基于分布式集群的語料庫防篡改檢索方法

安玉香，李 檀

(1.沈陽建筑大學(xué)國際學(xué)院，遼寧沈陽 110168;2.沈陽建筑大學(xué)，遼寧沈陽 110168)

1 引言

分布式集群是通過分布式搜索引擎，形成的一種完成大規(guī)模分布式資源信息數(shù)據(jù)的檢索方法。其通過高速網(wǎng)絡(luò)環(huán)境，搭建分布式搜索引擎集群系統(tǒng)，進(jìn)行分布式并行資源數(shù)據(jù)信息檢索[1]。分布式搜索引擎根據(jù)設(shè)計模式可劃分為分布式元搜索引擎、散列式分布搜索引擎、P2P分布式搜索引擎等。分布式搜索引擎集群可安全、高效的完成海量資源數(shù)據(jù)的存儲、索引、檢索[2]。隨著網(wǎng)絡(luò)資源的不斷增加，檢索系統(tǒng)受到索引文件和索引庫的數(shù)據(jù)量的增加，使自身維護(hù)成本大幅度增加，導(dǎo)致檢索響應(yīng)的時間提升，并且響應(yīng)速度降低。以語料庫為例，其中存放海量的、語言實際使用中真實出現(xiàn)過的語言材料，而電子計算機是承載語料庫語言知識基礎(chǔ)資源的載體，并且真實語料需要經(jīng)過分析和處理后，才可以成為有用的資源[3]。由于語料庫的類型較多，涵蓋的語料內(nèi)容廣泛，并作為語言學(xué)研究的基礎(chǔ)資源，其在使用過程中，容易受到人為篡改，導(dǎo)致資源破壞和受損。

因此針對語料庫防篡改檢索進(jìn)行研究，文獻(xiàn)[4]根據(jù)設(shè)計區(qū)塊鏈數(shù)據(jù)庫系統(tǒng)框架，將區(qū)塊鏈技術(shù)應(yīng)用于分布式數(shù)據(jù)管理，然后提出了一種基于哈希指針的不可篡改索引，根據(jù)該索引快速檢索區(qū)塊內(nèi)數(shù)據(jù)，以此實現(xiàn)區(qū)塊鏈的查詢，最后通過實驗測試數(shù)據(jù)庫的讀寫性能。但是該方法的檢索開銷時間較長；文獻(xiàn)[5]提出了一種基于PKEKS的關(guān)鍵字安全的可檢索加密方法，通過在系統(tǒng)中添加可信賴的安全中心生成可信參數(shù)，并將生成的可信參數(shù)一起加入到加密過程的方法中，完成加密檢索。但是該方法的檢索誤差相對較高。針對上述方法存在的問題，本文提出基于分布式集群的語料庫防篡改方法，該方法采用分布式檢索引擎集群完成檢索，可減少檢索開銷時間，提高檢索準(zhǔn)確率。

2 基于分布式集群的語料庫防篡改檢索

2.1 分布式集群運行結(jié)構(gòu)

一個完整的分布式集群，以分布式引擎為核心，設(shè)計一個高效、安全的分布式檢索引擎集群。其具備高效的集群檢索功能以外，還要具備負(fù)載均衡、容易擴充和防篡改的功能[6]。分布式搜索引擎集群，采用分布式的設(shè)計結(jié)構(gòu)和集群協(xié)調(diào)，完成在每個部分的實現(xiàn)和完成相應(yīng)的運行，主要包含爬蟲集群、存儲集群、索引節(jié)點集群、聯(lián)合索引服務(wù)集群和前段服務(wù)器集群。其具體結(jié)構(gòu)如圖1所示。

圖1 分布式集群運行結(jié)構(gòu)

1)爬蟲集群：將抓取和挖掘到的語料庫資源數(shù)據(jù)存儲到存儲集群中，是爬蟲集群的主要工作。

2)存儲集群：其主要作用是將爬蟲爬取或者挖掘的資源數(shù)據(jù)進(jìn)行存儲。

3)索引節(jié)點集群：該集群通過在索引服務(wù)器上建立索引，實現(xiàn)存儲集群中的資源數(shù)據(jù)實行解析以及防篡改。

4)聯(lián)合索引服務(wù)集群：將索引節(jié)點集群解析后的資源數(shù)據(jù)實行存儲以及向用戶提供查詢服務(wù)[7]。

5)前段服務(wù)器集群：該集群為避免單點失效和提高自身的可用性和處理能力，采用負(fù)載均衡和故障轉(zhuǎn)移設(shè)計，使每個成員都可通過相同的訪問接口，直接獲取web應(yīng)用服務(wù)。

2.2 爬蟲集群的語料庫瀏覽行為數(shù)據(jù)挖掘

通過分布式集群運行結(jié)構(gòu)中的爬蟲集群，采用決策樹算法準(zhǔn)確挖掘語料庫瀏覽行為數(shù)據(jù)，決策樹算法可有效完成語料庫海量數(shù)據(jù)中易解析形式的挖掘。信息增益的屬性決定決策樹ID3算法分析節(jié)點的檢測屬性，決策樹分支根據(jù)語料庫瀏覽行為檢測屬性的已知值構(gòu)建，每個子集都可用根節(jié)點屬性的各值表示，在每一個子樹中規(guī)劃遞歸的實行上述步驟，當(dāng)子集內(nèi)元素為同類時，規(guī)劃停止，則語料庫瀏覽行為決策樹構(gòu)建完成[8]。

設(shè)置不同的語料庫瀏覽數(shù)據(jù)為{w1，w2，…，wr}，其數(shù)量為r，瀏覽行為的檢測屬性為W，則r個語料庫瀏覽行為{g1，g2，…，gr}，利用屬性W實行總體瀏覽過程G規(guī)劃，并且G內(nèi)樣本在子集Gy中體現(xiàn)，其在W上存在dy值。如果G節(jié)點的分支相對應(yīng)的是子集，Gy中類px的樣本數(shù)用Gx，y表示。則可體現(xiàn)W規(guī)劃的語料庫瀏覽行為的子集熵公式為

(1)

式中，第y個子集權(quán)用(gx，y，…，gn，y)/g表示，其等于子集內(nèi)樣本數(shù)量除以G內(nèi)總樣本數(shù)，W值為w，F(xiàn)(W)和子集規(guī)劃純度呈負(fù)相關(guān)性。則選定的子集Gy的計算公式為

(2)

式中，Qx，y表示Gy內(nèi)樣本屬于px的幾率，且Qx，y=Gx，y/|Gy|。

采用決策樹ID3算法通過上式，構(gòu)建語料庫行為樣本判定數(shù)，完成語料庫瀏覽行為的準(zhǔn)確挖掘[9]

H(W)=Gy-F(W)

(3)

2.3 數(shù)據(jù)關(guān)鍵特征防篡改檢索

為防止語料庫資源數(shù)據(jù)的篡改，采用數(shù)據(jù)關(guān)鍵特征防篡改檢索方法將監(jiān)控代碼植入語料庫瀏覽行為數(shù)據(jù)中，防篡改檢索是利用變更后的語料庫資源數(shù)據(jù)特征、軟件程序等實現(xiàn)，該變更是改變控制流完成[10]。為獲取語料庫中分布式大數(shù)據(jù)實時關(guān)鍵特征狀態(tài)，并且不會對語料庫的資源數(shù)據(jù)整體結(jié)構(gòu)造成改變，在數(shù)據(jù)的合理部位植入監(jiān)控代碼。語料庫資源數(shù)據(jù)特征的正常狀態(tài)可采用函數(shù)級控制流圖描述，通過檢驗后的資源數(shù)據(jù)特征判斷其是否存在篡改行為，該檢驗利用函數(shù)運行信息實現(xiàn)。

為提高防篡改檢索的攻擊性，對語料庫資源數(shù)據(jù)各特征函數(shù)實行加密處理，想要對資源數(shù)據(jù)特征實行篡改，則需要采用每一個函數(shù)的解密鑰進(jìn)行函數(shù)解密，并且分別采取傳輸和存儲對各函數(shù)實行處理[11]。

如果[0，1]內(nèi)的特征函數(shù)用f(x)表示，則多項式函數(shù)Ts(x)為

(4)

(5)

依據(jù)式(4)和式(5)可得

(6)

語料庫防篡改檢索密鑰的選取，以每個部分加密方式的區(qū)別為參考，并且需滿足下述條件

K2i=Fi(Ui，Ri，Hi(CF))Ts(x)

(7)

式中，第i個特征的解密密鑰用K2i描述；第i個特征的密鑰生成函數(shù)Fi描述；分解用戶碼的第i個值和分解注冊碼的第i個值分別用Ui和Ri表示；第i個特征函數(shù)運行信息生成的散列值用Hi(CF)表示，其中數(shù)組為CF。防篡改架構(gòu)如圖2所示。

圖2 數(shù)據(jù)關(guān)鍵特征防篡改架構(gòu)

采用密鑰生成函數(shù)運算獲取各元素的解密密鑰，該生成函數(shù)隱藏在資源數(shù)據(jù)特征內(nèi)，由數(shù)個加密代碼元素組成密鑰。按照每一個特征的順序完成資源數(shù)據(jù)特征函數(shù)運行，后一個特征函數(shù)的解密需要保證前一個特征函數(shù)的正常運行[12]。如果解密密鑰生成結(jié)果錯誤，無法正常解密，是因為其中任意一個資源數(shù)據(jù)關(guān)鍵特征被改動，導(dǎo)致特征函數(shù)無法正常運行或運行異常。為增加密鑰的破解難度，需利用多種加密方式構(gòu)建多個差異化密鑰生成函數(shù)，以此可使語料庫資源數(shù)據(jù)庫中分布式數(shù)據(jù)特征函數(shù)防篡改檢索的保護(hù)程度大幅度提升。

3 仿真分析

選取國內(nèi)某語料庫為測試對象，測試本文方法的防篡改性能。設(shè)置該測試對象資源數(shù)據(jù)信息量大小為35GB，其中共有7800個被篡改的資源信息數(shù)據(jù)，并且共植入100個監(jiān)控代碼，密鑰長度分別為512bit和1024bit。

分布式搜索引擎集群配置為：操作系統(tǒng)為Windows XP Professional，CPU為Intel酷睿2.4GHz，硬盤160GB，負(fù)載均衡mod_jk-apache-2.0.55.so，集群監(jiān)控MC4J 1.2 Beta 9。

在上述實驗環(huán)境下將文獻(xiàn)[4]方法和文獻(xiàn)[5]方法作為本文方法的對比方法，完成相關(guān)對比試驗。

3.1 瀏覽行為挖掘效率測試結(jié)果

topWeb和topApp兩個請求為主要用戶行為特征分析請求，為分析本文方法瀏覽行為的挖掘效率，統(tǒng)計三種方法在兩種請求類型下，隨著并發(fā)用戶數(shù)量的增加，對用戶行為挖掘的效率，結(jié)果如表1所示。

表1 用戶瀏覽行為挖掘效率對比結(jié)果/s

分析表1可知：在兩種請求類型下，隨著并發(fā)用戶數(shù)量的增加，三種方法的用戶瀏覽行為挖掘時間也成小幅度上升，其中，本文方法的分析時間最短，較大程度低于兩種對比方法的挖掘時間。說明本文方法的用戶瀏覽行為挖掘效率較高，可快速完成用戶瀏覽行為挖掘。

3.2 防篡改檢索性能測試

為測試本文方法的防篡改檢索性能，設(shè)置篡改信息數(shù)量為3000個，在相同密鑰長度條件下，采用三種方法對3000個篡改信息進(jìn)行檢索，統(tǒng)計三種方法的防篡改檢索結(jié)果，如圖3所示。

圖3 三種方法的防篡改檢索對比結(jié)果

分析圖3可知：在相同密鑰長度條件下，本文方法篡改檢出數(shù)量與實際數(shù)量最接近，當(dāng)密鑰長度達(dá)到1000bit時，本文方法的篡改檢出數(shù)量達(dá)到3000個，可以將篡改信息全部檢索出來，檢錯數(shù)量均明顯低于兩種對比方法，并且錯誤率均在0.15%以下；且文獻(xiàn)[4]方法和文獻(xiàn)[5]方法的防篡改檢出數(shù)量與實際數(shù)量差距較大，檢錯數(shù)量和檢錯率明顯高于本文方法。說明本文方法的防篡改性能最佳，能夠準(zhǔn)確的完成語料庫防篡改。

3.3 時間開銷測試

在監(jiān)控代碼植入并加密和發(fā)送解密函數(shù)運行信息并解密條件下，對比三種方法的時間開銷，測試結(jié)果如表2所示。

表2 三種方法的時間開銷對比結(jié)果

分析表2可知，發(fā)送解密函數(shù)運行信息并解密的開銷時間高于監(jiān)控代碼植入并加密的開銷時間，但是，本文方法的監(jiān)控代碼植入并加密和發(fā)送解密函數(shù)運行信息并解密的開銷時間相差不大，并且低于兩種對比方法，說明本文方法的防篡改檢索性能優(yōu)于兩種對比方法，可在較小的開銷時間范圍內(nèi)，完成語料庫的代碼植入加密和解密。

3.4 彈性測試

彈性測試，是指將安全代碼去除一定數(shù)量后，防篡改性能的變化情況。測試三種方法分別在去除一定數(shù)量的監(jiān)控代碼后，防篡改程度，測試結(jié)果如圖4所示。

圖4 三種方法彈性對比結(jié)果

分析圖4可知：本文方法在去除一定數(shù)量的監(jiān)控代碼后，防篡改性能的影響不大，將監(jiān)控代碼去除80個后，防篡改程度依舊在85%以上，只有監(jiān)控代碼全部去除后，防篡改程度為0；兩種對比方法則隨著監(jiān)控代碼的去除數(shù)量增加后，防篡改程度明顯下降。說明本文方法只有在監(jiān)控代碼全部去除后才會失去防篡改能力，彈性較高。

3.5 應(yīng)用效果測試

測試在不同的攻擊次數(shù)下，應(yīng)用本文方法前、后的語料庫的安全程度，測試結(jié)果如圖5所示。

圖5 應(yīng)用前后的安全程度

分析圖5可知：本文方法應(yīng)用前，隨著攻擊次數(shù)的增加，語料庫的安全程度明顯下降，應(yīng)用本文方法后，隨著攻擊次數(shù)的增加，預(yù)料庫的安全程度幾乎沒有受到任何影響，均在95%以上，是因為本文方法將監(jiān)控代碼植入在資源數(shù)據(jù)中，并且函數(shù)的多點分布極大程度增加攻擊者的代碼定位難度，使攻擊者無法準(zhǔn)確判斷監(jiān)控代碼的存在位置，因此可較大程度提高語料庫的安全性。

4 結(jié)論

本文提出基于分布式集群的語料庫防篡改方法，用于完成語料庫的防篡改檢索，經(jīng)實驗測試：

1)本文方法用戶瀏覽行為挖掘效率較高，可快速完成用戶瀏覽行為挖掘。

2)本文方法的防篡改檢索錯誤率較低。

3)本文方法應(yīng)用后，能夠增加攻擊者的篡改難度，可較大程度提高語料庫的安全性。

下一步的研究內(nèi)容是如何通過本文方法與其它方法的結(jié)合完成防篡改檢索的同時，可以實現(xiàn)篡改預(yù)警以及篡改修復(fù)。