基于人工蜂群算法的無線網絡攻擊行為的辨識研究

陶慶鳳

(閩南理工學院 實踐教學中心，福建 石獅 362700)

如今，互聯網應用軟件日益多樣化，吸引了越來越多的網絡用戶去使用[1].隨著互聯網用戶的快速增長，多種計算機病毒慢慢開始侵蝕著網絡環境，木馬病毒利用互聯網應用軟件對網絡進行攻擊，已成為危害網絡環境安全的重要因素，它不僅影響著網絡環境的正常運行，而且增加了用戶的個人隱私信息泄露的風險，造成個人財產損失[2].目前的無線網絡環境具有很強的時變性，一般的網絡攻擊檢測技術很難抵御跨站的數據攻擊，對無線網絡攻擊行為也很難識別.因此，利用無線網絡攻擊行為辨識方法對無線網絡實時監測和排查網絡攻擊行為，是當前網絡安全領域的研究重點[3].

針對目前無線網絡攻擊行為很難準確辨別等問題，盧強[4]等人提出了基于自動過濾波的防網絡攻擊算法，首先在無線網絡的傳輸信道對無線網絡信號源進行采集，將采集的網絡信息進行統一權重處理，建立網絡攻擊提醒模型，采用自動過濾分析方法對網絡攻擊信息進行評估，根據攻擊行為特征信息進行網絡行為辨別，實驗結果表明，利用自動過濾波的防網絡攻擊算法，對于未知的網絡攻擊行為具有一定識別能力，相對于傳統的網絡攻擊檢測方法，更具有現實意義；王珂[5]等人提出了一種基于小波的無線網絡攻擊行為辨識方法，用來解決傳統網絡攻擊行為辨別算法檢測速度慢，以及對無線網絡攻擊辨別能力低等問題，利用此方法可以提高網絡攻擊軟件的主動性，對無線網絡隨機攻擊行為進行自動檢測.

針對以上方法在誤報率和辨識效率方面存在的不足，本文提出了一種新的基于人工蜂群算法的無線網絡攻擊行為辨識方法.

1 基于人工蜂群算法的無線網絡攻擊行為辨識方法

1.1 無線網絡攻擊行為預處理

在無線網絡攻擊行為數據采集過程中，首先利用極值函數對惡意攻擊數據進行獲取，再利用小波方程式[6]確定無線網絡攻擊隸屬度，然后對無線網絡攻擊行為進行預處理，具體操作過程如下.

設X={X1,X2,…,Xn}是無線網絡攻擊行為的目標識別數據，每個攻擊行為數據的特征數為m，則可以得到無線網絡攻擊行為數據矩陣

(1)

其中，xnm表示第m個無線網絡攻擊行為對象的第n個原始信息數據.利用極值函數[7]獲取無線網絡攻擊行為的特征屬性，再根據小波方程式求得攻擊行為隸屬度，當目標識別數據越小時，xi的模糊組數據越大.利用聚類相近指標計算出目標識別系數構建相應的目標識別函數為

(2)

(3)

公式(3)中，λ是數據權重值，r代表惡意攻擊數據與辨別中心的最遠距離值.

在無線網絡攻擊行為特征提取的基礎上，獲得惡意攻擊數據，利用小波方程式對無線網絡攻擊行為數據進行分析處理，計算出無線網絡惡意攻擊信息Y的變量值為

H(Y)=-∑p(yi)log2p(yi)d2(X,Y)，

(4)

其中，Y={Yj,j=1,2,…}表示無線網絡惡意攻擊序列，p(yi)代表無線網絡惡意攻擊變量值Y的有效檢驗率，利用辨別系統對采集的惡意攻擊數據進行分類辨別[8]，再利用得到數據求平均攻擊數據值，就可獲得惡意攻擊序列為

(5)

根據無線網絡惡意攻擊數據Sj(ρ)計算得出，在時間值為T時的辨別結果Y(j)T，并與事先求得的目標辨別數據進行對比，最終根據(6)式初步獲得無線網絡攻擊行為

(6)

公式(6)中，x(t)代表無線網絡接收的網絡傳輸信號，s(t)是在數據傳輸過程中當有無線網絡惡意攻擊時的發射信號，n(t)是代表攻擊信息的惡意目標，h是無線網絡攻擊網絡信道的振幅值.

1.2 提取無線網絡攻擊行為特征

根據無線網絡攻擊行為的預處理結果，提取無線網絡攻擊行為特征，具體過程如下.

采用z=(z1,z2,…,zp)T來描述無線網絡的節點特征分量，W(w1,w2,…,wq)表示節點分布區域，那么可以得到無線網絡不同節點對比結果，即

(7)

其中，z的取值為

z=WTz=(WT)-1a.

(8)

采用人工蜂群算法[9]可以計算出無線網絡節點權值系數，公式為

(9)

其中，ak表示無線網絡節點的權值，dk表示無線網絡攻擊行為節點的權值.

根據無線網絡節點的權值系數[10]，計算無線網絡攻擊行為的特征提取殘差參數，公式為

(10)

其中，G在無線網絡攻擊行為特征提取時的一個常數.

(11)

其中，Ez表示無線網絡節點之間的特征值，wk表示無線網絡節點的權值.

Ezwk=vkwk，

(12)

其中，vk表示無線網絡攻擊行為的特征值.

根據以上分析，得到無線網絡攻擊行為特征的提取結果，表示為

(13)

1.3 構建無線網絡攻擊行為辨識模型

在辨識無線網絡攻擊行為時，假設無線網絡攻擊行為數據都是由一個個線性相關的時間序列組成[11]，采用人工蜂群算法對無線網絡攻擊行為進行干擾抑制，即

(14)

其中，a0表示無線網絡攻擊行為的初始采樣賦值，ai表示無線網絡中某一個階段攻擊行為的采樣賦值，ηn-j表示無線網絡攻擊行為特征的時變瞬時頻率，MMA表示無線網絡的攻擊行為辨識的短時窗函數，MAR表示無線網絡攻擊行為辨識的多元數量值函數，xn-i表示均值和方差相同的無線網絡攻擊行為特征序列，bj表示無線網絡攻擊行為的振蕩賦值.采用人工蜂群算法[12]分析無線網絡的攻擊行為，獲取無線網絡攻擊過程中的振蕩衰減，即

(15)

其中，mt表示無線網絡攻擊行為在單分量上的傳遞信息，a表示無線網絡攻擊行為的域間方差系數，BH(t)表示無線網絡攻擊行為識別的相關函數，通過采用人工蜂群算法分析與處理[13]，得到無線網絡攻擊行為的輸出解析模型，表示為

(16)

無線網絡數據在傳輸過程中，采用人工蜂群算法識別無線網絡攻擊行為特征[14]，計算無線網絡攻擊行為的累積量切片，即

(17)

(18)

其中，vx(t)表示攻擊行為特征的頻率交叉項，XP(u)表示時間尺度脈沖響應，v0表示無線網絡數據傳輸初始階段的頻率交叉項，YP(u)表示辨識輸出中心矩.

在無線網絡攻擊行為所處的時間序列中，如果噪聲項屬于高斯噪聲，那么存在

(19)

綜上所述，采用人工蜂群算法對無線網絡攻擊行為進行干擾抑制，得到無線網絡攻擊的振蕩衰減，利用無線網絡攻擊行為的輸出解析模型，計算無線網絡攻擊行為的累積量切片，根據無線網絡攻擊行為數據特征的分離過程，對無線網絡攻擊行為特征進行搜索，實現無線網絡攻擊行為的辨識.

2 實驗對比分析

為了驗證基于人工蜂群算法的無線網絡攻擊行為辨識方法在誤報率和辨識效率方面的性能，實驗過程中采用KDD99實驗數據集，其中每一條連接記錄都包含攻擊行為和正常行為，選取20% KDD99數據集中攻擊行為和正常行為各900個進行平等劃分，引入文獻[4]的無線網絡攻擊行為辨識方法和文獻[5]的無線網絡攻擊行為辨識方法進行對比，得到了以下實驗測試結果.

三種無線網絡攻擊行為辨識方法的無線網絡攻擊行為誤報率測試結果如圖1所示.

圖1 無線網絡攻擊行為誤報率測試結果

從圖1的結果可以看出，隨著無線網絡攻擊行為數量越來越多，基于人工蜂群算法的無線網絡攻擊行為辨識方法和文獻[5]的無線網絡攻擊行為辨識方法都維持在一個比較低的無線網絡攻擊行為誤報率，但是基于人工蜂群算法的無線網絡攻擊行為辨識方法的無線網絡攻擊行為誤報率更低，大約在5%以內；而文獻[4]的無線網絡攻擊行為辨識方法將自適應卷積濾波作為約束條件，由于無線網絡攻擊行為特征存在噪聲點，沒有對其進行預處理，影響最后的無線網絡攻擊行為辨識效果.

三種無線網絡攻擊行為辨識方法的無線網絡攻擊行為辨識效率測試結果如圖2所示.

圖2 無線網絡攻擊行為辨識效率測試結果

從圖2的結果可以看出，采用無線網絡攻擊行為辨識耗費時間來衡量無線網絡攻擊行為辨識效率，在不同的干擾項和迭代次數下，基于人工蜂群算法的無線網絡攻擊行為辨識方法中的無線網絡攻擊行為辨識效率遠遠高于文獻[4]和文獻[5]中的方法，原因是本文設計的無線網絡攻擊行為辨識方法在辨識無線網絡攻擊行為之前，采用人工蜂群算法對無線網絡攻擊行為進行了預處理，提高了無線網絡攻擊行為的辨識效率.

3 結束語

針對當前無線網絡攻擊行為辨識方法存在的多種問題，本文提出了一種基于人工蜂群算法的無線網絡攻擊行為辨識方法，通過預處理無線網絡攻擊行為，提取出無線網絡攻擊行為特征，結合人工蜂群算法實現了無線網絡攻擊行為的辨識.實驗結果顯示，該辨識方法在誤報率和辨識效率方面具有很好的效果，可以在實際中得到進一步推廣.