基于k-means算法的網絡數據庫入侵檢測技術

高彩霞

摘要：信息化時代下網絡已經全面覆蓋人們的日常生活、工作各個方面，網絡技術的不斷發展極大地促進我國各個行業的發展，網絡辦公已經成為企業工作的常態，但也由于網絡技術的發展各種網絡病毒與黑客攻擊、入侵技術也隨之增長，對網絡環境的安全危害性較大，優化網絡安全的防御工作，是當下網絡技術發展的新方向。筆者以基于k-means算法的網絡數據庫入侵檢測技術為目標，從現階段入侵檢查技術與傳統聚類算法存在的問題入手，通過實驗反映改進進K-means算法，旨在為現階段網絡入侵提供新的研究反向與視角。

關鍵詞：k-means算法;網絡數據庫;入侵檢測技術

中圖分類號：TP393? ? ? 文獻標識碼：A? ? ? 文章編號：1009-3044（2019）01-0034-02

1 入侵檢測技術現狀與數據挖掘

網絡技術的飛速發展既為人們生活帶來了便利，也出現了安全問題，目前入侵檢測與預防基本都是依靠防火墻技術，但日趨復雜的網絡環境，對入侵檢測技術的要求更高。不僅要實施監視網絡流量，還要依據網絡數據傳輸節點對懷疑數據進行標準對比，及時發現系統漏洞以及網絡攻擊行為。還要承擔起阻斷危險來源節點，保護自身網絡安全的職責，提高網絡安全等級。就近年來電網企業所遭受的公網IP與內網IP惡意攻擊來看，只依靠各個城域網與廣域網之間的防火墻與IPS等安全設備，無法全面檢測信息網絡技術的中的異常行為，反應速度，也達不到防護要求。因此近年來，k-means算法、BP神經網等逐漸應用到入侵檢測中，在數據流量包的基礎上甄別各種攻擊行為和危險語句段，避免網絡信息運行泄露問題。保障信息網絡的安全運行。數據挖掘，是從數據庫中知識挖掘，提取出大量的未知且具有用戶期望價值的信息，現階段數據挖掘也成為如今檢測技術之一，通過數據挖掘結果調整策略，減低風險，提高決策的正確率。傳統入侵檢測系統中植入數據挖掘技術，是利用數據挖掘算法，在網絡海量數據中，過濾掉多數正常數據模式，針對異常要入侵模式構建入侵檢測模型，以提高檢測效率，優化檢測效果，減少誤檢率[1]。

2 基于K-means 算法的檢測入侵系統結構

基于k-means算法的檢測入侵系統，是新時代網絡環境下安全防御提出了的新型網絡安全保護技術，從網絡系統中運行數據，監控和與保障安全性如入手，依據k-means算法的聚類算法、迭代算法，更加有效提取網絡信息，深入到統計學、電子計算以及數據庫信息整合等多個領域，對網絡運行狀態進行策略，構建網絡正常狀態下的模，一旦用戶超出了預設的模型，就被定位網絡入侵，以此提高網絡入侵檢測的效果，設置好正常狀態的行為模式以及預設模式，基于K-means 算法構建網絡異常檢測模型，在大數據環境下以提高數據選取的準確性和誤報率，縮短數據選擇時間。主要的K-means 算法的檢測入侵系統構建框架圖1：

k-means算法主要應用于數據審計中，利用模式識別方法分析數據庫，構建模式系統圖，在海量網絡數據中辨認出有效的出具，提取出特征碼，并按照類型標準進行分類。聚類算法在應用中，將數據輸出轉變為若干個聚類，計算各個數據之間的差異，用d（i，j）= |x i1 -x j1 | 2 +|x i2 -x j2 | 2 +...+|x ip -x jp | 的算法公式，計算數據間的距離。然后再假設數據集變量為i，j，具有P個屬性賦權值，用d（i，j）= w 1 |x i1 -x j1 | 2 +w 2 |x i2 -x j2 | 2 +...+w p |x ip -x jp | ，計算出數據差異距離[2]。

從基于K-means 算法的檢測入侵系統的發生器、分析器、響應元件及事件信息數據庫為主，對入侵網絡中的數據庫進行檢測，通過檢測途徑獲取確切的信息，對用戶的一系列活動進行監控，從而獲取系統運行結構與網絡數據庫中的弱點進行識別與反饋，更便于入侵信息檢測，解決網絡運行中的異常問題，保障網絡系統的安全性運行和信息完整性、準確性。所以 K-means算法在應用中，要明確其基本思想，以便于切實監控各種違反系統的行為，實現控制與株洲西，對網絡段中發生的入侵實現盡早控制。 K-means算法的本質是采用包含n個數據的數據集和產生類聚的個數，把n個數據化分成K個子集，針對不同的類聚之間的數據進行計算，劃分出同類聚類以及不同類聚，每個聚類以中心值的形式進行表述，通過計算聚類的所有數據平均值，獲取中心值。

3 基于K-means 算法的檢測入侵系統的構建

基于K-means 算法的檢測入侵系統的結構，在設計中采用了結構體系，是以三段式的入侵信息數據具體計算數據，依據統計學的信息保存庫以及網絡探尋信息搜索器、網絡入侵信息分析數據庫的控制器件構成，利用入侵信息，在網絡檢測系統中，依托于加密傳輸協議實現遠程數據傳輸，將數值運輸到總系統的信息庫后，再利用數據審計與K-means 算法，對整個系統進行檢測，從而實現整個檢測系統。數據信息特征碼提取，不能直接在海量數據中審計，要構建網絡數值抓取庫，依托于數據挖掘與 Snort 網絡特征，用正常模式下新的數據進行比對，過濾掉正常數據，將異常數據通過Snort 網絡數值抓取庫的 Libpcap設置的網絡數值，提取出特征碼。數值抓取庫的設置如下，先創建好Snort 網絡數值抓取庫以及數值保存庫，然后對結構查詢信息的校本類文件類型進行核查，設置好table后，再對snort 中的 conf 文件進行編輯，實現Plu-gin 中數據值的全面導出到保存庫中，具體操作代碼如下：#/usr/local/bin/mysqladmin-u root-p create snort

#/usr/local/bin/mysql admin-u

Root-p create snort archive

#/usr/local/bin/mysql-u

Root-D snort-p

#/usr/local/bin/mysql –u root -D snort_archive -p

utput database： alert， mysql， user=root password=abc123 db?name=snort host=localhost

構建好Snort 網絡數值抓取庫后，緊接著就要設置好web服務器的Apache。Apache設置一共有三步，一是擴展Apache的代碼，通過代碼設置，拓展mod_ssl代碼，二設置好分析控制臺的ACID的三個功能組間，將Adodb 數據庫、ACID軟件包、PHP圖表類依次設置好，，三編輯ACID的配置文件，給Acid_conf.php賦予一定的變量。使用分析控制臺程序ACID作為K-means 算法的使用器，對入侵事件和數據進行統計與分析，并將數據拓展到相關的數據庫中，利用nmap工具對系統進行X-scan的掃描，將提取的特征碼注入相關的入侵事件中[3]。

最后進行實驗數據檢測，筆者是采用 KDD Cpu99 網絡攻擊數據集，針對檢測系統的運行對數據進行整理和分析，以MAT-LAB 軟件的計算與仿真結果，分析利用 K-means 算法構建檢測系統的檢測率和誤報率的影響因素。針對實驗數據分析可知，適當聚類半徑越大，誤報率就越高，只有當閾值為5時，K-means 算法的檢測率與誤報率受聚類中心數量的影響，此時在四種不同類型攻擊下，基于K-means 算法的檢測入侵系統檢測率較高。當聚類半徑越大時，誤報率就越大;由圖 4 可得，當取閾值半徑為 5 時，改的K-means 算法在檢測率和誤報率受到聚類中心數量的影響;由表1可得，當閾值半徑為 5，在四種不同的攻擊類型下，針對不同的攻擊類型，改進的 K-means 在檢測率和誤檢率上是有區別的[4-5]。

4 結束語

基于k-means算法改進現有的網絡數據庫入侵檢測技術，是利用k-means的聚類算法、迭代算法，針對現階段數據庫入侵方式與入侵渠道，提出優化算法，以解決云改進傳統聚類算法在伸縮性與數據定期更新中存在的問題，提高信息安全的防御效果，構建高效、科學、精準的數據入侵檢測平臺，優化網絡入侵檢測系統。

參考文獻：

[1] 劉華春， 候向寧， 楊忠. 基于改進K均值算法的入侵檢測系統設計[J]. 計算機技術與發展， 2016， 26（1）： 101-105.

[2] 吳彥博. 基于數據挖掘的網絡入侵檢測關鍵技術的分析[J]. 職大學報， 2016（2）： 101-103.

[3] 鳳祥云. 基于K-Means聚類算法入侵檢測系統研究[J]. 電腦知識與技術， 2016， 12（16）： 49-51.

[4] 孫章才， 車勇波， 姚莉， 等. 基于改進K-means算法在電網企業網絡入侵檢測中的應用[J]. 信息通信， 2016（9）： 12-13.

[5] 陳培毅. 基于K-means算法檢測網絡安全可行性研究[J]. 自動化與儀器儀表， 2017（8）： 102-103， 106.