基于深度學習算法的無線通信網絡入侵路徑辨識

摘要：由于不同類型的入侵攻擊意圖差異，在網絡中的入侵路徑也存在明顯的不同，為此，文章提出了基于深度學習算法的無線通信網絡入侵路徑辨識研究。以入侵意圖為基礎，將具有相同行為的攻擊進行交集計算后，建立以入侵意圖為中心的網絡入侵行為聚類。對于存在交叉關系的入侵，利用網絡入侵行為的節(jié)點分布概率進行細分。在入侵路徑辨識階段，引入灰色深度神經網絡算法，在隱含層計算入侵意圖。結合無線通信網絡節(jié)點與當前入侵行為所處節(jié)點之間的歐氏距離，將對應聚類的最小歐氏距離節(jié)點作為入侵路徑下一節(jié)點的辨識結果，循環(huán)上述操作，實現對整體入侵路徑的辨識。在測試結果中，整體入侵路徑覆蓋節(jié)點對于辨識結果并未產生影響，能夠實現對入侵路徑的100%準確辨識。

關鍵詞：深度學習算法；無線通信網絡；入侵行為聚類；灰色深度神經網絡算法

中圖分類號：TP391.4" 文獻標志碼：A

作者簡介：杜慧珺（1990— ），女，高級工程師，本科；研究方向：網絡安全。

0" 引言

隨著無線通信技術的飛速發(fā)展，無線通信網絡已深入人們生活的各個方面，從手機通信、物聯(lián)網設備到智能交通系統(tǒng)，無線通信網絡都在扮演著至關重要的角色。然而，與此同時，網絡安全問題也日益凸顯，其中無線通信網絡的入侵事件頻繁發(fā)生，給個人、企業(yè)乃至國家安全帶來了嚴重威脅。入侵者往往利用無線通信網絡的開放性和復雜性，通過篡改、竊取或破壞網絡中的信息，達到非法獲利或破壞的目的。因此，對無線通信網絡入侵路徑的辨識成為亟待解決的問題［1］。

趙齊［2］提出的以改進隱馬爾可夫模型（HMM）為基礎的無線通信網絡入侵路徑檢測方法中，通過假設系統(tǒng)的下一個狀態(tài)只與當前狀態(tài)有關，與過去的狀態(tài)無關，借助這種特性，優(yōu)化模型參數，引入更多的上下文信息，并與其他機器學習算法進行融合，通過改進后的隱馬爾可夫模型能高效準確地處理序列數據，有效地捕捉網絡流量的統(tǒng)計特性和模式，實現對異常行為的檢測。

1" 無線通信網絡入侵路徑辨識設計

1.1" 網絡入侵攻擊行為分析

對于不同類型的入侵攻擊，其在對應的入侵路徑表達上也會呈現出不同的特征［3-4］，針對此，本文首先就網絡入侵攻擊行為開展了具體的分析研究

對于Xi網絡入侵行為，以入侵意圖為基礎對與其具有相同行為的攻擊進行交集計算，計算公式為：

SF=dw±W（Xi，Xj）{Xi，Xj}±{i，j}n（1）

其中，SF表示Xi和Xj相同入侵意圖下，對應的一致網絡入侵行為；dw表示網絡入侵意圖攻擊行為的隨機變量參數；W（Xi，Xj）表示Xi網絡入侵行為和 Xj網絡入侵行為中，入侵意圖攻擊行為的權重參數；{Xi，Xj}表示Xi網絡入侵行為和 Xj網絡入侵行為的并集；{i，j}表示Xi網絡入侵行為和 Xj網絡入侵行為對應的入侵節(jié)點分布；n表示Xi網絡入侵行為和 Xj網絡入侵行為入侵節(jié)點的總數量。

按照上述方式，對入侵意圖一致的不同網絡入侵行為進行分析，建立以入侵意圖為中心的網絡入侵行為聚類［5］。但是須要注意的是，不同入侵意圖下，對應的網絡入侵行為也可能存在交叉關系［6］。針對此，本文利用網絡入侵行為的節(jié)點分布概率對其所屬聚類進行劃分［7］。聚類劃分的表達式如公式（2）所示：

D（Xi）=dw×p（Xi）±QR×P×Xi（2）

其中，D（Xi）表示Xi網絡入侵行為的聚類劃分結果；p（Xi）表示Xi網絡入侵行為的節(jié)點分布概率參數；Q表示隨機入侵行為聚類的規(guī)模；R表示隨機入侵行為聚類的概率分布最大閾值；P表示隨機入侵行為聚類的概率分布參數。

按照上述方式，實現對無線通信網絡入侵行為的分析，為后續(xù)的路徑辨識提供執(zhí)行基礎。

1.2" 基于深度學習的無線通信網絡入侵路徑辨識

結合1.1小節(jié)部分對無線通信網絡入侵行為的分析結果，本文在開展具體的入侵路徑辨識過程中，引入了深度學習算法——灰色深度神經網絡算法。

結合無線通信網絡自身結構特點以及網絡入侵路徑的隨機性［8］，本文構建的灰色深度神經網絡可以表示為：

N=∑ωXi（3）

其中，N表示用于無線通信網絡入侵路徑辨識的灰色深度神經網絡；ω表示無線通信網絡節(jié)點在整體網絡環(huán)境中的權重參數。

利用隱含層對入侵意圖下，無線通信網絡節(jié)點與當前入侵行為所處節(jié)點之間的歐氏距離進行計算，具體可以表示為：

l=∑Xi（t）-Wij（t）（1-a）σ（4）

其中，l表示無線通信網絡節(jié)點與當前入侵行為所處節(jié)點之間的歐氏距離參數；Xi（t）表示t時刻Xi網絡入侵行為的狀態(tài)參數；a表示灰色深度神經網絡神經元對于無線通信網絡節(jié)點狀態(tài)學習的無效系數；σ表示無線通信網絡中相鄰節(jié)點之間的自適應系數。

此時，利用Sigmoid 函數對Xi網絡入侵行為對應聚類中，與當前入侵行為所處節(jié)點之間的歐氏距離參數最小的節(jié)點作為其路徑的辨識結果，具體的計算方式可以表示為：

Xi（t+1）=minl∑D（Xi）=∑D（Xi）-Wij（t）（1-a）σ（5）

其中，Xi（t+1）表示Xi網絡入侵行為的下一個路徑節(jié)點。重復執(zhí)行上述操作過程，即可實現對Xi網絡入侵行為對應整體入侵路徑的完整辨識。

按照上述方式，實現對無線通信網絡入侵路徑的精準辨識，最大限度地避免路徑范圍和入侵意圖差異對于辨識結果的影響和干擾，為相關安全管理工作提供可靠數據支持。

2" 測試與分析

2.1" 測試數據準備

在分析本文設計無線通信網絡入侵路徑辨識方法性能的過程中，構建了包含9個節(jié)點的交互網絡環(huán)境，其中，各節(jié)點之間的聯(lián)通關系設置情況如圖1所示。

以圖1所示的交互網絡環(huán)境為基礎，本文設置了不同長度的入侵路徑，具體如表1所示。

結合表1所示的設置，分別采用本文設計的無線通信網絡入侵路徑辨識方法、趙齊［2］提出的以改進隱馬爾可夫模型為基礎的無線通信網絡入侵路徑檢測方法、孫紅哲等［3］提出的以Attention-BiTCN為基礎的網絡入侵路徑檢測方法開展對比測試。

2.2" 測試結果與分析

在對3種不同方法的性能進行分析時，將準確辨識路徑的數量作為評價指標，其中，得到的測試結果如表2所示。

結合表2所示的測試結果，對3種不同入侵路徑辨識方法的性能進行分析，其中，在趙齊［2］提出的以改進隱馬爾可夫模型為基礎的無線通信網絡入侵路徑檢測方法下，當整體入侵路徑覆蓋節(jié)點達到10個以上時，出現了未能準確識別完整路徑的情況，但是錯誤識別的程度較低；在孫紅哲等［3］提出的以Attention-BiTCN為基礎的網絡入侵路徑檢測方法下，當整體入侵路徑覆蓋節(jié)點在12個以下時，夠實現對路徑的完整辨識，但是當整體入侵路徑覆蓋節(jié)點達到17個及以上時，對應的錯誤識別程度明顯升高，表明其使用范圍存在一定的局限性。相比之下，在本文設計方法的測試結果中，整體入侵路徑覆蓋節(jié)點對于辨識結果并未產生影響，能夠實現對入侵路徑的100%準確辨識。

3" 結語

網絡入侵路徑蘊含的深度信息對于實際網絡安全管理工作的價值是不言而喻的。這些深度信息可以幫助安全管理人員更好地理解網絡攻擊的行為模式、攻擊者的策略以及網絡系統(tǒng)的脆弱性。通過對這些信息的深入挖掘和分析，可以及時發(fā)現潛在的安全威脅，制定有效的防御策略，從而提高整個網絡系統(tǒng)的安全性。本文提出的基于深度學習算法的無線通信網絡入侵路徑辨識研究，進一步提高了網絡入侵路徑檢測的準確性和效率，在更好保障網絡安全方面具有良好的實際應用價值。

參考文獻

［1］吳維鑫，侯會文，石樂義.基于深度學習和聯(lián)邦學習的工控入侵檢測研究［EB/OL］.（2024-03-08）［2024-05-08］.Https：//link.cnki.net/urlid/61. 1123.TN.20240306.1025.004.

［2］趙齊.基于改進隱馬爾可夫模型的無線通信網絡入侵檢測方法［J］.長江信息通信，2024（2）：56-58.

［3］孫紅哲，王堅，王鵬，等.基于Attention-BiTCN的網絡入侵檢測方法［J］.信息網絡安全，2024（2）：309-318.

［4］楊曉文，張健，況立群，等.融合CNN-BiGRU和注意力機制的網絡入侵檢測模型［J］.信息安全研究，2024（3）：202-208.

［5］董衛(wèi)魏，王曦，鐘昕輝，等.基于人工智能技術的輕量級網絡入侵檢測系統(tǒng)設計［J］.現代電子技術，2024（5）：108-111.

［6］劉濤濤，付鈺，王坤，等.基于VAE-CWGAN和特征統(tǒng)計重要性融合的網絡入侵檢測方法［J］.通信學報，2024（2）：54-67.

［7］王相月，趙利輝.基于多階段特征選擇和CNN-GRU的網絡入侵檢測模型［J］.中北大學學報（自然科學版），2024（1）：66-73.

［8］王雄偉，張鑫楠.一種基于MetaCost和RF的網絡入侵檢測方法分析［J］.電子技術，2024（1）：39-41.

（編輯" 沈" 強）

Wireless communication network intrusion path identification based on deep learning algorithms

DU" Huijun， WANG" Anyang， LIU" Yue， DONG" Yang， YUAN" Chuanxin

（State Grid Shandong Electric Power Company Tai’an Power Supply Company， Tai’an 271000， China）

Abstract：" Due to the different intentions of different types of intrusion attacks， there are also significant differences in the intrusion paths in the network. Therefore， a research on wireless communication network intrusion path identification based on deep learning algorithms is proposed. Based on intrusion intent， attacks with the same behavior are intersected and calculated， and a network intrusion behavior cluster centered on intrusion intent is established. For intrusions with cross relationships， the node distribution probability of network intrusion behavior is used for segmentation. In the stage of intrusion path identification， the grey deep neural network algorithm is introduced to calculate the intrusion intent in the hidden layer. Combining the Euclidean distance between wireless communication network nodes and the node where the current intrusion behavior occurs， the minimum Euclidean distance node corresponding to the cluster is used as the identification result of the next node in the intrusion path. The above operation is repeated to achieve the identification of the overall intrusion path. In the test results， the overall intrusion path coverage nodes did not have an impact on the identification results， and can achieve 100% accurate identification of the intrusion path.

Key words： deep learning algorithms; wireless communication network; intrusion behavior clustering; grey deep neural network algorithm