基于大數據的信息安全管理系統應用研究

鄭士芹

摘 要：隨著光線網絡、移動網絡的發展和普及，互聯網承載的應用系統越來越多，因此互聯網上傳輸的數據呈現急劇上升的趨勢，為信息安全監控帶來了嚴重的阻礙。傳統的信息安全防御采用被動式思想，不利于從海量數據中自主發現潛在的病毒、木馬等威脅，為了解決上述問題，文章提出開發一個智能化的信息安全管理系統，該系統引入了K均值、BP神經網絡和支持向量機等大數據技術，利用大數據分析、挖機的思想提高互聯網防御能力，適用于當前互聯網防御，具有重要的作用和意義。

關鍵詞：大數據；網絡安全；K均值；BP神經網絡；支持向量機

大數據是一種非常先進的數據存儲、處理技術，經過多年的普及和使用，大數據已經天貓商城、京東商城、蘇寧云商、一號店以及蘑菇街等網站得到廣泛普及，同時也構建了國家大數據中心，覆蓋了華中、華南、華北和西北等區域，有效提高了互聯網互通互聯共享程度。但是，數據中心保存的隱私數據成了許多非法攻擊者的首選目標，這些人利用木馬和病毒盜取金融機密信息、國家政策信息、個人隱私信息等，將這些信息非法出售獲取暴利，為社會帶來了嚴重的危險。為了提高互聯網的數據安全能力，人們研發了信息安全管理系統，該系統可以實現信息安全風險評估、信息安全風險挖掘、信息安全風險防御功能，利用先進的大數據挖掘技術實現信息保護，具有重要的作用和意義[1]。

本文基于筆者多年的工作實踐，詳細地分析了信息安全管理系統的邏輯業務功能，然后描述了大數據在信息安全管理系統中的應用情況，構建一個信息安全評估、風險分析、安全防御的動態化系統，進一步改進了安全防御的成效，為信息安全提供強大的防御支撐。

1 信息安全管理系統

信息安全管理系統的主要功能包括數據采集、安全評估、風險分析和安全防御等4個方面，詳細描述如下。

（1）數據采集功能。互聯網運行過程中，應用程序、交換機、路由器等軟硬件設備運行將會產生海量的數據，不僅包括應用數據，同時還包括日志數據，數據采集之后可以將其保存到數據庫，然后按照不同的類別將數據保存在不同的位置，可以劃分為日志數據和應用數據，也可以劃分為有結構數據和無結構數據[2]。

（2）風險分析功能。互聯網數據采集之后，就可以針對互聯網數據進行分析，分析數據首先需要將數據進行歸一化處理，將不同類型的數據建模為一個矩陣，利用支撐向量機針對數據進行預處理。互聯網數據風險可以將其劃分為兩個類別，分別有風險數據和無風險數據[3]。

（3）安全評估功能。互聯網數據風險之后，可以針對信息安全涉及的許多不安全數據進行評估，安全評估之后可以針對軟硬件風險數據劃分為不同的等級，按照一定的標準可以劃分為嚴重、輕度、一般等3個等級，如果是嚴重等級的風險，此時就需要激發殺毒軟件，針對網絡中的軟硬件系統進行掃描，查殺病毒并且將網絡區域隔離起來[4]。

（4）安全防御功能。安全防御功能可以配置防火墻、訪問控制列表、殺毒軟件等工具，因此安全防御軟件可以根據信息安全管理系統的安全評估結果進行操作，如果評估為一般風險，則安全防御功能就可以啟動核心殺毒軟件，針對內存進程進行掃描；如果評估為輕度風險，則安全防御功能就可以啟動防火墻和殺毒軟件，針對系統進行系統的殺毒；如果是嚴重程度，則需要啟動全部的防御軟件，消除系統的安全威脅[5]。

2 大數據在信息安全管理系統中的應用設計

信息安全管理系統采用了先進的大數據技術實現信息加工，可以將這些信息集中在一起，實現風險分析和安全評估，根據操作結果實現安全防御，大數據在信息安全管理系統中的應用描述如圖1所示。

風險分析功能引入支持向量機，支持向量機作為一種先進的數據挖掘技術，其采用統計學習理論，采用結構風險最小化原則，適當地選擇函數子集以及判別函數，這樣就可以使學習機器承受的風險達到最小化程度，因此可以使文本數據挖掘的學習訓練樣本達到最佳程度，并且能夠保證結構圖集的誤差處于最小化。風險分析存在精確度等問題，因此在支持向量機中引入了自適應共振理論，進一步利用數據中蘊含的有價值信息，將這些信息進行分類和挖掘，從而可以從不同的角度進行分類和操作。支持向量機利用已經學習到的安全風險規則分析數據，發現數據中潛藏的威脅數據，同時對其進行歸類分析，構建一個強大的網絡安全風險分析系統。

安全評估功能采用K均值，可以實現一個基于距離的大數據分析，將網絡上的數以億計數據對象劃分為N個簇，每一個簇都包含一個簇心，用戶輸入相關的網絡安全評估對象信息之后，可以計算該數據對象與N個簇心得距離，選擇一個距離最近的簇與數據對象合并到一起。安全評估采用無監督學習模式，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高，不需要指定數據的類別標簽就可以獲取內部結構，將數據匯聚在一起，實現數據解釋。K均值作為一種成熟的大數據技術，采用無監督學習模式，不需要用戶具有先驗知識，只需要輸入自己期望的網絡安全風險類別即可獲取分析模式。安全評估采用K均值算法，這樣就可以自動化地發現網絡中的風險數據，不需要任何的先驗知識就可以提高網絡安全的等級分類，然后將評估結果發送給防御功能模塊。

反向傳播（Back Propagation，BP）神經網絡作為一種先進的大數據技術，其采用心理學、神經學和網絡學，能夠將互聯網上的海量數據連接在一起，這樣就可以將每一個互聯網數據對象作為一個神經單元，利用網絡之間的泛化、傳播能力發現神經元之間的關系，基于此判斷其是否有安全風險[6]。信息安全管理系統引入一個BP神經網絡技術，用戶可以輸入相關的網絡安全風險，比如永恒之藍，此時將輸入信息發送給安全防御模塊，安全防御模塊啟動BP神經網絡，可以將安全評估的結果一一調出，將其反饋給用戶，用戶獲得這些數據之后就可以將其反饋給管理員，實現一個強大的互聯網安全操作，具有重要的作用和意義。

3 結語endprint

信息安全管理系統引入BP神經網絡、支持向量機和K均值之后，這些大數據分析技術可以提高系統的響應能力，能夠迅速地從海量網絡數據中挖掘潛在有風險數據，將這些數據發送給安全防御功能，這樣就可以快速提高網絡安全威脅定位能力，改進網絡防御能力。

[參考文獻]

[1]劉金勇.大數據時代互聯網安全管理系統研究與探討[J].網絡安全技術與應用，2015（6）：61.

[2]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（9）：45-50.

[3]孫玉.淺談網絡安全分析中的大數據技術應用[J].網絡安全技術與應用，2017（4）：102.

[4]陳劍皓，韋肖玉，黃斯旎.基于K均值的網絡安全監測數據挖掘系統研究[J].數字通信世界，2016（12）：245.

[5]李紹中.支持向量機的智能信息安全風險評估模型[J].計算機應用與軟件，2013（8）：330-333.

[6]占俊.基于自適應BP神經網絡的計算機網絡安全評價[J].現代電子技術，2015（23）：85-88.

Abstract：With the development and popularity of light network， mobile network， Internet applications become more and more， so the Internet transmission data showed a sharp upward trend， has brought serious obstacles to information security monitoring. The traditional information security defense adopts passive thinking， which is not conducive to discovering potential threats such as viruses and Trojans from massive data. In order to solve the above problems， this article proposes to develop an intelligent information security management system. This system introduces big data technologies such as K-means， BP neural network and support vector machine. It uses big data analysis and digging machine to improve the capability of Internet defense， which is applicable to the current Internet defense and plays an important role in practice.

Key words：big data； network security； K mean； BP neural network； support vector machineendprint