夏蕊 馬宏斌

【摘? 要】為了更好地解決通信網(wǎng)絡(luò)中存在的惡意攻擊，保護(hù)用戶數(shù)據(jù)安全，通過生成式對(duì)抗網(wǎng)絡(luò)的生成模型和判別模型相互博弈不斷優(yōu)化，構(gòu)造成最優(yōu)判別器，可以對(duì)數(shù)據(jù)攻擊進(jìn)行檢測。主要介紹生成式對(duì)抗網(wǎng)絡(luò)（GANs）和Wasserstein生成式對(duì)抗網(wǎng)絡(luò)的區(qū)別、模型及算法，通過研究GAN與WGAN梯度消失問題，實(shí)驗(yàn)證實(shí)WGAN可以有效地解決網(wǎng)絡(luò)收斂性差、模型自由不可控、訓(xùn)練不穩(wěn)定等問題，具有更好的性能。

【關(guān)鍵詞】生成式對(duì)抗網(wǎng)絡(luò);深度學(xué)習(xí);網(wǎng)絡(luò)安全;梯度法

doi：10.3969/j.issn.1006-1010.2019.08.004? ? ? 中圖分類號(hào)：TN929.5

文獻(xiàn)標(biāo)志碼：A? ? ? 文章編號(hào)：1006-1010（2019）08-0021-04

引用格式：夏蕊，馬宏斌. 生成式對(duì)抗網(wǎng)絡(luò)的通信網(wǎng)絡(luò)安全技術(shù)[J]. 移動(dòng)通信， 2019，43（8）： 21-24.

In order to better solve the current malicious attacks in the communication network and protect user data security， the optimal discriminator is constructed via mutual gaming and optimization between generative and discriminant models of generative adversarial networks （GAN） and thus it can be used to detect data attacks. This article mainly introduces the differences， models and algorithms of both GANs and Wasserstein GANs （WGAN） via investigating the corresponding issue of gradient disappearance. The experiments prove that WGAN can effectively solve problems such as poor network convergence， uncontrollable model， unstable training and yield a better performance.

generative adversarial networks; deep learning; network security; gradient method

1? ?引言

隨著移動(dòng)通信技術(shù)的不斷發(fā)展與進(jìn)步，通信設(shè)備逐漸成為人們社會(huì)生活中不可或缺的一部分，越來越多的信息存放在移動(dòng)互聯(lián)網(wǎng)之中，這樣雖然便于數(shù)據(jù)的提取和使用，但安全隱患也不可小覷。在人們享受移動(dòng)通信便捷的同時(shí)，網(wǎng)絡(luò)攻擊無處不在，惡意的破壞使人們不得不隨時(shí)更新防火墻技術(shù)。在網(wǎng)絡(luò)空間中，網(wǎng)絡(luò)攻擊可以被描述為任何試圖危害網(wǎng)絡(luò)安全的惡意活動(dòng)。在這個(gè)定義中可以包含非常廣泛的網(wǎng)絡(luò)行為，例如試圖破壞網(wǎng)絡(luò)的穩(wěn)定性，獲得對(duì)未授權(quán)文件或權(quán)限的訪問等等。目前來講，計(jì)算機(jī)網(wǎng)絡(luò)安全所面臨的威脅主要可分為兩大類：一是對(duì)網(wǎng)絡(luò)中信息的威脅，二是對(duì)網(wǎng)絡(luò)中設(shè)備的威脅。保證物理安全、網(wǎng)絡(luò)系統(tǒng)安全、數(shù)據(jù)安全、信息內(nèi)容安全和信息基礎(chǔ)設(shè)備的安全，才能保護(hù)信息的保密性、完整性和可用性。最近，國內(nèi)外相關(guān)學(xué)者也在不斷突破對(duì)網(wǎng)絡(luò)安全問題的研究。其中，生成式對(duì)抗網(wǎng)絡(luò)（Generative Adversarial Networks， GANs）是研究通信網(wǎng)絡(luò)加密算法的一個(gè)新技術(shù)。

生成式對(duì)抗網(wǎng)絡(luò)（GANs）源于“二人零和博弈”思想[1]，由Goodfellow[2]等人最先提出，GANs中存在兩個(gè)模型，即生成模型（Generative Model）與判別模型（Discriminative Model）。兩個(gè)模型作為參與博弈的雙方，在相互競爭下，一方的收益就意味著另一方的損失，博弈各方的收益和損失相加總和永遠(yuǎn)為“零”，在生成模型和判別模型博弈的過程中，兩者共同強(qiáng)化，能夠達(dá)到自覺優(yōu)化的目的。在網(wǎng)絡(luò)安全方面，基于GANs的攻擊數(shù)據(jù)生成方法[3]有很廣泛的應(yīng)用。利用處理后的數(shù)據(jù)對(duì)模型進(jìn)行訓(xùn)練，得到一個(gè)可以區(qū)分攻擊和正常連接的不斷優(yōu)化的模型，以此識(shí)別惡意攻擊，保護(hù)網(wǎng)絡(luò)的安全。

2? ?相關(guān)理論及算法研究

2.1? 生成式對(duì)抗網(wǎng)絡(luò)

生成式對(duì)抗網(wǎng)絡(luò)（GANs）把博弈論和深度學(xué)習(xí)相互結(jié)合在一起，生成模型G和判別模型D相互博弈，在對(duì)抗的過程中不斷強(qiáng)化，最后得到生成以假亂真數(shù)據(jù)的生成模型和判別真假數(shù)據(jù)的判別模型。假定有真實(shí)數(shù)據(jù)x，x中存在m個(gè)樣本，每個(gè)樣本中有n個(gè)維度，更直觀來看，如圖1所示的生成式對(duì)抗網(wǎng)絡(luò)的一般框架展示了GANs的總體設(shè)計(jì)。

2.2? Wasserstein生成式對(duì)抗網(wǎng)絡(luò)

通過訓(xùn)練GANs模型已初具成效，但仍存在D和G的目標(biāo)函數(shù)無法預(yù)測網(wǎng)絡(luò)訓(xùn)練進(jìn)程以及訓(xùn)練崩潰導(dǎo)致生成樣本缺乏多樣性[6]等一系列相關(guān)問題。目前，在生成式對(duì)抗網(wǎng)絡(luò)的基礎(chǔ)上又提出了將監(jiān)督學(xué)習(xí)的卷積神經(jīng)網(wǎng)絡(luò)（Convolutional Neural Network，CNN）和非監(jiān)督學(xué)習(xí)的生成式對(duì)抗網(wǎng)絡(luò)（GAN）相結(jié)合而得到的深度卷積生成對(duì)抗網(wǎng)絡(luò)（Deep Convolutional Generative Adversarial Networks，DCGAN），通過實(shí)驗(yàn)發(fā)現(xiàn)，DCGAN確實(shí)在圖像生成效果上比GAN有大幅度的提升，但是，依然沒有從本質(zhì)上解決GAN所面臨的問題。

Wasserstein生成式對(duì)抗網(wǎng)絡(luò)（Wasserstein Generative Adversarial Networks，WGAN）是傳統(tǒng)GAN的升級(jí)版，它不僅提高了系統(tǒng)的穩(wěn)定性，而且進(jìn)一步解決了訓(xùn)練模型崩潰等問題，保證生成樣本多樣性的同時(shí)，也使生成圖像更加清晰逼真。

3? ?生成模擬攻擊數(shù)據(jù)

3.1? 基于GAN的方法改進(jìn)

攻擊數(shù)據(jù)是由惡意行為產(chǎn)生的所有數(shù)據(jù)。從攻擊行為發(fā)生到結(jié)束，由傳輸控制協(xié)議（TCP）包連接一系列從源IP地址到目標(biāo)IP地址的數(shù)據(jù)流。通過“二人零和博弈”思想構(gòu)造出的GAN模型，使其不斷優(yōu)化判別模型和生成模型，最后生成的最優(yōu)判別器D可以有效識(shí)別網(wǎng)絡(luò)中的惡意攻擊，以此保證通信安全。

在GAN中，判別器D訓(xùn)練的越好，生成器G梯度消失越嚴(yán)重。已知隨機(jī)更新判別器D的上升梯度和生成器G的下降梯度分別用函數(shù)表示，如公式（11）和公式（12）所示：

當(dāng)GAN中判別器訓(xùn)練得較好時(shí)，生成器梯度容易消失;當(dāng)判別器訓(xùn)練得不好時(shí)，生成器梯度不準(zhǔn)。所以，只有當(dāng)判別器訓(xùn)練得恰到好處，才能使GAN的作用發(fā)揮到最大。而通過改進(jìn)后的WGAN在使用梯度下降法優(yōu)化參數(shù)θ時(shí)，可以得到有意義的梯度。

3.2? 算法實(shí)現(xiàn)

與GAN相比較而言，Wasserstein生成式對(duì)抗網(wǎng)絡(luò)有較好的性能。Wasserstein距離相比KL散度、JS散度的優(yōu)越性在于：即便兩個(gè)分布沒有重疊，Wasserstein距離仍然能夠反映它們的遠(yuǎn)近。通過算法實(shí)現(xiàn)可以進(jìn)一步證實(shí)WGAN的優(yōu)越性。

WGAN在算法上有下面幾點(diǎn)改進(jìn)：

（1）判別器D最后一層去掉了Sigmoid;

（2）生成器G和判別器D的損失函數(shù)無需取log;

（3）每次更新判別器的參數(shù)之后，把它們的絕對(duì)值截?cái)嗟讲怀^一個(gè)固定常數(shù)c。

WGAN網(wǎng)絡(luò)訓(xùn)練步驟如下：

（1）構(gòu)造基于Wasserstein生成式對(duì)抗網(wǎng)絡(luò)模型，其中包括判別器D以及生成器G。由于G的卷積神經(jīng)網(wǎng)絡(luò)的層數(shù)與D的相同，則用G的卷積核作D的卷積核的轉(zhuǎn)置。

（2）預(yù)備文本數(shù)據(jù)庫以方便訓(xùn)練，通過編碼器對(duì)數(shù)據(jù)進(jìn)行編碼。

（3）構(gòu)造均勻分布的隨機(jī)噪聲，輸入到生成器G的模型中。

（4）將生成器G生成的新數(shù)據(jù)與原始數(shù)據(jù)相編碼后輸入到判別器D中，根據(jù)判別結(jié)果反向修改各個(gè)參數(shù)，進(jìn)行多次迭代，使得判別器最終能達(dá)到較好的判別水平。

通過對(duì)比GAN、DCGAN與WGAN之間的性能發(fā)現(xiàn)：GAN存在不可控、不穩(wěn)定等一系列問題，DCGAN需要通過大量的實(shí)驗(yàn)才能得到相對(duì)較優(yōu)的結(jié)果，而WGAN從根本上解決了上述問題。從這幾個(gè)方面來講，基于Wasserstein生成式對(duì)抗網(wǎng)絡(luò)性能明顯優(yōu)于深度卷積生成式對(duì)抗網(wǎng)絡(luò)。在WGAN模型建立成功的基礎(chǔ)上，可自覺監(jiān)督網(wǎng)絡(luò)中的攻擊數(shù)據(jù)，由于不斷優(yōu)化自身模型，WGAN對(duì)檢測惡意攻擊有較好的成果。

4? ?結(jié)束語

隨著計(jì)算機(jī)技術(shù)的不斷發(fā)展，人們的日常生活將會(huì)越來越多地依賴于網(wǎng)絡(luò)，對(duì)于通信安全的研究始終在路上。本文主要研究了基于Wasserstein生成式對(duì)抗網(wǎng)絡(luò)的算法模型給網(wǎng)絡(luò)安全提供的一種新的方法。相比較傳統(tǒng)的GAN在訓(xùn)練過程中容易出現(xiàn)網(wǎng)絡(luò)收斂性差、模型自由不可控、訓(xùn)練不穩(wěn)定等問題，利用新的生成式對(duì)抗性模型WGAN進(jìn)行訓(xùn)練更容易取得成功。對(duì)判別模型D和生成模型G進(jìn)行相關(guān)分析后可知WGAN在各方面都具有較好的性能。未來，生成模擬攻擊數(shù)據(jù)有很大的利用價(jià)值，而Wasserstein生成式對(duì)抗網(wǎng)絡(luò)的研究仍處在探索階段[7]，為了營造安全可靠的移動(dòng)通信網(wǎng)絡(luò)環(huán)境仍需要繼續(xù)深入鉆研相關(guān)技術(shù)。

參考文獻(xiàn)：

[1] 王坤峰，茍超，段艷杰. 生成式對(duì)抗網(wǎng)絡(luò)GAN的研究進(jìn)展與展望[J]. 自動(dòng)化學(xué)報(bào)， 2017（3）： 321-332.

[2] Ian J Goodfellow， Jean Pouget Abadie， Mehdi Mirza， et al. Generative Adversarial Networks[EB/OL]. （2014-06-10）[2018-08-26]. https：//arxiv.org/abs/1406.2661.

[3] 龔玉. 當(dāng)前計(jì)算機(jī)網(wǎng)絡(luò)通信安全中數(shù)據(jù)加密技術(shù)的應(yīng)用分析[J]. 科技資訊， 2017，15（2）： 11-12.

[4] LI Y， LIU S， YANG J， et al. Generative face completion[C]//Proceedings of IEEE Conference on Computer Vision and Pattern Recognition. IEEE， 2017（3）： 6.

[5] 陳旭，張軍，陳文偉. 卷積網(wǎng)絡(luò)深度學(xué)習(xí)算法與實(shí)例[J]. 廣東工業(yè)大學(xué)學(xué)報(bào)， 2017（6）： 20-26.

[6] 趙立怡. 基于生成式對(duì)抗網(wǎng)絡(luò)的圖像修復(fù)算法研究[D]. 西安： 西安理工大學(xué)， 2018.

[7] 郭立君，趙杰煜，史忠植. 生成模型與判別方法相融合的圖像分類方法[J]. 電子學(xué)報(bào)， 2010，38（5）： 1141-1145.