基于人工智能的計算機大數據安全技術平臺構建

王 俊 李咸寧

（軍委后勤保障部信息中心，北京100842）

二十一世紀以后，移動互聯網和云平臺技術的飛速發展，使得數據規模也隨之快速增長，現代社會經濟的發展已然進入大數據時代[1]。人工智能重點主要集中在對人的邏輯思維、認知意識進行研究，并把人的行為通過數學運算與分析實現機器模擬[2]。海量數據的聚合，一方面提高了用戶在隱私泄露方面的危險，大數據內隱含的龐大信息量和潛在市場也吸引眾多的網上非法分子的攻擊。另一方面大數據在學科應用上多表現跨學科整合應用，內部引進了很多新技術，這在很大程度上會加大大數據在技術和管理上的風險程度。所以，引導大數據內各個角色有序提高數據管理水平，保證大數據服務提供商在符合安全規范的前提下進行高效分析與服務，都是現今亟需解決的重要問題。

1 網絡安全數據采集

針對安全技術平臺中對網絡安全漏洞數據的具體要求，平臺必須做好網絡安全漏洞數據的采集，確保漏洞數據采集工作可以為安全技術平臺提供全方位、立體化、實時精準的服務。采集流程圖如圖1 所示。

圖1 采集流程圖

有關漏洞數據的采集目標，通常視為多個網站內的漏洞數據庫所編錄的全部漏洞數據。數據采集工作中，我們有必要按照各個網站的不同特征，通過隨機分配IP 地址、網絡代碼、用戶代理、瀏覽器等技術，有效規避部分網站對爬蟲行為的爬墻[3]。按照平臺對漏洞數據安全性、時效性的標準，我們必須著重對數據采集關鍵程序進行優化升級，定時定期重啟模塊工作任務，以確保平臺數據庫內的漏洞數據永遠處于更新狀態。

爬蟲程序在Scrapyd 指引下，為整個平臺提供了JSONAPY的方式對爬蟲程序進行實時監控。在漏洞網頁數據的爬取上，一般會采取隊列式的爬取方式。首先對一個初始種子進行事先定義，之后按照網站漏洞數據的不同構造設計出相對應的隊列算法。隊列內容以網頁內的URL 數據為主，最后利用爬蟲引擎的下載功能，結合反爬蟲對抗技術完成網頁數據的下載進庫。整個操作過程中，必須將網頁數據和定制關鍵字相對比，以便采集符合關鍵字搜索有關數據，確保漏洞數據采集工作的準確率。

2 數據特征提取與脫敏

數據維度偏高會造成計算步驟過于復雜或計算時間疊加，不相聯的維度特征甚至會造成平臺的精確度下降。緩解維度困難的一個關鍵路徑就是降維，即將高維特征中的冗余或互相之間不聯系的數據排除，達到降低噪音的目的，實現從原始數據集合中提取關鍵特征以降維。按照計算邏輯進行探究性分析與初步認定后，對有關性矩陣圖進行準確繪制，計算有關系數對其進行顯著性驗證，通過主體分析、線性區別分析、因子分解等方法對數據特征進行檢索、評價、檢驗、分析，從中篩選出和目標互聯性較強的特征。數據特征提取如圖2 所示。

圖2 數據特征提取

數據脫敏一般有隨機法、匿名法、關聯規則隱藏法等可供選擇。出于保護隱私的需求以及對數據安全的要求，數據脫敏必須綜合多種情況，結合諸多方法。因此，本文選擇將匿名法與關聯規則結合，這在很大程度上既可以保護用戶敏感信息，同時還可以有效避免網絡非法用戶利用數據關聯規則對個人隱私數據的反向攻擊。比如，數據K 匿名和關聯規則隱藏相結合就業在完成K 匿名的同時，實現隱藏關聯規則的目的，從而更好地完成數據脫敏。

3 身份認證與精細化訪問控制

在計算機網絡安全保護之中，身份認證與加密是最普遍的方法，身份認證就是利用對計算機網絡用戶身份的確認而隨之產生的有效方法。加密技術一般視為比較普遍的安全保密方法，通過計算機技術將比較重要的數據進行加密后再傳輸，到達指定IP 后再以一種相同或類似的手段對其解密。用戶身份認證圖如圖3 所示。

圖3 用戶身份認證

大數據安全技術平臺主要是以網址的方式接受用戶的訪問請求，所以每一個用戶在大數據安全技術平臺內的身份均相同，都是代理網址的臨時身份，可是這對于身份權限的管理來說會造成平臺無法完全區別不同用戶之間在權限使用上的不同。本文設計的平臺采取的方法就是將用戶的認證身份與授權身份完全分離開來，保證訪問平臺的均為合法用戶。以授權身份對認證用戶的訪問授權時，保證認證后的操作具備一定的合法權限。

大數據處理必須遵守國家有關制度和法律法規的具體要求，同時還需要遵守安全策略、隱私策略等協議。這些均對數據平臺的訪問控制提出更高水平的要求。為高效解決此問題，可以采取屬性加密的方式對加密數據的靈活性進行靈敏度共享，并降低密鑰管理成本和時間。大數據安全技術平臺在運行時需要借助復雜的計算環境，用戶對數據訪問安全性的類型上也面臨多樣性。針對大數據安全技術平臺的數據訪問要求和特征，可以在訪問控制的基礎上完成大數據安全技術平臺對數據的安全應用與靈敏共享，利用主客體屬性細粒度訪問控制的授權方法對用戶在共享數據的應用上進行靈活設定，從而實現數據細粒度使用上的安全。同時還可以對大數據訪問有關的主/客體、參數指標等進行機動靈活的配置，將對涉密數據的實時訪問、隱私事件的發生順序、數據資源的修改次數等進行精準記錄，從而為不法工會、違規處理等突發事件的解決提供一個綜合的、完整的、安全的分析控制。

4 實驗與效果分析

為了更加清楚、具體的看出本文提出的基于人工智能的計算機大數據安全技術平臺的實際效果，特與傳統的計算機大數據安全技術平臺進行對比，對其隱私泄露風險的大小進行比較。

4.1 實驗準備

實驗環境總共包含3 臺服務器，其中大數據安全技術平臺部署在總服務器上，大數據平臺則部署在服務器2 和服務器3上。大數據安全技術平臺所在服務器一般包含兩大IP，一個外網、一個內網。外網IP 通常只對用戶顯示可見，用戶可以利用該IP 地址對大數據安全技術平臺進行訪問，而內網IP 則劃分為大數據安全技術平臺和大數據平臺間的通信IP。平臺部署總服務器 的IP 地 址 為10.59.14.211， 服 務 器2 的IP 地 址 為10.59.13.223，服務器3 的IP 地址為10.59.13.252。

為保證試驗的準確性，將兩種計算機大數據安全技術平臺設計置于相同的試驗環境之中，進行隱私泄露風險的試驗。

4.2 實驗結果分析

試驗過程中，通過兩種不同的計算機大數據安全技術平臺設計同時在相同環境中進行工作，分析其隱私泄露風險的變化。隱私泄露風險度對比如圖4 所示。

圖4 隱私泄露風險度對比

圖4 結果表明，本文提出的基于人工智能的計算機大數據安全技術平臺相比于傳統平臺設計，在隱私泄露風險上能夠最大限度地保證隱私不被外泄，維護用戶信息安全。傳統平臺中存在諸多問題，基于本論文提出的大數據安全技術平臺安全可以有效對底層數據進行保護，可以滿足絕大部分場景對安全的現實需求。

5 結論

對基于人工智能的計算機大數據安全技術平臺進行分析，傳統的數據安全技術早已經無法滿足大數據時代下對數據安全的現實需要，大數據平臺的數據安全、隱私保護等都均面臨著新挑戰。依托人工智能的技術要求，在大數據應用背景下，根據計算機大數據的安全需求，對平臺設計及時進行調整。希望本文研究內容可以為解決大數據安全等技術性問題上提供一些專業的技術參考和方法指導。