云計算網絡下的網絡抗毀性估計模型仿真

杜璞

摘 要： 云計算網絡能否有效運行與網絡抗毀性有非常重要的關系，基于云計算網絡，通過分析抗毀性指標進行云計算網絡負載容量模型的構建，根據不同密度節點與不同容量對云計算網絡抗毀性的影響，對其網絡容量密度進行調節，得到最佳云計算網絡抗毀性能。并通過仿真實驗，將提出的改進算法與傳統的神經網絡法、模糊概率法、[GM1，N]進行對比。實驗表明，改進算法對云計算網絡毀傷程度估計準確性最高為0.96，連通節點數目最高為99，改進算法在網絡適用性、毀傷速度、毀傷程度三方面均優于其他三種算法，實用性較強，使云計算網絡數據傳輸過程的安全性得到了保證。

關鍵詞： 抗毀性； 網絡容量密度； 云計算； 負載容量

中圖分類號： TN711?34； TP393.4 文獻標識碼： A 文章編號： 1004?373X（2017）07?0071?03

Simulation of network invulnerability estimation model

based on cloud computing network

DU Pu

（Shaanxi Police College， Xian 710021， China）

Abstract： The effective operation of the cloud computing network has a crucial relationship with the network invulnerability. On the basis of the cloud computing network， the load capacity model of the cloud computing network was constructed by analyzing the invulnerability indicators. According to the influence of the different density nodes and different capacities on the cloud computing network invulnerability， the network capacity density is adjusted to obtain the best invulnerability of the cloud computing network. The improved algorithm proposed in this paper is compared with the traditional neural network algorithm， fuzzy probability algorithm and GM（1， N） algorithm by means of the simulation experiment. The experimental results show that the accuracy of the algorithm to estimate the cloud computing network invulnerability can reach up to 0.96， the maximum quantity of the connection nodes is 99， the algorithm is superior to the other three algorithms in the aspects of network applicability， damage rate and damage degree， has strong practicability， and can guarantee the security of the cloud computing network data in the transmission process.

Keywords： invulnerability； network capacity density； cloud computing； load capacity

0 引 言

隨著網絡技術與信息技術的快速發展，在網絡中，通過云計算處理海量數據，云計算是以互聯網為基礎進行通信及數據交互，處理海量數據的方法[1]。云計算數據存儲能力與計算能力非常強大，通過互聯網提供存儲空間及動態資源[2]。云計算環境中，在寬頻帶信道內，數據進行快速傳輸與聚簇，易遭受網絡病毒攻擊，網絡安全受到威脅。要提高網絡系統的穩定性及安全性，必須檢測網絡入侵信號和攻擊信號，預測網絡威脅態勢，提高網絡抗毀性[3]。

云計算網絡能否有效運行與網絡抗毀性有非常重要的關系，網絡抗毀性指的是網絡系統遭受意外事故、攻擊、故障時能及時完成其重要任務的一種能力[4?6]。云計算抗毀性研究的是網絡在遭受破壞下的可靠性能，它假設網絡結構所有資料都被破壞者擁有，通過破壞者使用確定破壞策略[7]。目前的云計算網絡抗毀性大多未考慮網絡特性，云計算網絡規模非常大，實時準確掌握全局拓撲信息不現實。通過網絡，大多數攻擊會繼續傳播，對淪陷節點、鄰接節點逐步進行攻擊，因此，結合云計算網絡理論進行云計算網絡抗毀性研究具有十分重要的意義[7]。本文基于云計算網絡，對其網絡抗毀性估計模型仿真進行研究。

1 大數據抗毀性過程

在云計算環境下，以網絡通信效率、網絡調度時間作為依據，采用區間調度效率為約束進行網絡調度優化方程的構建，將模糊算法融入，使多個目標問題的能量損耗轉換為單目標問題，建立網絡調度能耗模型，以完成任務最早時間為準則進行網絡空閑時間的搜索，優化網絡調度能耗模型，使云計算環境下網絡調度耗能整體降低。

2 云計算網絡抗毀性估計

2.1 抗毀性指標

在設計云計算網絡抗毀性前，將網絡抗毀性作為一個重要衡量因素加以考慮，對抗毀性指標進行定義。根據云計算網絡抗毀性的定義，在遭受攻擊或遇到自然災害時，網絡抗毀性設計能使網絡保持連通，維持通信正常，因而網絡抗毀性的重要方面是其連通性。衡量連通性的重要指標是連通度。在網絡受攻擊時，決定網絡性能關鍵因素之一是網絡通信效率，包括調用節點與連通節點，在建立網絡抗毀性指標時需要進行考慮。在節點間進行信息傳輸時，衡量經過節點數量的指標是跳數。因此，在設計云計算抗毀性網絡時，要限制兩節點間的跳數，這樣網絡通信效率才能得到保證。

2.2 云計算網絡負載容量模型構建

當云計算環境不同時，網絡類型有所差異，為滿足用戶的不同需求，這些網絡需同時運行。實際運行時，網絡存儲資源及硬件會約束網絡，假設網絡容量參數為[λλ>1，]網絡負載為[L，]通常情況網絡權重和網絡容量為正比關系，表示為[C=λL，]通過式（1）對網絡負載[Li]和網絡容量[Ci]的關系進行描述：

[Ci=1+αLi， i=1，2，…，N] （1）

式中冗余空間比例系數用[α]表示。

式（1）可以轉換為式（2）的形式：

[Ci=1+αθLiLmax-βLi， i=1，2，…，N] （2）

式中：云計算網絡的兩個控制參數分別為[α∈0，∞，][β∈0，1；]Heaviside梯度函數用[θx]表示；[Lmax=maxiLi]。在[β=0]時，就轉化為ML模型，因ML模型比較簡單，在云計算網絡負載容量模型中需要引入資源分配機制，用式（3）表示：

[Ci=1+αkγikγLi， i=1，2，…，N] （3）

式中，云計算網絡的兩個控制參數分別為[α≥0，][β≥0，]網絡資源分配控制參數用[γ]表示，在云計算網絡負載容量模型中，網絡結構同額外資源具有一定的相互關系，網絡負載會影響額外資源，也會影響網絡權重。在額外資源相同時，隨著單數[α]的增大，具有加權的云計算網絡抗毀性也隨之遞增，且穩定性較強。該模型對云計算網絡具有較好的保護能力。在云計算網絡負載容量模型中引入兩個參數，使得資源分配機制算法得到改進，額外負載加上初始負載的和就是加權網絡容量，可表示為：

[Ci=L+βLαi] （4）

式中：[α>0，][β>0，]在模型中通過調節兩個參數[α，β，]調整云計算網絡不同負載容量，在[α=1]時，云計算網絡負載容量模型可轉換為ML模型。

2.3 云計算網絡抗毀性的準確估計

網絡容量與網絡權重會影響云計算網絡抗毀性，因此不能準確估計網絡抗毀性，本研究將數值模擬法引入云計算網絡抗毀性估計中，對其進行優化，該算法原理是在節點遭受攻擊毀傷后，節點設定的容量會被該節點負載超過，這時節點連接被斷開，節點負載被重新進行分配，在節點負載保持均衡時節點重新連接。

2.3.1 云計算網絡不同容量的抗毀性

云計算網絡抗毀性與參數[θ]為負相關性，網絡抗毀性在[θ=0.5]時達到臨界值[α]，這時云計算網絡抗毀性最強。云計算網絡抗毀性與參數[β]呈正相關，網絡抗毀性在同時存在參數[α，][β]時與[θ]呈反相關。網絡抗毀性在[θ≤0.3]時較強，在[θ]值不斷提高后，就加大了網絡攻擊強度，同時提高了云計算網絡被毀傷的速度，網絡毀傷速度在[θ>0.4]時達到極值，這時會出現網絡癱瘓，工作停止。在云計算網絡容量不同時，網絡抗毀能力和網絡權重呈負相關，進行云計算網絡抗毀性估計時，要獲得網絡容量與網絡權重的最優關系，使得云計算網絡抗毀性得到增強。

2.3.2 云計算網絡不同密度節點抗毀性

在云計算網絡環境中，網絡抗毀性和網絡中節點密度大小有著非常密切的關系，影響網絡抗毀性的重要因素是參數[p]，云計算網絡抗毀性和參數[p]呈正相關，在[θ]值不同時，網絡抗毀性同參數[p]具有不同的相關度，節點密度隨著[θ]值的減小越來越低，這時云計算網絡抗毀性和參數[p]的相關性也相應變弱。

2.4 云計算網絡抗毀性的優化

通過分析不同密度節點、不同網絡容量對云計算網絡抗毀性的影響，若要改善云計算網絡抗毀性能，則需要優化網絡抗毀性，通過式（5）得到云計算網絡的性能函數：

[F=R-1-γSk+γSC] （5）

式中[γ]表示權重系數用。

在[θ≥0.5]時，云計算網絡抗毀性會徹底崩潰。網絡抗毀性隨著容量的增加先增大后減小，建立云計算網絡負載容量模型，對網絡容量密度進行調節，使云計算網絡抗毀性能達到最佳。

3 云計算網絡抗毀性仿真實驗

3.1 仿真實驗環境

本文通過仿真實驗驗證云計算網絡抗毀性估計的性能優勢，在云計算環境下預測網絡威脅態勢及網絡安全估計。實驗平臺配置包括內存為6 GB CPU、通用PC機，硬盤存儲空間為1 500 GB，Linux為操作系統，雙千兆帶寬，采用NetLogo建立云計算仿真實驗場景，采用Matlab 7數學編程實現。以Armadillo為網絡病毒數據庫，使用BLAS庫和LAPACK庫封裝網絡病毒數據庫，設置云計算下有105個不同結構網絡，采用R2L，DOS，PROBE，U2R四種攻擊方式進行云計算網絡毀傷；每個網絡節點有105個，云計算網絡抗毀性估計仿真參數的設定見表1。

3.2 不同算法實驗結果

根據三種不同的傳統網絡抗毀性估計方法，使用改進算法進行云計算網絡抗毀性估計實驗，云計算網絡不同算法抗毀性估計如圖1所示。

設置云計算網絡的實際毀傷速度和實際毀傷程度值均為1，適應度表示算法對結構不同的網絡毀傷狀況適應程度做出估計，算法估計值越接近1，該算法估計越準確。從圖1可以看出，神經網絡法與模糊概率法對云計算網絡毀傷程度估計準確性偏低，估計準確性最高的是本文采用的改進算法，達到了0.96，原因是改進算法針對網絡用戶的抗毀性估計，根據網絡結構的不同能找到毀傷因素的關鍵問題，使用戶網絡抗毀性能得到加強，防止網絡因毀傷發生整體失效；神經網絡法的適應度及毀傷速度估計均較低；在云計算網絡實際毀傷程度方面，[GM1，N]抗毀性估計方法略弱于改進方法，但比神經網絡法與模糊概率法的準確性要高；在這四種評估方法中，神經網絡法抗毀性估計整體比較均衡，但性能不突出，這是因為該方法選取參數比較敏感，對模型的依賴性要強一些；本文的改進算法在網絡適用性、毀傷速度、毀傷程度三方面均優于其他三種算法，這主要是因為云計算網絡負載容量模型將影響網絡抗毀性的因素與不同密度、不同容量相結合，并通過對網絡容量密度進行調節，使云計算網絡抗毀性能得到增強。

為對改進算法的優越性做進一步驗證，將不同網絡間連通度作為評價標準，進行不同算法網絡抗毀性估計性能的評價，使云計算網絡抗毀性能最佳。按照云計算網絡連通度定義的規定，在云計算網絡中，假定節點有[M]個，網絡連通度為[k，]滿足的條件為[M≥k+1，]云計算網絡連通度的連通條件必須滿足[k+1≤M→k≤99，]云計算網絡抗毀性與網絡中節點的數目為正比例關系，連通節點數目越多，網絡抗毀性越強。圖2為云計算網絡不同算法網絡連通度實驗。

從圖2可以看出，四種算法中改進算法的云計算網絡連通節點數目最高為99，其抗毀性遠大于其他三種算法，這表明在云計算環境中，改進算法的網絡抗毀性估計優勢非常突出，實用性較強，這樣云計算網絡數據傳輸過程的安全性就得到了保證。

4 結 語

本文基于云計算網絡，通過分析抗毀性指標進行云計算網絡負載容量模型的構建，根據不同密度節點與不同容量對云計算網絡抗毀性的影響，對其網絡容量密度進行調節，得到最佳云計算網絡抗毀性能。并通過仿真實驗，將本文提出的改進算法與傳統的神經網絡法、模糊概率法、[GM1，N]進行對比，實驗結果表明，改進算法對云計算網絡毀傷程度估計準確性最高為0.96，連通節點數目最高為99，改進算法在網絡適用性、毀傷速度、毀傷程度三方面均優于其他三種算法，實用性較強，使云計算網絡數據傳輸過程的安全性得到了保證。

參考文獻

[1] 宋文超，王燁，黃勇，等.云計算網絡下的安全等級評估模型仿真[J].科技創業月刊，2015（18）：103?104.

[2] 陳良維.云計算環境下的網絡安全估計模型態勢仿真[J].現代電子技術，2015，38（20）：15?20.

[3] 蔡瑾曜，吳玲達.一種通信網絡抗毀性評價的改進模型[J].計算機工程與應用，2013，49（13）：85?88.

[4] 劉言，趙銳，杜磊，等.基于改進生成樹優化算法的抗毀性網絡設計研究[J].微型機與應用，2015，34（3）：67?81.

[5] 趙靜嫻.基于不重疊路徑熵的網絡抗毀性評估方法[J].計算機應用研究，2015，32（3）：825?827.

[6] 馬潤年，文剛，邵明志，等.基于抗毀性測度的賦權網絡抗毀性評估方法[J].計算機應用研究，2013，30（6）：1802?1805.

[7] 王甲生，吳曉平，陳永強.不同信息條件下加權復雜網絡抗毀性仿真研究[J].中南大學學報（自然科學版），2013，44（5）：1888?1895.

[8] 楊浩，謝昕，李卓群，等.多樣性入侵環境下網絡安全態勢估計模型仿真[J].計算機仿真，2016，33（6）：270?274.