機器學習下計算機網(wǎng)絡安全管理淺析

前言：想要寫出一篇引人入勝的文章？我們特意為您整理了機器學習下計算機網(wǎng)絡安全管理淺析范文，希望能給你帶來靈感和參考，敬請閱讀。

摘要：網(wǎng)絡信息的快速發(fā)展給居民生活、生產(chǎn)帶來了極大的便捷，但隨之而來地產(chǎn)生了諸多計算機網(wǎng)絡安全隱患。為此，分析和制定計算機網(wǎng)絡安全管理策略勢在必行。本文在此基礎上通過分析計算機網(wǎng)絡安全產(chǎn)生的原因，并針對此提出當前最為廣泛使用的機器學習安全管理技術。首先分析機器學習設計原則、整體構架和網(wǎng)絡安全結構，隨后，詳細介紹了SVM算法、BP神經(jīng)網(wǎng)絡算法和Web端技術，論述在機器學習智能化、準確化的優(yōu)勢特征下，計算機網(wǎng)絡安全管理預測分析技術層面，最后，通過描述網(wǎng)絡安全管理技術實現(xiàn)和未來預期目標進行展望。以期通過機器學習的特征優(yōu)勢，為基于機器學習的計算機網(wǎng)絡安全管理智能、高效、準確的實現(xiàn)提供較為科學的依據(jù)。

關鍵詞：網(wǎng)絡安全；SVM方法；BP神經(jīng)網(wǎng)絡方法；管理；實現(xiàn)

1引言

當前國內(nèi)，隨著經(jīng)濟和智能化計算機信息的不斷發(fā)展，使互聯(lián)網(wǎng)應用技術在科技、生活、生產(chǎn)等多方面的作用愈發(fā)重要[1]。有關網(wǎng)絡安全管理的問題也逐步出現(xiàn)，如：在2019年，我國計算機信息安全預防中心發(fā)現(xiàn)不同平臺中存在安全隱患漏洞約11000個，其中以分布式拒絕服務攻擊和大流量攻擊為主，不僅造成計算機安全管理困難，而且對用戶信息保護造成巨大安全隱患[2-3]。在此基礎上，本文通過有序開展高質量、智能化的機器學習安全管理技術，以改善計算機網(wǎng)絡流量安全、信息安全和網(wǎng)絡平臺安全等[4]。機器學習不僅能有序地統(tǒng)一該領域知識信息，而且對領域管理、調配有著關鍵作用。目前，機器學習技術已經(jīng)成功應用在日常購物、閱讀、出行、工作等領域中，如在生活領域，機器學習記錄用戶搜索信息、搜索歷史，并將其存儲于數(shù)據(jù)庫，實現(xiàn)操作便捷[5]；在工作領域，機器學習在計算機內(nèi)部過濾有害文件、廣告、郵件等。隨著機器學習技術的不斷發(fā)展革新，在計算機網(wǎng)絡安全中其作用、影響程度越發(fā)受到重視，網(wǎng)絡安全管理員通過機器學習網(wǎng)狀化管理模式，實現(xiàn)信息資源共享共建，以此快速查殺計算機網(wǎng)絡中存在的漏洞，提高安全管理等級和效率。本文為優(yōu)化計算機網(wǎng)絡安全管理技術模式，改善傳統(tǒng)安全管理方式的不足，通過智能化、基礎化和網(wǎng)狀化的機器學習技術實現(xiàn)全方位、多層次的安全管理模式。首先，設計和構建機器學習安全管理模式，其次，詳細闡述關鍵技術支持向量機（SupportVectorMachines，SVM）方法和BP神經(jīng)網(wǎng)絡（BackPropagation，BP）方法，最終，評估機器學習方法的安全管理效果，以期為計算機網(wǎng)絡安全管理技術提供科學的技術支持。

2機器學習安全管理系統(tǒng)總體設計

2.1設計原則

為掌握基于機器學習的計算機網(wǎng)絡安全管理技術，本文機器學習系統(tǒng)按照以下四個原則進行設計應用：（1）科學性；（2）直觀性；（3）安全管理穩(wěn)定性；（4）信息可擴展性。四原則一方面有助于用戶了解機器學習安全管理系統(tǒng)，增強管理技術，另一方面有助于解譯機器學習方法和核心技術。其中，科學性是本文采用的SVM算法和BP神經(jīng)網(wǎng)絡算法對計算機網(wǎng)絡安全形勢進行預測評估，相比傳統(tǒng)安全管理方法，機器學習方法極大地提升安全評估的預測結果準確性，提升安全管理效率[6]；直觀性一方面展示了當前計算機系統(tǒng)的網(wǎng)絡安全預測態(tài)勢結果，另一方面通過可視化展示了預期評測的狀態(tài)和歷史數(shù)據(jù)的陳列，有助于網(wǎng)絡安全管理者直觀、準確掌握計算機網(wǎng)絡安全狀態(tài)；安全管理穩(wěn)定性不僅保證了計算機各個模塊系統(tǒng)的穩(wěn)定運行，而且提高了不同模塊間的信息安全共享共建；信息可擴展性方面，機器學習根據(jù)計算機系統(tǒng)現(xiàn)狀，在安全設計過程中，預設安全防護工具擴展性。

2.2整體結構設計

圖1為基于機器學習方法的計算機網(wǎng)絡安全管理整體結構設計流程。通過圖1可知，網(wǎng)絡安全管理系統(tǒng)主要分為用戶、專業(yè)技術工程師模塊、人機交互模塊和計算機數(shù)據(jù)庫安全管理系統(tǒng)模塊。其中，人機交互模塊為機器學習方法設計核心，主要由解釋機制、機器學習推理和知識獲取三部分組成，各模塊和重要組成部分功能分別如下：（1）用戶體系主要對計算機網(wǎng)絡安全進行量化評估，隨后，根據(jù)評估結果、采集的數(shù)據(jù)信息和態(tài)勢值進行相關預測；（2）機器學習推理主要對選取的部分數(shù)據(jù)進行態(tài)勢評估，生成所需格式數(shù)據(jù)，進而通過SVM或BP神經(jīng)網(wǎng)絡算法獲取當前計算機網(wǎng)絡安全態(tài)勢，對網(wǎng)絡安全進行評估預測；（3）知識獲取方面，主要通過計算機網(wǎng)絡流入/流出流量變化值、網(wǎng)絡傳輸控制協(xié)議、用戶數(shù)據(jù)協(xié)議（TransmissionControlProtocol，TCP）、TCP數(shù)字包字節(jié)比重等進行網(wǎng)絡數(shù)據(jù)采集，分析預測態(tài)勢；（4）計算機數(shù)據(jù)庫安全管理系統(tǒng)針對用戶信息和收集的態(tài)勢信息，通過可視化方式評估安全態(tài)勢，實現(xiàn)模塊互通使用和安全管理功能。

2.3網(wǎng)絡數(shù)據(jù)安全結構設計

本文在機器學習計算機網(wǎng)絡安全管理整體構架的基礎上，進一步解譯分析網(wǎng)絡數(shù)據(jù)安全，以提升用戶/完全管理者對機器學習安全管理技術的認知。首先，通過計算機網(wǎng)絡數(shù)據(jù)預處理來源主要為海量數(shù)據(jù)庫資料，獲取數(shù)據(jù)庫網(wǎng)絡數(shù)據(jù)資料后，進行相關特征參數(shù)提取，其次通過特征參數(shù)和數(shù)據(jù)資料源構建機器學習模型（SVM模型和BP神經(jīng)網(wǎng)絡模型），通過海量數(shù)據(jù)庫資源交叉認證和分類后，以機器學習模型預測評估計算機網(wǎng)絡安全態(tài)勢，構建相對應安全管理制度。

3機器學習關鍵技術分析

3.1SVM技術分析

目前，在機器學習領域中，因SVM算法預測評估精準度較優(yōu)，使其在計算機網(wǎng)絡安全管理領域中被廣泛應用。其原理是通過對數(shù)據(jù)庫核函數(shù)的選擇和模型參數(shù)優(yōu)化，多種核函數(shù)滿足某一特征值時，通過最優(yōu)分類平面優(yōu)選核函數(shù)，隨后經(jīng)過由低維空間到高維空間的映射，將數(shù)據(jù)結果進行預測分類，以此，實現(xiàn)網(wǎng)絡安全管理流程。當前，在SVM算法中，常用的核函數(shù)如下：徑向基核函數(shù)：k(x,y)=exp(−|x−y|2/σ2)（1）多項式函數(shù)：k(x,y)=[(x.y)+1]d（2）SVM算法針對計算機網(wǎng)絡安全管理評估預測的基本操作流程如下：（1）通過計算機海量數(shù)據(jù)庫實現(xiàn)對計算機網(wǎng)絡安全隱患的資料數(shù)據(jù)的收集、整合和機器轉化過程，為模型評估分析做準備；（2）通過輸入相關網(wǎng)絡安全隱患資料，實現(xiàn)分隔超平面，通過SVM算法對數(shù)據(jù)分析整理；（3）在進行計算機網(wǎng)絡安全相關數(shù)據(jù)訓練時，針對數(shù)據(jù)特征，調整算法參數(shù)，保證模型準確化評估預測，同時根據(jù)SVM模型二分類器的特征，實現(xiàn)針對多種分類問題合理化計算，以智能化服務于計算機網(wǎng)絡安全管理。

3.2BP神經(jīng)網(wǎng)絡分析

BP神經(jīng)網(wǎng)絡是機器學習中重要且關鍵的一門學科，其是集信息知識獲取、分析和預測于一體的精準化結果預測模型。本文圖2為BP神經(jīng)網(wǎng)絡交叉驗證示意結果，通過圖2可知，BP神經(jīng)網(wǎng)絡主要由Xi輸入層、ai藏匿層和Yi輸出層構成，每一神經(jīng)層既相互獨立，但每一層與層之間又相互聯(lián)系，層層間通過權重系數(shù)進行共享共建。而BP神經(jīng)網(wǎng)絡主要通過數(shù)據(jù)集訓練、特征向量間權重系數(shù)相乘，隨后通過激勵函數(shù)數(shù)據(jù)格式轉變后進行傳輸，將輸出Yi層的結果與實際結果計算誤差值，進行參數(shù)和權重系數(shù)調整，最終完成BP神經(jīng)網(wǎng)絡訓練全過程，實現(xiàn)對計算機網(wǎng)絡安全進行預測分析。BP神經(jīng)網(wǎng)絡對計算機網(wǎng)絡安全數(shù)據(jù)信息經(jīng)過多次迭代后的輸出結果。其主要通過對各層輸入和輸出的參數(shù)進行判定分析，當E（a）值大于閾值后，修正閾值，再次經(jīng)過參數(shù)判定，經(jīng)過多次迭代后，滿足閾值，即BP判定結果成立。BP算法主要是對輸入或輸出結果進行映射，數(shù)據(jù)在BP神經(jīng)網(wǎng)絡中不斷訓練，再次迭代訓練多次后，得到的數(shù)據(jù)結果更為精準、有效，進而對輸出結果數(shù)據(jù)學習，明確訓練樣本輸入和輸出間的對應規(guī)則。計算機網(wǎng)絡安全BP神經(jīng)網(wǎng)絡訓練過程具體如公式3-4所示：其中，BP網(wǎng)絡輸出層節(jié)點取值為：1()kkjjkpjyσVbβ==∑+（3）使用誤差平方和來判斷訓練過程是否結束：211()2kkqkEOy==∑−（4）式中：kO為期望輸出；E為達到預期目標時，將輸出層的誤差反向傳遞至隱藏層和輸入層。3.3Web端技術在計算機網(wǎng)絡領域中，Web技術不僅是互聯(lián)網(wǎng)訪問的基礎，而且是開發(fā)應用網(wǎng)絡客戶端和服務端中常用的技術手段之一。其訪問方式主要分為HTTP、URL等方面。其中，在Web端，涉及多種計算機技術，如涉及開發(fā)應用的Python、C++和腳本程序等，通過對計算機數(shù)據(jù)信息資源整合、分析和預測，以實現(xiàn)計算機網(wǎng)絡安全管理。在Python語言中，通過批量化運行調整數(shù)據(jù)資源，一方面通過Python語言實現(xiàn)了網(wǎng)絡安全管理，另一方面極大地提升了安全工作效率。Web端主要通過計算機代碼語言，對可能出現(xiàn)的安全隱患分析、診斷和調整。以此，既消除了安全風險，又降低了經(jīng)濟損耗，在當前，Web端技術是機器學習過程中不可或缺的技術手段之一。

4機器學習安全系統(tǒng)的實現(xiàn)

4.1數(shù)據(jù)采集和預測模塊實現(xiàn)

本文在機器學習過程中首先獲取網(wǎng)絡數(shù)據(jù)信息，隨后進行計算機網(wǎng)絡安全態(tài)勢分析，以保證數(shù)據(jù)信息和安全態(tài)勢分析的準確性和關鍵作用。其中，在計算機網(wǎng)絡安全態(tài)勢感知中，主要通過安全態(tài)勢提取、評估和預測等過程，完成對計算機網(wǎng)絡信息數(shù)據(jù)采集。在預測模塊中，通過UDP數(shù)據(jù)字節(jié)比重、ICMP數(shù)據(jù)字節(jié)比重，實現(xiàn)對采集數(shù)據(jù)的采集分析過程，進而通過SVM模型、BP神經(jīng)網(wǎng)絡模型等對數(shù)據(jù)樣本訓練、傳輸、分析和對比預測后，實現(xiàn)智能化、準確化和高效化的計算機網(wǎng)絡安全管理體系。

4.2安全評估效果分析

計算機網(wǎng)絡安全評估主要是展示安全管理態(tài)勢評估和分析預測的結果。本文通過SVM算法、BP神經(jīng)網(wǎng)絡算法分別對計算機數(shù)據(jù)庫樣本數(shù)據(jù)訓練，隨后，將預測結果與實際結果進行有效性驗證，若驗證后結果與實際結果相差較大，再次進行機器模型參數(shù)調整、優(yōu)化等后，再次進行驗證比對，使預測結果精準性較高，實現(xiàn)有效制定安全管理策略，達到高質量、高準則的安全效果評估分析，以此保障計算機網(wǎng)絡信息安全。

5結論

現(xiàn)今，機器學習方法在計算機網(wǎng)絡安全管理領域中的關注度越來越高，在此基礎上，本文首先通過介紹機器學習安全管理設計原則、整體結構和網(wǎng)絡構造，隨后介紹機器學習方法關鍵技術支持向量機（SVM）核函數(shù)預測數(shù)據(jù)結果；BP神經(jīng)網(wǎng)絡集知識獲取、分析和預測于一體的網(wǎng)絡訓練過程和Web端技術（Python）等對計算機網(wǎng)絡數(shù)據(jù)的診斷、分析和調整等過程，以此，通過機器學習方法的智能化和精準化優(yōu)勢實現(xiàn)計算機網(wǎng)絡安全管理等。

作者:溫志峰 單位:廣東創(chuàng)新科技職業(yè)學院信息工程學院