AI交互終端異常數據入侵識別與仿真

劉 明，張 弘

(1.鄭州工業應用技術學院信息工程學院，河南 鄭州 450000；2.信息工程大學電子技術學院，河南 鄭州 450000)

1 引言

AI交互終端具有較多的網絡資源，其多功能數據庫[1]使終端操作方便，并且通過研究者不斷探究，終端現已能夠存儲較多數據。大數據安全備受關注，終端中存有用戶重要身份信息和隱私[2]。應用交互終端能夠讓傳輸環境更加簡潔，用戶能夠隨時使用網絡，終端在為人們生活帶來更加方便的同時，也被非法人員窺視，異常入侵手段具有多樣性，入侵者利用簡單智能裝置就能夠導致網絡終端重要數據丟失[3]，出現不可估計的損失。

為有效識別AI交互終端的異常數據入侵，仇媛等人[4]提出了一種長短期記憶網絡和滑動窗口的數據異常檢測方法。該方法采用LSTM網絡對數據預測，計算預測值與實際值的差值，根據差值分布的概率密度來計算數據異?？赡苄浴：稳鸾璠5]提出了一種GRU-SVM神經網絡的數據入侵檢測方法。根據RNN神經網絡與LSTM神經網絡運行特征，建立GRU-SVM算法，實現對入侵數據的檢測。但以上兩種方法存在的較高的誤檢率。為此，提出了一種AI交互終端大數據異常入侵風險識別方法。

通過構建AI交互終端數據入侵模型，對數據完成測量[6]和特征提取，篩選出異常數據，通過識別方法檢測入侵數據。能夠準確判斷數據是否具有攻擊性或者存在病毒，從而作出預警，對異常數據攔截或過濾。利用入侵識別方法的同時，加入防火墻系統，更好地維護終端安全。

2 入侵數據函數的建立

通過信息化解析信號，若在入侵的候補節點nodei加入中斷數據測量系數，表達公式為

(1)

利用自適應均衡[7]模型構建AI交互終端對數據異常入侵信息流模型，獲得入侵參變量在終端內簇首節點布局函數公式為

fF(k+1)=fF(k)-?fF(k)JMMDMMA

=fF(k)-?fF(k)(JMMDMMA＿R+JMMDMMA＿I)

(2)

式中，fF(k)代表簇首節點布局位置，?表示梯度算子，JMMDMMA表示為節點均衡值。

如果(a0，a1，…，am)表示為入侵信息流的路由布局點，利用特征量化追蹤融合[8]評估入侵信息流頻率，獲得頻率函數k公式為

(3)

flg-M(z)=(flg(z)，flg-x(z)，flg-y(z))

=(flg(z)，hx*flg(z)，hy*flg(z))

(4)

式中，x、y代表網絡的分簇坐標，hx、hy代表簇內節點坐標，M表示信息交互總次數，flg(z)代表簇內節點衰減補償誤碼率[10，11]。利用上述模型，為數據異常入侵風險識別引入原始基本信息。

3 異常入侵主成分提取

采取AI交互終端入侵數據測量，算出異常數據入侵時節點的路由拓撲模型[12]，對數據量化追蹤，收集一維數據向量Xn，利用多標記學習[13]構建三維約束變量預測模型，獲得數據相互之間大小變換關系特征公式為

(5)

其中

(7)

式中，λ代表異常入侵特征系數，φi代表初始狀態，γi代表運行平均狀態，ri和θi代表入侵特征的頻分復用分解數，d表示接收或傳輸的數量，利用空間解矢量的倍頻[14]方式分析，獲得終端數據入侵測量數表達式為

x0=q0p+r0

(8)

式中，x0表示為終端數據入侵測量數，q0表示為能量損耗，r0表示為主頻特征。

在異常入侵信息測量模型構成的前提下，對終端大數據信息流二維信號[15]擬合和特征參變量評估。

利用主成分分析提取異常數據，篩選關聯密切的數據，為防止原始數據遺失，選取標志性指標，盡可能消減網絡信號的干擾，對空間變量降維[16]，從而壓縮簡化數據。

已知p維隨機變量X={x1，x2，…，xp}，其線性結構組成另一個綜合變量。利用F1來描述原始變量的首個線性結構產生的主成分指標，表達式為

F1=a11x1+a21x2+…+aplxp

(9)

式中，l表示主成分矩陣縱列高度，a(·)表示主成分序列指標。

所有主成分提取的數據能夠利用方差描述，為了使原始變量數據盡量存在全部綜合變量內，主成分方差就需要大些，則Var(F1)取值最大。一般第一主成分F1是全部主成分擁有數據量最多的，要是F1不能代表原始p個變量信息，此時就需要利用主成分F2與F3，且F1和F2需要保證相互不干擾，便得出二者協方差為

Cov(F1，F2)=0

(10)

經過推算，能夠構成F1，F2，…，Fm，分別表示為原始變量指標的對應主成分，表達式為

(11)

針對所有系數a，全都應該符合標準化前提

(12)

需要算出原始變量zi和xj的關聯系數矩陣

(13)

式中，rij(i，j=1，2，…，p)表示為原始變量zi和xj關聯系數。

算出關聯矩陣R的特征數和特征矢量。關聯矩陣的特征公式為

|R-λ×I|=0

(14)

(15)

n個之前的主成分方差貢獻率總和，表示為方差累計貢獻率，表達公式為

(16)

按照前i個主成分的累加貢獻率和大于規定閾值選擇主成分的數量。

4 異常入侵識別

通過上文特征提取方法將AI交互終端中無關和冗余數據過濾之后，排列數據簇，篩選出正常數據與異常入侵數據，算出系統性能權值，對異常信息風險識別。

如果完成異常入侵識別的輸出具有i個p維數據集S，還需滿足條件

S=Sl∪Su

(17)

式中，Sl代表標識數據集，Su代表沒有標識數據集。

綜上所述，輸出為數據g∈Su種類，此數據會是正常數據，也會是異常入侵數據。

如果已經把數據集S處理完畢，把得出的結果按照數據簇大小排序，再和挑選出來的最初正常數據簇、入侵數據簇用cn與cm表述，把其余數據劃分給數據集cr。

針對cn內全部一維數據，利用網絡發生器得到對應數系統特征數：(Eg1，Eg1)；針對cm內所有一維數據，則得到(Eg2，Eg2)。由此能夠算出全部系統性能權值，公式為

(18)

根據式(18)得出的結果，通過cr選擇數據對象g，異常入侵風險數據μ的識別結果為

(19)

式中，ω代表異常入侵識別系數。利用網絡發生器，得到對應的系統特征數(Eg1，Eg1)，重新算出系統性能權值，完成所有數據風險識別。

5 仿真研究

為了驗證AI交互終端大數據異常入侵風險識別方法(研究方法)的應用有效性，利用ns-3平臺與Python鏈接構建一個節點數量為80的AI交互終端，在識別范圍內平均布局30個固定路由、任意放置60個能夠移動的AI客戶端。數據流實驗初始時間為0s，實驗主要參數如表1所示。

表1 實驗參數

5.1 研究方法應用結果

設定入侵信號指示頻率達到1Hz時，表示為識別出來入侵風險，人為的異常入侵攻擊在10s～30s、50s～80s、100s～115s時間段。研究方法的AI終端數據異常入侵識別結果如圖1所示：

圖1 研究方法的異常入侵數據檢測結果

通過圖1可知，研究方法能夠識別出所有的異常入侵攻擊。雖然終端節點在不停變化，在網絡流量承載過重或者惡意數據節點過多時，大部分的終端節點處于活躍，容易造成漏檢問題，但是在此情況下研究方法仍然保持較高的異常檢測精度，驗證了該方法的應用性能優勢。

5.2 殘差值測試

AI交互終端在傳輸過程中，為了保護數據的同時，加快數據傳輸效率，會采取重構信號壓縮采樣數據，通過調整壓縮率來測試性能，通過壓縮重構信號算出實際測量與預期情況存在差值，該差值為殘差，殘差越小，說明方法的異常數據識別準確性越高。

對比方法為長短期記憶網絡和滑動窗口的數據異常檢測方法和GRU-SVM神經網絡的數據入侵檢測方法。不同方法的信號重構殘差值對比如圖2所示。

圖2 壓縮率增加殘差曲線圖

通過圖2能夠看出，壓縮率小于10%時，信號構建殘差值為0，識別方法檢測后的原始信號能夠很好被重構，隨著測量信號壓縮率提高，殘差也在不斷增大，當壓縮率為40-50%時，研究方法的信號重構殘差值仍低于1，顯著低于長短期記憶網絡和滑動窗口的數據異常檢測方法和GRU-SVM神經網絡的數據入侵檢測方法。實驗結果證明研究方法受壓縮影響小，能夠實現高效率的大數據異常入侵識別任務。

5.3 檢測率和誤檢率

根據圖3和圖4所示，隨著壓縮率不斷增大，研究方法的AI交互終端異常大數據檢測率在95%以上，誤檢率始終低于3%，均優于長短期記憶網絡和滑動窗口的數據異常檢測方法和GRU-SVM神經網絡的數據入侵檢測方法。說明該方法的異常數據識別性能更好。

圖3 不同方法的檢測率對比

圖4 不同方法的誤檢率對比

5.4 流量開銷

在識別AI終端入侵大數據的同時，終端的流量開銷也是衡量方法應用性能的重要指標。流量開銷是指完成一項任務時所需的流量。不同方法應用下的AI終端流量開銷對比結果如圖5所示。

圖5 不同方法應用下的AI終端流量開銷對比

通過圖5能夠看出，在100ms時長的AI終端異常入侵大數據識別中，研究方法的總流量開銷低于40GB。相比之下，長短期記憶網絡和滑動窗口的數據異常檢測方法和GRU-SVM神經網絡的數據入侵檢測方法應用下AI終端流量開銷更大，最高流量開銷已達150GB。由此可知研究方法的實用性更強。

6 結論

大數據入侵威脅的多樣性嚴重影響了AI交互終端的安全性，易泄露隱私和重要數據。為此提出AI交互終端大數據異常入侵風險識別方法。通過構建的AI交互終端數據模型，建立入侵數據的布局函數。結合主成分分析法，提取出異常入侵大數據。引入網絡發生器，實現AI交互終端大數據異常入侵風險的識別。通過所設計實驗測試結果證明了研究方法能夠有效識別數據異常入侵情況，且效率高、操作簡單，能夠有效降低AI交互終端的流量開銷。