大數據在互聯網安全防御中的應用與研究

◆李永紅

（河南省外貿學校 河南 450002）

大數據在互聯網安全防御中的應用與研究

◆李永紅

（河南省外貿學校 河南 450002）

隨著互聯網的普及和發展，其已經在很多行業得到廣泛使用，取得了顯著的應用成效。互聯網即為人們的工作、學習、生活提供了便捷支撐，同時也帶來了潛在的安全威脅，造成互聯網應用系統的安全風險非常大，非常容易產生不可估量的經濟損失。同時，互聯網運行項目的增多，數據量也急劇上升，因此傳統的安全防御技術已經無法支撐當前互聯網應用和操作需求，亟需采用先進的大數據技術，利用數據挖掘、模式識別從海量的網絡數據中發掘潛在的病毒和木馬信息，從而可以識別網絡中的安全威脅造成的后果嚴重程度，進而啟動深層次的防御系統，及時將安全威脅清除掉，保證網絡正常運行。

大數據；互聯網；BP神經網絡；支持向量機；K均值

0 引言

互聯網技術的快速發展促進了政企單位普及和使用電子政務、電子商務、智能旅游、在線學習、物流倉儲、智能家居、金融證券等領域的快速發展，各行各業已經積累了海量的應用數據資源，并且持續呈現幾何級數增長，已經使人們從信息資源匱乏的時代過渡到信息豐富時代，有力提升了人們的生活質量和水平[1]。大數據分析技術主要包括兩個關鍵類別，分別是有監督分析技術和無監督分析技術。有監督分析技術包括貝葉斯理論、支持向量機、BP神經網絡；無監督分析技術包括密度聚類、信息論、K均值、譜聚類等[3]。

1 大數據技術分析

有監督分析方法需要充分利用人們的經驗知識，構建一個大數據分析模型，同時針對這個學習模型進行訓練，以便能夠保證大數據分析的精確度；無監督學習方法不需要利用任何的經驗知識，系統可以自動的利用統計理論從海量數據中挖掘潛在的有價值信息，自動生成一個個學習模式[4]。BP神經網絡能夠按照統計學規則，實現誤差逆傳播，是一種多層次的前饋神經網絡，目前已經在多個機器學習和模式識別領域得到廣泛普及。BP神經網絡通過自學習形成一個強大的支持網絡結構，并且利用當前最為流行的梯度下降方法，不斷地調整網絡的結構、權值和閾值，降低網絡的誤差平方和，準確的提取相關的數據隱含模式信息。數據處理過程中，輸入層可以接收所有數據，并且將這些數據傳輸給中間層的神經元，神經元可以負責數據信息處理、變換，并且能夠根據信息變化能力的需求，改變和整合中間層結構數據流經過識別和處理之后，就可以從中間層分發到輸出層，這樣就可以完成一次學習過程，將BP神經網絡訓練成為一個準確度非常高的模型，還可以通過誤差梯度下降等修正各個層次的權值，向隱藏層逐級反饋，實現反向傳播和修正，提高數據識別精確度[5]。支持向量機是一種性能強大的數據分析技術，其可以解決樣本數量較少、非線性或高維模式數據分析，比如能夠推廣到函數擬合的其他類型數據分析問題中，可以更好地分析數據、識別模式，用于分類和回歸分析。

2 大數據在互聯網安全防御中的應用

目前，互聯網安全威脅經過多年的增長，已經呈現出爆發式增長模式，經過我國互聯網部門的統計和分析，黑客每年發起的互聯網病毒、木馬攻擊數以萬億次，截止到2016年底，我國互聯網應用系統由于安全威脅攻擊產生的損失多達4000億人民幣，金融銀行、證券投資、政府機構等均是互聯網攻擊的重點，并且互聯網攻擊呈現出了新型特點，比如安全威脅攻擊更加隱蔽、攻擊渠道更多、病毒木馬潛藏周期更長、攻擊速度也更快。目前，由于金融銀行、政府機構均開始普及信息化系統，并且為了提供給更高、更快和更實時的信息系統服務，人們已經開始引入更加先進的光纖接入設備，包括光纖接入終端 ONT、光纖分發單元ONU、光纖陣列服務器、光纖交換機，同時接入的用戶端設備也包括臺式機、筆記本、智能手機、平板電腦、傳感器、家用電器等，形成了強大的物聯網、車聯網等，因此這些軟硬件資源集成在一起時，由于不同的開發框架和實現技術融合在一起形成了各類型的漏洞，導致互聯網遭受攻擊的渠道更多。許多互聯網病毒、木馬采用先進的面向對象、面向過程等技術，這些技術開發的攻擊威脅更加智能，并且采用了更加正常的偽裝嵌入到正常應用程序和軟件中，因此埋伏的更加隱蔽，不易被殺毒軟件發現。由于互聯網采用光纖通信技術，因此一旦某個應用系統遭受到病毒或木馬感染之后，其會首先在互聯網中得到快速傳播，感染更多的服務器，主機和服務器爆發嚴重的安全事故，非常容易給網絡帶來嚴重的災難，因此更加容易帶來安全嚴重損失。

因此，利用大數據技術可以構建一個病毒、木馬識別模型，并且針對這個模型進行訓練，提高數據發現的準確度，數據挖掘利用自學習功能，可以利用互信息距離作為相似性評價和度量指標，采用無監督分析模式，通常兩個數據對象的距離越近，這兩個數據對象的相似性就會越大。通常情況下，網絡安全攻擊威脅數據自身都有特別的符號，具有內在的相似性行為和特征，系統可以針對這些數據進行分析和評價，從而不需要指定數據的類別標簽就可以獲取文本內部結構，將數據匯聚在一起，實現病毒和木馬數據挖掘。具體的大數據挖掘模型如圖1所示。

圖1 互聯網大數據挖掘模塊

3 結束語

目前，互聯網采用了高速的光纖通信和4G移動通信技術，數據傳輸的速度已經達到千兆網、萬兆網時代，其中病毒和木馬傳輸速度更快，因此互聯網防御面對更加嚴峻的形勢。本文提出采用先進的大數據挖掘技術構建自動化安全威脅識別技術，實現一個強大的網絡安全系統，能夠快速、實時地從系統中發現潛在的安全威脅數據，這樣就可以提高互聯網防御性能，提高互聯網正常運行的性能。

[1]樊璐瑩.基于大數據的網絡安全防御技術及模型[J].計算機光盤軟件與應用，2015.

[2]丁佳.基于大數據環境下的網絡安全研究[J].網絡安全技術與應用, 2014.

[3]管磊,胡光俊,王專.基于大數據的網絡安全態勢感知技術研究[J].信息網絡安全, 2016.

[4]魏國.大數據在網絡安全領域的應用研究[J].網絡安全技術與應用，2016.

[5]王勝利.基于大數據聚類算法在網絡安全中的應用[J].網絡安全技術與應用, 2016.