反馈学习攻击方法研究
反馈学习攻击方法研究 1引言 近年来，网络的作用在人们的日常生活中变的不可或缺， 通过网络，人们能够迅速完成信息资源的传递和共享［1］， 在享受互联网带来的各种便利的同时，网络中也存在着大量 的威胁，网络安全问题得到了相关部门越来越多的重视。当 前，对网络威胁最为巨大的就是隐藏在各种服务中的网络恶 意攻击，这些恶意攻击包含大量的对网络破坏能力极强的代 码，它们的存在是对网络安全的极大威胁。为了抵制不良攻 击对网络的侵害，越来越多的学者把目光转向了恶意攻击的 过滤方法研究上，希望通过攻击过滤的方法［2］，把有威 胁的攻击阻挡在网络的外部，保证网络的安全性。传统的过 滤算法有规则匹配算法，支持向量机的过滤算法等等，这些 算法成为当前研究的一个热点。但是，传统的网络攻击过滤 方法存在一个问题，就是这些攻击过滤方法多是基于有明确 种类攻击归属的特征进行攻击有害判定的，这些方法也没有 考虑那些很难建立归属的野攻击，这就使得一些分化后的野 攻击，躲避了传统的分类识别检测方法，通过这种伪装，逃 避网络攻击检测算法过滤。当野攻击躲过传统的分类检测算 法后，造成过滤的漏检率很高［3］。因此，如何能够准确 过滤网络攻击中的无法分类的野攻击，保证网络信息安全的 环境，成为一个难题。为了解决这一问题，提出了一种反馈 学习的网络攻击过滤方法，建立反馈学习模型，通过反馈训练对网络攻击中存在的野攻击进行检测，利用检测错误驱动 进行下一步的迭代训练，完成对野攻击的准确分类。随着反 馈的进行，反馈学习能捕捉到网络中攻击种类的细微变化， 分类性能逐步提高。实验结果表明，该方法能够很好地检测 出不能进行种类划分的野攻击，并完成过滤，实现方法简单 高效，取得了令人满意的效果。2网络攻击过滤原理 网络恶意攻击过滤也被称为网络抗攻击检测，俗称防火 墙。这种方法根据网络中攻击的不同种类，通过对恶意攻击 的有效分类，利用攻击特征的一致性完成对恶意攻击的有效 分类过滤［4～5］。具体过滤步骤如下:首先建立起网络中 的恶意攻击检测分类模型，运用该模型提取出恶意攻击的有 效特征，设为Y(x，y);根据组建的网络恶意攻击模型，对网 络中的存在的恶意攻击特性与正常程序的特性进行比较，选 取有可能是潜在的恶意攻击程序作为分类对象，方法如下: 通过网络对网络异常攻击的分类，进行有效的过滤最终保证 网络的安全。传统的网络攻击过滤方法是以网络攻击的有效 分类结果为基础的，分类结果的好坏直接影响着过滤的结果。
但是，当网络攻击发生多次分化，特征与其它网络攻击特征 相差较大的时候，网络聚类划分的方法对这些野攻击很难进 行类别的判断，造成在第二步对网络攻击进行分类的时候， 不能准确分类，根据式(2)知，分类结果��Seqi不包含这些 野攻击，分类会出现较大的误差，这样就导致了式(3)中的过滤结果不准确，式(3)很难保证对没有参与分类的野攻击 有效过滤，漏检率高的问题。为了解决这一问题，提出了一 种反馈学习的网络攻击过滤方法，通过反馈训练对野攻击进 行检测，完成对野攻击的准确分类，反馈学习能捕捉到网络 中攻击种类的变化，分类性能逐步提高，克服传统方法的缺 陷。实验证明，该方法能快速准确的过滤网络不良攻击，效 果良好。
3联系概率的节点数据异常检测 反馈学习算法寻找位于两个类别边界处的点并对分类 错误的网络攻击进行反馈。网络攻击模型的分类处理主要与 分类边界处的支持向量有关，对不同攻击进行分类后，证明 是包含该网络攻击的相关信息的有效种类，则可以规划到能 够进行正常进算的网络攻击种类中。对于网络野攻击，会划 分到分类的错误信息里，分类错误网络攻击含有原模型中所 不包含的分类信息，这些信息是算法研究的重要内容。而这 些网络攻击中的野攻击在网络的分类中占的比例并不大。可 用于进行信息反馈的内容并不多，但是他们的存在却能克服 也攻击对信息过滤的影响，大幅提高分类的准确性。对于网 络攻击分类而言，通过二次优化训练处理，获得位于分类边 界处由数据点组成的集合，用于分类处理。这些数据点，包 括不能被划分种类的野攻击，一般都位于分界点的边界上， 被无划分到某个种类中。对于网络边缘攻击向量集K，它与 正常网络攻击中的种类比较是比较小的，可以用K��E表示。这样的攻击向量包含了所有的有效网络攻击和野攻击。因此， 对于网络攻击过滤而言，良好的增量训练学习能够为网络攻 击划分打下基础，而对于反馈学习，则可以充分利用其增量 学习的优点，对不能被正常分类的网络野攻击进行有效的划 分，切除误划分的影响，获取新的分类野攻击分类模型Ω＇ 及野攻击向量集。
3．1反馈分析及优化算法的第一步是构造的网络野攻击 判断的决策函数，一般情况下，是通过网络攻击隶属度大小 对进行网络类别划分的一个重要依据，划分的标准是通过攻 击特征到类特征中心之间的距离，这样就能衡量网络攻击对 类的贡献度的大小。目前，在网络攻击过滤中，基于攻击间 特征距离的隶属度函数，是将攻击的隶属度看作是网络攻击 特征空间中样本种类划分的一个重要依据。通过向量的划分 能够对攻击向量进行准确的划分，其中，不能被划分的野攻 击也有自己固定的特征，野攻击一般满足下面三条要求:1) 野攻击位于分类种类的边缘，与正常的网络攻击边界同侧， 满足0%yif(xi)＜1;如图中S1;2)野攻击位于分类种类的边 缘，与正常的网络攻击边界异侧，满足－1%yif(xi)＜0;如 图中S2;3)野攻击位于分类种类的边缘外，与正常的网络攻 击边界异侧，满足yif(xi)＜－1;如图中S3;通过野攻击种类 划分的分布，发现野攻击种类划分的分布是种类划分中的特 例。在正常是网络种类划分中，这种情况被认为是错误的。
所以选取这种所谓的错误的分类样本作为划分中的反馈学习样本，这样分类方案中考虑了野攻击对分类有贡献的新增 信息，这些新信息就是不能被正确划分的野攻击。训练得到 的野攻击集E可以作为反馈的数据源，反馈网络攻击集需要 与原模型的正常网络攻击几何一起训练，这些网络攻击有可 能已成为正常的网络攻击种类划分的一部分，若仍留在野攻 击集合S中，则会影响模型的效果。因此，在进行训练网络 攻击的反馈学习过程中，反馈训练前需首先对该类反馈网络 攻击进行检测，保证模型的正确性。
3．2反馈处理算法流程针对以上处理，具体网络攻击过 滤反馈处理算法步骤如下:1):对网络攻击的分类结果集合R 中的边缘网络攻击di∈R进行反馈处理，对R中的所有错误网 络攻击，也就是野攻击进行反馈，选取的比例不宜太大，因 为野攻击并不常见，根据环境确定。根据网络野攻击特征对 需要进行反馈处理的网络攻击，给出反馈类别，存入反馈网 络攻击集F，准备进行有效的野攻击特征收集工作。2)所有 网络攻击反馈得到处理后，需要对网络攻击的特征进行检测， 特征向量化处理以及特征提取，读取出支持特征向量集合 ezxd为网络攻击中的向量集合中的数量，为下一步的反馈训 练进行准备工作。3):开始进行网络野攻击反馈提取，从反 馈攻击集F中读取任一网络攻击，计算得到攻击向量，从原 网络攻击划分模型Ω的可见集合S中读取相应的数据，反馈 网络攻击向量，计算结果如下:4)对网络攻击集合F的反馈攻 击进行是否为野攻击的类型判断，若网络攻击属于反馈网络野攻击，则对其与进行反馈加权分类处理，计算反馈向量和 相关的分类相似度，运用空间特征角度计算其相似性距离， 表示了攻击间种类的相似程度。夹角越小说明攻击的相似度 越高。sim(f，若计算得到的角度大于θm，则表示网络攻击 与野攻击种类相同，对其进行种类划分。5):重复3)，直到 所有的反馈网络攻击都能找到归属的范围，获得新的的网络 攻击向量集k＇。6)重新收集网络攻击的特征向量，进行特 征总结。7)取反馈学习网络攻击集F，新收集的网络攻击特 征M与支持向量k＇的并集作为训练集，进行迭代计算，求出 新的种类划分。
4实验结果及对比 为了验证本文算法的有效性，采用对比测试的方法来完 成计算机仿真，通过传统的网络攻击过滤方法和本文提出的 基于反馈学习的网络攻击过滤方法进行网络攻击的过滤。流 程图如图2所示。选用可分为不同种类的8个网络攻击作为过 滤实验对象，其中，在8种攻击中，有2～3个分化的野攻击， 这么做的目的是为了构建难易划分的网络攻击存在的环境。
然后通过传统方法和本文方法对该网络攻击进行过滤检测， 过滤准确性的趋势如图3所示。图3中，横坐标表示网络攻击 的数量级，纵坐标表示过滤的准确度。下方的线代表的是传 统的方法，而上方的线代表的是本文的方法。通过上面的趋 势图可以看出，随着网络攻击的数量级的增加，存在的野攻 击也会增加。本文算法的成功过滤率要远远高于传统方法，这是因为随着野攻击数量的不断增加，传统方法无法对其准 确的进行种类划分，因此传统方法的漏检率很高。具体的统 计结果如下表1所示:由上述统计数据可以看出，本文提出的 基于反馈学习的网络攻击过滤方法研究过滤的网络攻击数 量远多于传统的网络攻击过滤方法，不仅检测操作过程而且 完整地检测出了隐藏的野攻击，检测的效率高，有效地保护 了网络数据的安全。
5结束语 本文提出基于反馈学习的网络攻击过滤方法研究，通过 反馈训练对野攻击进行检测，利用错误驱动进行训练，完成 对野攻击的准确分类。随着反馈的进行，反馈学习能捕捉到 网络中攻击种类的变化，分类性能逐步提高，克服传统方法 不能很好过滤野攻击的弊端，实验证明，该方法能快速准确 的完成网络不良攻击的过滤，取得了不错的效果，随着网络 技术的不断发展，本文的方法将显示出更为重要的实际意义。