安琪

（中國(guó)鐵道科學(xué)研究院集團(tuán)有限公司通信信號(hào)研究所 北京市 100081）

互聯(lián)網(wǎng)技術(shù)應(yīng)用的范圍越來越廣泛，在工業(yè)測(cè)量領(lǐng)域、道路交通控制領(lǐng)域、鐵路以及制造行業(yè)都得到了廣泛的應(yīng)用，整體的工作模式以及設(shè)定的標(biāo)準(zhǔn)都越來越向智能化和科學(xué)化的方向發(fā)展，使得各個(gè)行業(yè)在發(fā)展的過程當(dāng)中聯(lián)系不再單一，互聯(lián)網(wǎng)以及物聯(lián)網(wǎng)和技術(shù)在整體發(fā)展的過程當(dāng)中，推動(dòng)了工業(yè)系統(tǒng)整體的優(yōu)化和升級(jí)。隨著網(wǎng)絡(luò)環(huán)境發(fā)生了比較大的變化，工業(yè)網(wǎng)絡(luò)也面臨著安全方面的威脅，站在各種信號(hào)系統(tǒng)研究的角度，需要進(jìn)一步推動(dòng)工業(yè)信號(hào)系統(tǒng)的穩(wěn)定可持續(xù)發(fā)展?，F(xiàn)有的網(wǎng)絡(luò)安全防護(hù)技術(shù)還存在一些問題，為了滿足大數(shù)據(jù)量的一些需求，需要制定與之相匹配的網(wǎng)絡(luò)設(shè)置內(nèi)容，由于各方面的通信比較多，很容易導(dǎo)致通信行業(yè)出現(xiàn)安全問題。

1 互聯(lián)網(wǎng)發(fā)展相關(guān)內(nèi)容

時(shí)代在快速向前發(fā)展，各個(gè)國(guó)家越來越重視網(wǎng)絡(luò)安全信息，針對(duì)網(wǎng)絡(luò)信息所遭受到的攻擊進(jìn)行了系統(tǒng)性的檢測(cè)，制定更加科學(xué)和全面的防御方案。如何發(fā)現(xiàn)網(wǎng)絡(luò)攻擊當(dāng)中所存在的問題是一項(xiàng)重要的工作，針對(duì)網(wǎng)絡(luò)異常的流量檢測(cè)以及相關(guān)的分類是現(xiàn)階段所需要攻破的主要方向。異常流量以及漏洞的攻破問題越來越多，通過對(duì)這些問題展開深度的學(xué)習(xí)，也可以對(duì)網(wǎng)絡(luò)異常檢測(cè)的情況進(jìn)行深入的了解。傳統(tǒng)的檢測(cè)方法針對(duì)網(wǎng)絡(luò)流量再進(jìn)行檢測(cè)的過程當(dāng)中，泛化能力和特征選擇比較差，還需要進(jìn)行整體的技術(shù)優(yōu)化和創(chuàng)新。在未來的發(fā)展過程當(dāng)中，需要找到一種可以對(duì)異常流量進(jìn)行精準(zhǔn)區(qū)分的檢測(cè)技術(shù)，真正的去解決信號(hào)網(wǎng)絡(luò)當(dāng)中所存在的問題。在網(wǎng)絡(luò)安全工作開展的過程當(dāng)中，異常流量的檢測(cè)一直是重要的組成那種本篇文章，對(duì)網(wǎng)絡(luò)異常流量檢測(cè)的大致方法進(jìn)行了分析和研究，針對(duì)處理方法當(dāng)中所存在的問題進(jìn)行了分析，希望可以對(duì)這些問題進(jìn)行有效的改進(jìn)。針對(duì)網(wǎng)絡(luò)流量的可以使得異常流量檢測(cè)工作的效率更高，通過這樣的方式檢測(cè)的準(zhǔn)確率也會(huì)有所提升，將現(xiàn)有的檢測(cè)方法和寶寶數(shù)據(jù)進(jìn)行充分的結(jié)合，展開一系列的人工分析和規(guī)劃處理，可以強(qiáng)化整體的安全效果。通過機(jī)器設(shè)備可以學(xué)習(xí)異常中的檢測(cè)的相關(guān)方法，了解網(wǎng)絡(luò)數(shù)據(jù)的相關(guān)特征，具體研究網(wǎng)絡(luò)攻擊流量特征的一個(gè)亂排序和高時(shí)序的問題。轉(zhuǎn)換流量特征之間的同義詞，在文本詞庫(kù)里面找到有關(guān)于流量方面的信息，將多種檢測(cè)方法充分的結(jié)合在一起，從而可以選擇多模型網(wǎng)絡(luò)異常流量檢測(cè)方法[1]。通過系統(tǒng)性的分析可以發(fā)現(xiàn)，有關(guān)于機(jī)器學(xué)習(xí)方法或者是神經(jīng)網(wǎng)絡(luò)模型都需要展開關(guān)于網(wǎng)絡(luò)流量的特征訓(xùn)練，根據(jù)分類器完成后續(xù)的檢測(cè)工作。大部分研究工作在開展之前都沒有針對(duì)檢測(cè)的數(shù)據(jù)進(jìn)行預(yù)處理，這就導(dǎo)致前期的預(yù)處理工作只是對(duì)數(shù)據(jù)進(jìn)行簡(jiǎn)單的統(tǒng)一處理，以至于這些數(shù)據(jù)還是存在一定的冗余性。針對(duì)網(wǎng)絡(luò)流量數(shù)據(jù)在進(jìn)行規(guī)劃處理的過程當(dāng)中，可以發(fā)現(xiàn)網(wǎng)絡(luò)數(shù)據(jù)樣本原有的一些特征，進(jìn)一步對(duì)數(shù)據(jù)進(jìn)行最優(yōu)化的處理強(qiáng)化樣本的作用，最終可以出現(xiàn)數(shù)據(jù)維度的爆炸，這就使得惡意流量的特點(diǎn)或者是語義特點(diǎn)無法得到保留。現(xiàn)階段所應(yīng)用的神經(jīng)網(wǎng)絡(luò)方法，在具體實(shí)施的過程當(dāng)中會(huì)對(duì)缺點(diǎn)進(jìn)行再塑造，這樣會(huì)提高模型訓(xùn)練過程當(dāng)中的丟失率，整體的訓(xùn)練性能比較一般。

2 相關(guān)理論

2.1 網(wǎng)絡(luò)流量特征屬性構(gòu)建

在網(wǎng)絡(luò)流量監(jiān)測(cè)工作開展的過程當(dāng)中，會(huì)對(duì)時(shí)間窗口進(jìn)行固定，每一個(gè)特定的地址都被抽象為聚合流，設(shè)定一個(gè)特殊的集合，在這些集合當(dāng)中會(huì)設(shè)定多個(gè)IP地址，每一個(gè)地址都會(huì)有統(tǒng)計(jì)特征屬性。本篇文章會(huì)應(yīng)用源IP地址的特征屬性，從而可以構(gòu)建一個(gè)屬性陣，在其中會(huì)設(shè)定特殊的符號(hào)代表源地址的特征屬性。IP地址之間會(huì)具有一定的相似性，流量之間也會(huì)存在一定的關(guān)系，通過了解IP地址的相似性，可以對(duì)鄰接矩陣進(jìn)行構(gòu)建。在連接矩陣當(dāng)中會(huì)存在某個(gè)元素，用特定的方式表現(xiàn)兩種因素之間所存在的相似性，如果不存在這種特定的方式，則說明這兩種元素之間沒有相似性。在構(gòu)建屬性矩陣主模式的過程當(dāng)中，需要建立一種從屬性矩陣當(dāng)中所提取的列模型，通過這樣的方式可以組建新的屬性矩陣。隨著網(wǎng)絡(luò)層數(shù)的增加，模型在后續(xù)訓(xùn)練的過程中出現(xiàn)擬合問題的頻率也會(huì)有所增加，針對(duì)這種情況還需要開展后續(xù)的檢查工作。特定的矩陣代表屬性矩陣，通過了解不同元素之間所存在的差異，可以對(duì)網(wǎng)絡(luò)的異常流量進(jìn)行檢測(cè)，從中可以看出，網(wǎng)絡(luò)所存在的異常流量現(xiàn)象被描述為一個(gè)大量的IP地址，在這個(gè)IP地址當(dāng)中可以找出一個(gè)異常的地址集合，在這個(gè)結(jié)合當(dāng)中大多數(shù)的IP地址會(huì)具有比較明顯的差異性。

2.2 LSTM網(wǎng)絡(luò)

在開展深度學(xué)習(xí)當(dāng)中，可以進(jìn)一步了解循環(huán)神經(jīng)網(wǎng)絡(luò)，該方法針對(duì)于長(zhǎng)時(shí)間的處理長(zhǎng)序列數(shù)據(jù)具有非常明顯的效果。序列數(shù)據(jù)的樣本比較大，而且所處的環(huán)境較為復(fù)雜，在開展模型訓(xùn)練的過程當(dāng)中很容易出現(xiàn)梯度消失或者是爆炸。本篇文章對(duì)LSTM模型當(dāng)中的長(zhǎng)短期記憶模塊進(jìn)行了分析和研究，希望可以通過這樣的方式解決上述所出現(xiàn)的問題。LSTM本質(zhì)上是一個(gè)門限，在這個(gè)模型當(dāng)中會(huì)隱藏多層的門，其中的一個(gè)門會(huì)對(duì)細(xì)胞狀態(tài)整體的運(yùn)行情況進(jìn)行參數(shù)的更新，從而可以確保檢測(cè)網(wǎng)絡(luò)可以進(jìn)行自循環(huán)權(quán)重的變化。當(dāng)模型的參數(shù)沒有發(fā)生變化的時(shí)候，在不同的時(shí)間節(jié)點(diǎn)可以了解到不同的積分尺度，這些數(shù)據(jù)對(duì)于解決網(wǎng)絡(luò)梯度和爆炸問題都具有重要的意義。如圖1所示，LSTM網(wǎng)絡(luò)是由4個(gè)獨(dú)立的結(jié)構(gòu)組成的，其中有一個(gè)為細(xì)胞狀態(tài)，其他三個(gè)構(gòu)成了主體結(jié)構(gòu)[2]。

圖1

實(shí)際網(wǎng)絡(luò)異常流量檢測(cè)工作在整體開展的過程中，如果網(wǎng)絡(luò)的環(huán)境過于復(fù)雜，會(huì)導(dǎo)致LSTM在訓(xùn)練的過程當(dāng)中出現(xiàn)誤差或者是樣本的泛化能力比較弱的問題。通過對(duì)訓(xùn)練集的偏差進(jìn)行了解，可以有效的擴(kuò)大，訓(xùn)練的樣本選擇最適合的特征優(yōu)化方案對(duì)于問題進(jìn)行解決。針對(duì)于具體的問題，在進(jìn)行解決的過程當(dāng)中，如果選擇的深度不恰當(dāng)或者是方差比較大，這些問題都無法進(jìn)行正則化的處理，也會(huì)影響到后續(xù)的學(xué)習(xí)效率。通過了解參數(shù)范數(shù)的乘法方法可以對(duì)LSTM模型進(jìn)行正則化，更加直觀的了解目標(biāo)函數(shù)，在一定程度上也可以解決方差過大的問題。如果檢測(cè)數(shù)據(jù)所存在的最高方差要低于正則化條件下的方差，那么還需要對(duì)后續(xù)的實(shí)踐方案進(jìn)行整體優(yōu)化，隨著學(xué)習(xí)效率在不斷的提高，方差的檢測(cè)平均值會(huì)保持在基本不變的一個(gè)狀態(tài)。

3 基于LSTM與改進(jìn)殘差網(wǎng)絡(luò)優(yōu)化的檢測(cè)模型

在上述的分析當(dāng)中，通過對(duì)LSTM網(wǎng)絡(luò)相關(guān)的理論進(jìn)行研究，可以進(jìn)一步分析流量檢測(cè)的原理，在此之后還需要構(gòu)建基于LSTM和改進(jìn)殘差網(wǎng)絡(luò)的非常流量檢測(cè)模型。模型檢測(cè)工作在整體開展的過程當(dāng)中，主要的思路就是需要對(duì)網(wǎng)絡(luò)的數(shù)據(jù)進(jìn)行預(yù)處理，最終會(huì)得到輸出的數(shù)據(jù)，在輸出之后可以作為三層堆疊LSTM網(wǎng)絡(luò)的輸入特征優(yōu)化，從而可以得到另一個(gè)數(shù)據(jù)參數(shù)，同時(shí)將這個(gè)參數(shù)作為最終所得到的數(shù)據(jù)，得到的輸出數(shù)據(jù)會(huì)進(jìn)入到殘?jiān)W(wǎng)絡(luò)當(dāng)中，相關(guān)系統(tǒng)會(huì)對(duì)此數(shù)據(jù)進(jìn)行優(yōu)化特征的提取，該數(shù)據(jù)的后續(xù)運(yùn)行的過程中會(huì)經(jīng)過兩個(gè)路徑。第一條路徑就是Dense1層，輸入的數(shù)據(jù)會(huì)和輸出權(quán)重相乘，利用歸一化處理可以和激活函數(shù)進(jìn)行整體優(yōu)化，從而會(huì)降低生成網(wǎng)絡(luò)所存在的缺陷，在經(jīng)過以上處理之后就會(huì)進(jìn)入到Dense2，此時(shí)需要將數(shù)據(jù)和權(quán)重進(jìn)行相乘進(jìn)而得到新的數(shù)據(jù)。第二條路徑就是進(jìn)入到殘?jiān)畹纳窠?jīng)網(wǎng)絡(luò)當(dāng)中，作為新的數(shù)據(jù)輸出從而可以獲取兩條路徑，這兩條路就相見了然后經(jīng)過激活函數(shù)，最終就可以得到輸出的結(jié)果。

3.1 三層堆疊LSTM網(wǎng)絡(luò)構(gòu)建

在最初建設(shè)的過程當(dāng)中，需要構(gòu)建三層堆疊LSTM，根據(jù)上述所優(yōu)化之后的LSTM網(wǎng)絡(luò)，可以連續(xù)利用多個(gè)LSTM模型，從而可以設(shè)計(jì)出三層堆疊的LSTM結(jié)構(gòu)。通過多層堆疊可以解決單層LSTM網(wǎng)絡(luò)提取特征適應(yīng)性弱等問題，前期工作在開展的過程當(dāng)中，需要了解前期特征優(yōu)化以及預(yù)處理的相關(guān)數(shù)據(jù)，將這些數(shù)據(jù)集成樣本之后，可以更好的應(yīng)用三層堆疊LSTM模型，在提取的相關(guān)數(shù)據(jù)當(dāng)中可以融入不同的深度特征。樣本特征在進(jìn)行預(yù)處理之后，會(huì)存在一個(gè)數(shù)據(jù)，需要通過256個(gè)單元第一層LSTM才可以得到一階特征，這些特征會(huì)被陸續(xù)傳入到第二層LSTM模型當(dāng)中。特征被傳入到第三層LSTM模型當(dāng)中時(shí)，在經(jīng)過Dropout可以對(duì)神經(jīng)元進(jìn)行整體優(yōu)化，優(yōu)化工作的完成之后，第二特征的相關(guān)數(shù)據(jù)就會(huì)傳輸?shù)降谌龑覮STM結(jié)構(gòu)當(dāng)中。不同深度的特征會(huì)和數(shù)據(jù)進(jìn)行不同的合并，從而可以獲取不同深度特征的數(shù)據(jù)，這些數(shù)據(jù)也會(huì)被傳輸?shù)讲煌膯卧狶STM當(dāng)中，最終的數(shù)據(jù)也會(huì)對(duì)隱藏層的狀態(tài)進(jìn)行優(yōu)化和調(diào)整。LSTM在最后時(shí)刻會(huì)對(duì)正常的隱藏層狀態(tài)數(shù)據(jù)進(jìn)行分析，當(dāng)相關(guān)的數(shù)據(jù)被傳入到最后一層的時(shí)候可以獲得32維特征，在最后一層Softmax還會(huì)展開一系列的分類，進(jìn)而可以對(duì)不同的元素進(jìn)行目標(biāo)類的匯總[3]。

3.2 基于Inception的改進(jìn)數(shù)據(jù)池化層

LSTM網(wǎng)絡(luò)具有梯度消失和過擬合的弱點(diǎn)，除此之外也無法對(duì)網(wǎng)絡(luò)的深度進(jìn)行確定，傳統(tǒng)的檢驗(yàn)方式所耗時(shí)間過長(zhǎng)，無法滿足時(shí)代的發(fā)展需求。本篇文章對(duì)殘差神經(jīng)網(wǎng)絡(luò)進(jìn)行了分析，希望可以構(gòu)建全連接神經(jīng)網(wǎng)絡(luò)。了解殘差神經(jīng)網(wǎng)絡(luò)的結(jié)構(gòu)特性，從中選取一條有效的路徑，可以從根本上降低路徑選擇的難度，該方法可以進(jìn)一步加深神經(jīng)網(wǎng)絡(luò)的整體結(jié)構(gòu)，在整個(gè)過程當(dāng)中并不會(huì)出現(xiàn)過于復(fù)雜的過擬合現(xiàn)象，也不會(huì)存在梯度消失問題。通過分析殘差網(wǎng)絡(luò)的結(jié)構(gòu)圖，可以進(jìn)一步看到三層堆疊網(wǎng)絡(luò)的輸出情況，與此同時(shí)需要記錄殘差輸入和輸出情況，進(jìn)一步了解輸出的具體情況。為了對(duì)LSTM網(wǎng)絡(luò)進(jìn)行優(yōu)化，根據(jù)模型整體的建設(shè)情況，會(huì)形成一個(gè)恒等的映射函數(shù)，從而可以對(duì)LSTM函數(shù)進(jìn)行分析。在最初處理樣本數(shù)據(jù)的過程中，需要對(duì)傳遞的信息進(jìn)行權(quán)重設(shè)計(jì)，進(jìn)一步了解卷積層的核大小，對(duì)殘差網(wǎng)絡(luò)進(jìn)行優(yōu)化升級(jí)，在此過程中需要設(shè)計(jì)快捷鏈接擬合，通過函數(shù)可以對(duì)殘差映射函數(shù)進(jìn)行表示，最終可以獲取相關(guān)的尺寸。在研究相關(guān)模型的過程當(dāng)中，需要對(duì)模型的輸出情況和輸入情況進(jìn)行樣本的重新構(gòu)建，展開系列性的分析和研究，從而可以將最底層的誤差傳遞到上級(jí)結(jié)構(gòu)，不斷地進(jìn)行重構(gòu)學(xué)習(xí)，進(jìn)而可以有效減小誤差，從根本上解決殘差網(wǎng)絡(luò)訓(xùn)練過程中存在的梯度消失問題。在優(yōu)化模型的過程中需要應(yīng)用到傳統(tǒng)殘差網(wǎng)絡(luò)結(jié)構(gòu)，分析樣本整體的數(shù)據(jù)，其中會(huì)包括原始池化層，具體如圖2所示。

圖2

為了可以將Inception的結(jié)構(gòu)充分體現(xiàn)出來，本篇文章需要對(duì)整體的結(jié)構(gòu)進(jìn)行分析和研究，必要的時(shí)候可以付以加權(quán)，整體的比值需要保持在1:2，針對(duì)整個(gè)結(jié)構(gòu)在進(jìn)行整體優(yōu)化的過程當(dāng)中，還需要對(duì)殘查結(jié)構(gòu)進(jìn)行連接。通過Inception可以對(duì)后續(xù)的數(shù)據(jù)池化層進(jìn)行特征提取，強(qiáng)化整體的訓(xùn)練效果[4]。經(jīng)過上述內(nèi)容表達(dá)之后，可以進(jìn)一步對(duì)結(jié)構(gòu)開展信息調(diào)整工作，方便日后開展信息特征提取工作，確保卷積層的加入會(huì)進(jìn)一步激活系統(tǒng)函數(shù)，在之后調(diào)整的過程當(dāng)中需要對(duì)各種結(jié)構(gòu)的分析特征進(jìn)行融合，了解卷積層的優(yōu)化提取特征。后續(xù)工作在整體開展的過程中，需要對(duì)網(wǎng)絡(luò)層數(shù)進(jìn)行分析，以便于可以結(jié)合實(shí)際情況對(duì)網(wǎng)絡(luò)體系進(jìn)行優(yōu)化，使整個(gè)網(wǎng)絡(luò)系統(tǒng)可以滿足實(shí)際的工作需求。隨著網(wǎng)絡(luò)層數(shù)的增加，模型在后續(xù)訓(xùn)練的過程中出現(xiàn)擬合問題的頻率也會(huì)有所增加，針對(duì)這種情況還需要開展后續(xù)的檢查工作，反復(fù)對(duì)系統(tǒng)進(jìn)行優(yōu)化，多次模擬結(jié)構(gòu)運(yùn)行的實(shí)際情況，解決系統(tǒng)的擬合問題。模型訓(xùn)練的過程中，如果出現(xiàn)了過擬合問題，會(huì)影響到后續(xù)的網(wǎng)絡(luò)深度，也會(huì)干擾最終的模擬效果。殘差連接在進(jìn)入到系統(tǒng)之后，會(huì)在第一時(shí)間應(yīng)用到最大池化層，接著就會(huì)對(duì)系統(tǒng)當(dāng)中的數(shù)據(jù)開展特征提取。

4 結(jié)束語

綜上所述，本篇文章基于LSTM和殘差網(wǎng)絡(luò)優(yōu)化研發(fā)了異常流量檢測(cè)方法，利用該方法可以有效提高檢測(cè)方法的準(zhǔn)確率、科學(xué)性，降低了檢測(cè)數(shù)據(jù)的誤報(bào)率，可以對(duì)相關(guān)的參數(shù)進(jìn)行優(yōu)化。檢測(cè)模型在最初建立的過程中，會(huì)針對(duì)公開的網(wǎng)絡(luò)數(shù)據(jù)進(jìn)行收集，匯總分析之后還需要對(duì)相關(guān)的數(shù)據(jù)進(jìn)行保存。網(wǎng)絡(luò)數(shù)據(jù)集NSL-KDD與開源WAF需要對(duì)數(shù)據(jù)集開展驗(yàn)證，在驗(yàn)證的過程中得出了相關(guān)的結(jié)論，三層堆疊的LSTM網(wǎng)絡(luò)和單層的LSTM網(wǎng)絡(luò)相比，三層堆疊的LSTM網(wǎng)絡(luò)性能會(huì)比較好，可以有效提高單層網(wǎng)絡(luò)的適應(yīng)性，

從根本上解決適應(yīng)性弱的問題。了解殘差神經(jīng)網(wǎng)絡(luò)的結(jié)構(gòu)特性，從中選取一條有效的路徑，可以從根本上降低路徑選擇的難度，該方法可以進(jìn)一步加深神經(jīng)網(wǎng)絡(luò)的整體結(jié)構(gòu)。為了對(duì)LSTM的問題進(jìn)行解決，需要在Inception結(jié)構(gòu)的基礎(chǔ)之上開展殘差設(shè)計(jì)，從而可以對(duì)結(jié)構(gòu)系統(tǒng)問題進(jìn)行解決。在開展二分類實(shí)驗(yàn)或者是多分類實(shí)驗(yàn)的過程中，需要設(shè)定各種優(yōu)化之后的評(píng)價(jià)指標(biāo)，結(jié)合實(shí)際工作的內(nèi)容對(duì)實(shí)驗(yàn)流程進(jìn)行優(yōu)化，在其中還需要引進(jìn)機(jī)器學(xué)習(xí)模式，提高實(shí)驗(yàn)工作的嚴(yán)謹(jǐn)性和科學(xué)性。