基于K-Means聚類和集成學習的HTD仿真

蘆德釗，伍忠東，王鵬程

(蘭州交通大學電子與信息工程學院，甘肅蘭州730070)

1 引言

信息安全是目前全球人類共同關注的熱點問題之一，信息安全保護技術與信息安全檢測技術的出現，對信息安全起到顯著的保護作用[1-3]。惡意入侵者為了持續竊取他人隱私信息，破壞他人系統結構，著力研究多種硬件木馬以供竊取應用。硬件木馬能夠深入信息系統的核心部位，具有多樣化、隱蔽性強、破壞力顯著的特征，對信息系統存在毀滅性的攻擊性，是目前信息安全研究人員重點研究的對象之一。

當下我國的高端、高檔集成電路大多來自國外，因供應過程存在不可控性，所以不能保證供應過程里是否具有硬件木馬[4]。而我國的國防系統、金融、政府等敏感領域均離不開集成電路芯片、電子設備的使用，如果某些居心叵測的國家在硬件設備里植入硬件木馬后，我國相關技術人員并未檢測識別，此類硬件木馬將長期潛藏在我國各個領域的信息系統里，這對我國信息安全存在致命打擊[5]。K-Means聚類在數據挖掘領域中存在較好的使用效果，本文提出基于K-Means聚類和集成學習的硬件木馬檢測方法，以期實現硬件木馬的高精度檢測。

2 基于K-Means聚類和集成學習的硬件木馬檢測方法

2.1 基于信息熵改進的K-means 動態聚類算法

傳統K-Means聚類算法在聚類挖掘信息系統的硬件運行數據時，所需計算的數據不僅是各個聚類目標和中心目標的距離，還是中心目標出現變化的聚類均值。如果計算量較大，聚類效果將受到影響[6]。因為K-Means聚類具有動態性，聚類時將存在一些冗余數據，這對聚類精度存在一定影響。所以，本文對K-Means聚類算法進行改進，一方面是降低聚類迭代次數，一方面是降低聚類時的數據量，為此設計基于信息熵改進的K-means 動態聚類算法，實現信息系統硬件運行的有效數據挖掘。

基于信息熵改進的K-means動態聚類算法的流程如下：

輸入：信息系統硬件運行數據對象集，聚類種子初始中心點數量k1。

輸出：k個結果簇，設置各個聚類中心點的變動值低于設定值，當信息系統硬件運行數據對象集是空集時停止。

2)通過熵值法運算硬件運行數據目標每個屬性的權值。

(1)

式中，pi是屬性差異性系數；n、i分別是數據數量、數據維數。

3)把硬件運行數據集合均分成k1(k1>k)個子集，在每個子集里任意選擇一個硬件運行數據目標，把它設成硬件運行有效數據聚類種子中心。

4)掃描硬件運行數據集合，以它和每個聚類種子中心近似度的大小為標準，把它納入近似度最大的簇里[7]。

5)運算k1個聚類的賦權標準差βj，j=1，2，…，k1，運算方法是：

(2)

式中，|Hi|是數據類型Hi的數據量；yj、e?、d(Hi)分別是數據屬性、歐式距離、數據類型Hi的聚類中心。

同時根據βj值從小到大排列，將前k個βj值所屬質心設成初始聚類中心。

6)把硬件運行數據集的各個樣本根據歐式距離最短標準將其納入最鄰近的簇里。

7)運算硬件運行數據的質心點。

8)分析聚類中心點的變動值是否符合設定條件，若符合，把它納入已選特征集，且在硬件運行數據里去除此數據[8]。

9)分析硬件運行數據樣本集合是否屬于空集，若是便可結束。反之，遍歷聚類中心點數目M，若M的值小于k，跳轉至第6)步，如果M的值等同k值，進入第10)步。

10)更新聚類中心點。運算信息系統硬件運行的各個數據聚類中心點的變動值是否高于設定值的簇質心，如果是，便把它設成新的聚類中心實施聚類；反之跳轉至第6)步。

11)停止，硬件運行數據樣本屬于空集后，輸出有效數據聚類的結果簇。

通過上述算法，便可去除硬件運行數據中冗余數據，實現硬件運行數據的有效數據挖掘。

2.2 基于改進旋轉森林的集成學習方法

2.2.1 旋轉森林算法的改進

旋轉森林算法的核心思想為：通過主成分分析法(principal component analysis，PCA)對數據樣本實施旋轉操作，以此獲取存在差異的訓練集[9-10]。此類旋轉處理的優點是保證文本分類器精度更加優化，但傳統旋轉森林算法通過主成分分析法轉換，對原始樣本數據實施轉換時，主成分分析法的轉換是以樣本協方差矩陣為基礎，運算過程易遭到數據原始特征的量綱與數量級所干擾。所以本文導入均值化方法，改進旋轉森林算法里的PCA轉換模式。

設置2.1小節所挖掘的硬件運行有效數據樣本數量是m，各個樣本特征屬性數量是n個，2.1小節所挖掘的硬件運行有效數據樣本aij設成矩陣A=(aij)m×n。均值化是將硬件運行有效數據樣本的矩陣A里各個有效數據點除以所屬列的均值，均值化后的硬件運行有效數據樣本訓練集xij設成矩陣X=(xij)m×n，則

(3)

運算矩陣X的協方差矩陣V=(vij)n×n，vij代表協方差。X的各列均值均為1，所以vij是

(4)

均值化后的矩陣X里每個硬件運行數據特征的相關系數是

s′ij=vij/(viivjj)1/2

=rij/(riirjj)1/2

=sij

(5)

式中，vii、vjj分別是矩陣X第i行第i列的協方差、第j行第j列的協方差；rii、rjj分別是矩陣X第i行第i列的協方差矩陣元素、第j行第j列的協方差矩陣元素。

均值化后，硬件運行數據特征之間相關系數不存在變動，代表均值化后未曾破壞硬件運行數據原始特征，對下文文本分類器的精度不存在影響[11]。

2.2.2 文本分類器建立

輸入：訓練集A=(aij)m×n、硬件運行數據特征向量G=(bm1，bm2，…，bmM)、文本分類器數量M、特征集合分類數E。

輸出：文本分類器集合F=(f1，f2，…，fm)。

1)對矩陣A實施均值處理，獲取數據矩陣X。

2)把G任意分成M個子集，各個子集Gim里存在的特征數是N=n/M。

3)針對第m個子集Gim而言，在X里提取和Gim相應的數據樣本Gim，在Gim里任意提取75%的硬件運行數據，設成G′im。

4)將G′im實施PCA轉換，獲取N個特征值，運算特征向量G獲取特征矩陣Bim=Bm1，Bm2，…，BmM。

5)合并Bm1，Bm2，…，BmM建立第M個文本分類器相應的旋轉矩陣Bi：

(6)

6)根據訓練集X里硬件運行數據特征每列位置，將Bi實施排序，設成B′i，以此獲取新的訓練集Xi。

7)在訓練集Xi里生成一個文本分類器。

8)結束。

2.2.3 動態加權投票集成方法

文本分類器建立后，多數投票法屬于一類操作難度低、使用效率高的集成模式，投票判決過程里，各個分類器的權值和分類精度存在一定聯系。因為信息系統硬件運行時數據存在動態性，需檢測木馬數據也存在變化。所以各個文本分類器對木馬數據的檢測性能也存在變動性，最合適的加權方法必須可以分析目前需檢測木馬數據的統計特征分布和訓練集之間的關聯性[12]。

本文使用基于實例動態選擇的加權投票策略完成集成分類。

1)運算需分類的硬件目標數據A和M個簇中心的距離，選取距離最小的M1個簇。

2)依次統計各個文本分類器對M1個簇中全部硬件運行數據樣本的分類精度φM，歸一化后的值就是投票權重：

(7)

式中，φi是文本分類器第i次分類精度值。

3)各個文本分類器均輸出A的分類結果，使用投票權重完成硬件運行數據中木馬數據的分類。分類閾值按照真實的信息系統運行環境設置，通常將分類結果高于0.5的數據判斷成木馬數據，此數據所在硬件即存在木馬行為。

3 實驗結果與分析

為了測試本文方法有效性，在MATLAB仿真軟件中，仿真某信息系統硬件遭到木馬入侵，使用本文方法對其實施木馬檢測，檢測環境如圖1所示。

圖1 仿真環境

如圖1所示，使用PC系統和交換機相連，交換機屬于被檢測信息系統與PC系統的連接橋梁，將本文方法使用在PC系統中，在防火墻和Internet的協助下，檢測本文方法的使用效果。

使用入侵領域常用指標測試本文方法對硬件木馬檢測的效果。檢測指標依次是檢測率、誤報率。檢測率、誤報率的計算方法是

E1=n1/n2

(8)

E2=nt/nm

(9)

式中，n2表示木馬數據總數量；nm表示不存在木馬的硬件運行數據；n1表示被準確檢測為木馬數據的數量；nt表示被誤檢測為木馬數據的數量。

將所檢測的信息系統硬件電路程序所運行數據量依次設成10GB、20GB、30GB、40GB、50GB、60GB，此條件下本文方法對該信息系統硬件木馬檢測的檢測率、誤報率如表1、表2所示。

表1 本文方法檢測率測試結果

表2 本文方法誤報率測試結果

由表1、表2測試結果顯示，所檢測信息系統電路程序運行數據量依次是10GB、20GB、30GB、40GB、50GB、60GB時，本文方法對硬件木馬數據檢測率高達99%，誤報率最大值僅為3%，本文方法可準確檢測信息系統硬件木馬。

為測試本文方法檢測性能，設定該信息系統電路存在2種類型木馬，在2種不同類型木馬影響下，該信息系統的電路的信號變化如圖2所示。

圖2 不同類型木馬影響下電路的信號變化

以文獻[4]所提出的基于轉換概率分析的硬件木馬檢測方法、文獻[5] 所提出的基于隨機森林的硬件木馬檢測方法為對比方法，這兩種方法雖然被驗證對硬件木馬的檢測效果符合應用需求，但為了測試本文方法檢測性能是否存在優勢，本文在此對比三種方法對兩種木馬入侵下的檢測效果，檢測效果以電路木馬數據檢測結果的均方根誤差RMSE體現。均方根誤差RMSE是檢測值和實際值之間偏差的平方和與觀測次數之比的平方根。三種方法均方根誤差測試結果如圖3、圖4、圖5所示。

圖3 本文方法均方根誤差測試結果

圖4 基于轉換概率分析的硬件木馬檢測方法均方根誤差測試結果

圖5 基于隨機森林的硬件木馬檢測方法均方根誤差測試結果

由圖3、圖4、圖5測試結果顯示，兩種木馬入侵下，本文方法檢測結果的均方根誤差最大值為0.04，基于轉換概率分析的硬件木馬檢測方法、基于隨機森林的硬件木馬檢測方法檢測結果的均方根誤差大于0.2，顯著大于本文方法。對比之下，本文方法檢測結果精度最大。

測試三種方法對硬件木馬檢測實時性，結果如表3、表4所示。

表3 木馬類型A

表4 木馬類型B

由表3、表4測試結果顯示，兩種木馬出現時，本文方法可實時檢測出硬件木馬，不存在時延；基于轉換概率分析的硬件木馬檢測方法、基于隨機森林的硬件木馬檢測方法檢測實時性較差，對兩種木馬檢測時間存在一定延遲情況，對比之下，本文方法對硬件木馬檢測實時性更為顯著。

測試本文方法使用基于信息熵改進的K-means 動態聚類算法前后，對信息系統電路程序中木馬的檢測效率，以此判斷基于信息熵改進的K-means 動態聚類算法對本文方法整體檢測實時性的影響。結果如表圖6所示，圖6僅顯示使用前的檢測時延最大值，將圖6結果分別與表3、表4中所顯示本文方法檢測時延最大值進行對比，表3、表4中本文方法不存在檢測時延。

圖6 本文方法聚類環節應用價值

將圖6結果分別與表3、表4中所顯示本文方法的檢測時延最大值進行對比可知，本文方法使用基于信息熵改進的K-means動態聚類算法前，對硬件木馬檢測時延最大值分別是0.55s、0.70s，使用后的檢測時延為0s，由此可見，基于信息熵改進的K-means 動態聚類算法的使用，對本文方法檢測效率存在優化作用。

4 結論

文中提出基于K-Means聚類和集成學習的硬件木馬檢測方法，該方法具有檢測率高、誤報率小的優勢，且不同類型木馬入侵下，本文方法檢測精度、檢測實時性明顯大于基于轉換概率分析的硬件木馬檢測方法、基于隨機森林的硬件木馬檢測方法，這歸功于本文方法中引入了基于信息熵改進的K-means 動態聚類算法，該算法能夠有效去除信息系統硬件運行數據中冗余數據，避免出現無效數據檢測情況，提升本文方法對信息系統硬件木馬的檢測效率。