖小飛;;大數(shù)據(jù)應用的現(xiàn)狀與展望[J];計算機研究與發(fā)展;2013年S2期

7 王元卓;靳小龍;程學旗;;網絡大數(shù)據(jù):現(xiàn)狀與展望[J];計算機學報;2013年06期

8 馮芷艷;郭迅華;曾大軍;陳煜波;陳國青;;大數(shù)據(jù)背景下商務管理研究若干前沿課題[J];管理科學學報;2013年01期

9 李國杰;程學旗;;大數(shù)據(jù)研究:未來科技及經濟社會發(fā)展的重大戰(zhàn)略領域——大數(shù)據(jù)的研究現(xiàn)狀與科學思考[J];中國科學院院刊;2012年06期

10 ;工信部發(fā)布《物聯(lián)網“十二五”發(fā)展規(guī)劃》[J];信息安全與通信保密;2012年03期

本文編號：2692715