面向網絡安全的數據融合技術

崔東升，王 斌

（內蒙古自治區郵電規劃設計院有限公司，內蒙古 呼和浩特 010070）

1 數據融合技術與相關要素

數據融合技術利用傳感器資源對相關數據和觀測信息進行分析、支配以及使用，對數據進行時間和空間上的整合，進而獲得一致性解釋。數據融合技術被提出后，在全世界范圍內引起了廣泛關注，相關學者將其用于重大科研項目的部署和實施，取得了多項突破[1]。雖然數據融合技術沒有自己單獨的理論體系，但是在不同領域相關應用背景下的融合方法是成熟有效的。人工智能和隨機類算法是數據融合中經常應用的方法，同時神經網絡等新概念或新技術對于數據融合將產生重要影響[2]。

目前，網絡安全環境中存在很多風險，為了對企業和個人的關鍵信息進行有效保護，使其免受干擾和破壞，維持良好的網絡空間秩序，需要積極構建相關聯動協作機制，加強應對網絡安全威脅的系統化防御。隨著時代信息化的發展，物聯網、移動互聯網等已經和網絡空間緊密結合，各種網絡安全要素信息需要被人們掌握，從而更好地維護網絡空間安全。各種數據之間具有關聯、隱含以及互補關系，通過對數據進行充分合理的融合，從而實現大數據支持下的相關安全監測、研判分析以及合理應對[3]。

數據融合主要包括融合對象、目標以及方法等要素。用于數據融合的很多網絡安全數據主要來源于計算設備、安全設備、外部數據源以及安全系統等，這些網絡安全數據是多源異構的，具有很好的延伸性和拓展性。數據融合技術可以對網絡安全中涉及到的多種信息數據進行一定的篩選和整合，建立網絡安全相關知識、發展狀態以及事件的完整框架，從而完成相應的保護目標，對問題進行有效解決。

2 數據融合應用

數據融合應用主要分為基于統計學的數據融合、基于數據挖掘的數據融合以及基于神經網絡的數據融合，不同方法的融合效果也有所不同[4]。圖1為工業數據湖數據融合的基本概念和原理流程。

圖1 工業數據湖流程圖

2.1 基于統計學的數據融合

統計學作為一種數學分支，主要涉及行為場景的假設和規律的總結。本次研究主要對假設檢驗和濾波清洗兩種數據融合方法進行介紹，探究其在網絡安全領域發揮的積極作用。具體統計學數據融合如圖2所示。

圖2 統計學數據融合

假設檢驗技術是將最優化的假設檢驗作為判斷標準，在統計學原理的范圍內對數據進行檢驗和處理，最終得出數據結論。作為一種由相關假設條件選擇樣本推斷出總體的統計學方法，假設檢驗在最開始就對要探究事物的分布形式和總體進行相關假設，根據反證法和小概率原理在樣本信息的基礎上確定原假設成立與否[5]。假設檢驗可以采取卡方檢驗、方差檢驗以及t檢驗等多種方法，利用清除置信區間以外數據點的方式，排除掉異常數值，從而獲得想要的數據。

濾波清洗技術可以對數據進行跟蹤處理，對多傳感器的相關數據進行計算，進而實現數據融合應用。濾波算法主要有粒子濾波和中值濾波等，在自主控制等領域均有應用[6]。例如，對于突然出現的相關告警信息，運用相關算法進行干預，對于一些攻擊和誤報可以進行有效清除。誤報的來源多種多樣，可能是因為數據背景缺乏，也可能是檢測規則設置不合理，還可能是檢測算法的適應性不足。數據融合技術可以對有關數據進行清洗，清除干擾到研究的數據，提高數據判斷的準確性。

2.2 基于數據挖掘的數據融合

數據挖掘主要通過機器設備從大量數據中挖掘所需要的數據或者知識，比較常見的數據挖掘方法包括關聯、分類以及聚類等[7]。聚類分析是對多個目標的數據進行分析和融合，其基礎是模糊聚類分析和統計聚類分析，采集來源于多個傳感器的樣本數據，最終實現不同目標數據的隔離和同一目標數據的聚類[8]。聚類會將一個數據進行分割形成類或者簇，擴大簇內的數據相似度，同時也會加大不同簇內數據的差異性，這些行為都是遵從一定標準的，簡單來講就是匯集同類數據并分離不同類數據。層次聚類和迭代聚類是當前聚類分析中比較常見的方法，其中數值對層次聚類的影響較大。層次聚類計算速度慢且較為復雜，對大樣本并不適用。而迭代聚類對分類指標有一定要求，即要求定距變量，優點是計算速度較快。

2.3 基于神經網絡的數據融合

神經網絡就像生物體內的神經系統，可以很好地對生物和環境的互動融合進行模擬，模仿生物的分析和判斷能力，對外界進行感知和了解，進而對相關數據進行綜合化處理。利用多源數據對外界事物進行具體描繪，生成綜合畫像。卷積神經網絡通常包括出入向量、隱藏層、輸出層、輸出值等不同的階段，如圖3所示。卷積層由數量眾多的卷積單元構成，在卷積定義中是一種形式上的特殊存在，在卷積神經網絡中主要是對輸入數據的區別和差異進行提取。除此之外，卷積神經網絡還可以進行文本處理、語音處理等，在很多領域都有相關應用[9]。

圖3 神經網絡圖層

循環神經網絡的數據傳遞方式是多方向的，其接收到的數據信息還包含本身就有的狀態信息，可以長久被存放在網絡中并進行循環傳遞。作為循環神經網絡中擁有復雜神經元的長短時記憶網絡，當需要進行時間序列的有關處理且間隔和延遲需要占用較長時間時，其效果明顯比循環神經網絡好。和循環神經網絡相比，長短時記憶網絡中的神經元要復雜得多，其神經元接收的內容既有上一時刻輸出、當前時刻樣本輸入，還有一個元胞狀態[10]。

3 應用前景

網絡安全數據具有多樣性和復雜性，如果對其進行整理和劃分，需要搭建異構多源數據和數據清洗融合的一系列原型系統。在系統中，對網絡數據安全中涉及到的各種數據采用插件進行融合分析，重點分析數據中摻雜的不安全因素，應用相關統計學知識對這些數據進行清洗，判定出不安全數據，從而找出威脅，保護網絡安全。數據融合技術在目前的日志管理與流量檢測設備中有所應用，通過融合維度策略等可以對相關日志進行一定程度的壓縮，將數以萬計的數據融合成可供人們進行人工判斷的精簡日志，這在一定程度上有效減少了網絡安全威脅對數據進行攻擊所產生的運維工作量。除此之外，當前人工智能技術快速發展，通過對人工智能技術進行充分有效地利用，可以對攻擊線索進行一定分析，還可以強化網絡威脅的具象化表達。

4 結 論

通過闡述網絡安全數據的相關融合要素，重點研究了在網絡安全中數據融合涉及到的相關算法的適用性。隨著技術進步，對于網絡安全數據的一些融合化處理需求也變得更為迫切，數據融合技術將會對網絡安全產生重要的影響。在網絡安全防護中，還可以利用數據融合技術對一些安全隱患進行排查并進行相應的風險評估，從而制定出行之有效的解決方法，減少不必要的損失。