SCI论文（www.lunwensci.com）
摘 要 ：基于机器学习的网络安全防护系统,通过基础层、网络层及分析决策层共同构建,在数据采集与处理阶段,系统 收集网络流量和日志数据,并进行预处理和特征提取,以供后续的机器学习模型训练使用。通过机器学习模型训练,系统能够 学习网络中的正常行为和异常模式,从而实现对安全事件的检测和预测。通过评估系统测试结果,验证了系统的准确性、召回 率、精确度和 F1 值等指标。测试结果表明,基于机器学习的网络安全防护系统在各项指标上表现出优异的性能,能够准确检 测和预测网络中的安全事件发生。
关键词 ：机器学习,网络安全,安全系统
DesignofMachineLearning-basedNetworkSecurityProtectionSystem
XU Qikai, FANG Liangkun
(Zhejiang Sci-Tech University, Hangzhou Zhejiang 310018)
【Abstract】：The machine learning-based network security protection system is built by combining the foundation layer, network layer, and analysis decision layer. In the data collection and processing stage, the system collects network traffic and log data, performs preprocessing and feature extraction for subsequent machine learning model training. Through machine learning model training, the system is capable of learning normal behaviors and abnormal patterns in the network, enabling the detection and prediction of security events. The system's accuracy, recall, precision, and F1-score are evaluated through the assessment of system test results. The test results demonstrate the outstanding performance of the machine learning-based network security protection system across various metrics, accurately detecting and predicting security events in the network.
【Key words】：machine learning;network security;security system
0引言
相较于传统规则和签名基础的信息防护系统,基于 机器学习的网络安全防护系统具有更高的灵活性和自适 应性,能够应对未知的安全攻击和变化的网络环境 [1]。 本文从系统总体架构、系统功能设计等方面展开讨论。 通过充分利用机器学习和数据分析的优势,旨在构建一 个高效、准确和自适应的网络安全防护系统,为用户和 组织提供可靠的安全防护屏障,并为网络安全领域的进 一步研究实践提供助力。
1 基于机器学习的网络安全防护系统总架构
基于机器学习的网络安全防护系统总架构由分析决 策层、网络层、基础层构成,分层设计有助于系统模块化划分,使各层职责清晰,提高系统的可维护性和可扩 展性。每个层次均可以独立进行优化和升级,不会对其 他层次产生过多的影响。基于机器学习的网络安全防护 系统架构如图 1 所示。
该系统基础层存储原始的网络流量数据和安全事件 数据,以便后续的分析和审查 ;网络层负责收集网络流 量数据和日志数据,将其传输到分析决策层进行处理, 可协调与网络流量过滤和阻断,以保护网络安全并提供 额外的安全信息 ;分析决策层负责收集和预处理网络流 量数据,并对其进行数据清洗、归一化和特征提取。使 用预处理后的数据可对其进行机器学习模型的训练和更 新,基于训练好的机器学习模型,实时检测和预测网络中的安全事件和异常行为。
2 系统功能设计
2.1 数据采集与处理
数据采集与处理是基于机器学习的网络安全防护系 统中的核心功能之一。其涉及收集、预处理和准备数 据,以便后续的分析、模型训练和预测。数据采集与处 理流程如图 2 所示。
数据采集与处理流程涉及从不同数据源收集、清 洗、预处理和存储数据,为后续的分析和预测提供准 备。首先,选择合适的数据源和采集方法,确保数据源 的可用性和可靠性。针对网络流量数据,使用流量镜像 技术,捕获实时的网络流量数据,对于日志数据,设置 集中式日志管理系统,收集来自各个网络设备和应用程序的日志信息。随后,对采集到的数据进行清洗,去除 无效、重复或错误的数据,以确保数据的准确性和一致 性 [2]。在清洗后,对数据进行预处理,以使其适应后续 的分析和预测。将数据转换为统一的格式和单位后,从 数据中提取有意义的特征,描述网络流量的属性和行 为。接着,将清洗和预处理后的数据在存储系统中,以 确保数据的安全性和可访问性。在数据处理过程中,还 需对异常数据进行检测,识别可能的异常数据或异常行 为,避免出现潜在的数据泄露、攻击或故障情况,此时 采用消息队列的方式,管理和调度数据流的流动,确保 数据的实时传输和处理。最后,使用加密技术保护数据 的传输和存储安全。
2.2 机器学习模型训练
机器学习模型训练是基于机器学习的网络安全防护 系统中的关键功能之一 [3]。通过训练机器学习模型,系 统可以学习网络流量数据的模式和特征,并能够对安全 事件进行检测和预测。该系统应用决策树构建模型,首 先,将数据集划分为训练集和验证集,训练集用于模 型的训练,验证集用于模型的评估和调优。其次,采用 CART(Classification and Regression Trees) 用 于 分类、回归问题。CART 算法输入训练数据集为 D,输 出决策树模型为 T。若数据集 D 中所有样本属于同一类 别 C, 则创建叶节点, 并将类别 C 作为该叶节点的类别 标记。若数据集 D 中样本在特征集 A 上取值相同, 则 创建叶节点,并将数据集 D 中样本的均值(回归问题) 或多数类别(分类问题)作为该叶节点的类别标记,否 则对于每个特征j,遍历该特征的所有可能取值 v,根据 特征 v 和取值 v 将数据集 D 划分为两个子数据集 D1 和 D2.若为分类问题,使用基尼指数(Gini Index)作为衡量不纯度的指标,基尼指数公式如式(1)所示 ：
Gini(D) = 1 − Σ(pk2 ) (k = 1toK) (1)
式(1) 中, K 表示类别的数量, pk 表示数据集 D 中第 k 个类别的样本数占比。基尼指数衡量了数据集 D 中样本的不纯度或混杂程度。基尼指数越小,表示数据 集 D 的纯度越高,样本属于同一类别的概率越大。在决 策树算法中,选择基尼指数最小的划分特征和取值进行 划分,可以使得划分后的子数据集更加纯净,提高决策 树的判别能力和预测准确性。若为回归问题,使用基尼 系数(Gini Gain)作为衡量不纯度的指标。基尼系数 公式如式(2)所示 ：
Gini (D, A)= p1×Gini (D1) + p2 ×Gini (D2) (2)
式(2) 中, Gini (D, A) 表 示 在 特 征 A 的 某 个 取 值下,数据集 D 的基尼系数 ;p1 和p2 表示按照特征A 的取值划分后, 子数据集 D1 和 D2 的样本数占比 ; Gini (D1)和Gini(D2)分别表示子数据集 D1 和 D2 的基尼 指数。基尼系数衡量了在特征A 的某个取值下,划分后 子数据集的纯度提升程度。选择基尼系数最小的划分特 征和取值进行划分,可以使得划分后的子数据集更加纯 净,提高决策树的判别能力和预测准确性。
2.3 安全事件检测与预测
安全事件检测与预测功能是通过训练和使用机器学 习模型来实时监测网络中的安全事件和异常行为,并进 行预测以提前采取相应的防护措施 [4]。该系统采用神经 网络的前向传播方法将输入数据通过网络的各层进行计 算,最终得到预测结果。首先,对网络中的权重和偏置使 用随机数初始化,然后,将输入数据送入网络的输入层, 随后对每个隐藏层和输出层进行线性计算,计算每个节点 的加权和。对于第l 层的节点i,计算公式如式(3)所示 ：
其(4) 中, x 是输入值, σ (x)是输出值,取值范围 在 (0.1) 之间。Sigmoid 函数将输入值映射到一个 S 形 曲线,可以用于二分类问题的输出层,输出层的输出即 为神经网络的预测结果。
3 系统测试
3.1 测试准备
为测试和评估基于机器学习的网络安全防护系统 的稳定性和准确性,该系统使用 Windows 操作系统、 TensorFlow 2.0 编译器和其他硬件配置搭建了稳定的 试验环境,使用网络流量数据集和漏洞数据集作为试验 数据,将该系统与传统方法设计的网络安全监测系统进 行对比试验,评估了系统的准确性、召回率、精确度和 F1 值等指标,以验证基于机器学习的网络安全防护系 统在漏洞检测方面的性能和效果。通过多次试验和统计 分析,可得出关于系统稳定性和准确性的可靠结论。
3.2 测试结果
通过对基于机器学习的网络安全防护系统和传统方 法设计的网络安全监测系统进行对比试验,得到的测试 结果如表 1 所示。
由表 1 数据可知,基于机器学习的网络安全防护 系统表现出了出色的性能,达到了 95% 的准确率。相 比之下,传统方法设计的网络安全监测系统的准确率 为 85%,说明基于机器学习的系统能够更准确地分类 和预测网络安全事件 ;对于召回率指标,基于机器学习 的网络安全防护系统达到了 90% 的召回率,而传统方 法设计的系统仅为 80%。意味着基于机器学习的系统 在检测和捕捉真实安全事件方面更为敏感和有效 ;在精 确度指标方面,基于机器学习的网络安全防护系统表现 出了高精确度, 达到了 92%。相比之下, 传统方法设 计的系统的精确度为 88%,表明基于机器学习的系统 在预测为正例的样本中更具准确性 ;综合考虑精确度和 召回率的 F1 值指标显示,基于机器学习的网络安全防 护系统达到了 93% 的 F1 值,而传统方法设计的系统为 84%,再次证明了基于机器学习的系统在漏洞检测方面 的综合性能更为优越。
4 结语
通过将基于机器学习的网络安全防护系统同传统方 法进行对比实验测试,验证了该系统的高准确率、召回 率、精确度和 F1 值,进一步证实了基于机器学习的网 络安全防护系统在网络安全事件检测和预测方面的有效 性和可靠性。
参考文献
[1] 孔丹丹.面向网络安全的基于SDN的入侵检测与防御系统 [J].信息系统工程,2023(5):85-87.
[2] 周建青.人工智能技术下计算机网络安全防护系统的设计和 实现[J].信息与电脑(理论版),2023.35(4):202-204.
[3] 周恒磊.金融机构网络流量安全分析系统架构设计与应用实 践[J].信息安全与通信保密,2022(12):99-107.
[4] 丁朝晖,张伟,杨国玉,等.电力工控系统网络安全大数据智能 分析平台关键技术研究[J].中国设备工程,2022(S2):139-141.
关注SCI论文创作发表，寻求SCI论文修改润色、SCI论文代发表等服务支撑，请锁定SCI论文网！
文章出自SCI论文网转载请注明出处：https://www.lunwensci.com/jisuanjilunwen/74011.html
