Dewa Ashen - MTL - Chapter 895

Bab 895 – Pembaruan Segera Hadir

Hari ini saya masih sedikit diare, jadi saya akan memperbarui informasi nanti, mungkin sekitar jam 1 pagi. Silakan segarkan bab ini nanti.

…

Abstrak: Untuk memastikan keamanan jaringan, diusulkan metode untuk menambang dan memperkirakan risiko keamanan jaringan berdasarkan analisis big data. Fungsi Map dan Reduce dari platform Hadoop digunakan untuk menambang aturan asosiasi dari peristiwa keamanan jaringan. Aturan asosiasi yang ditambang ini digunakan sebagai fitur dari peristiwa keamanan jaringan, dan fitur-fitur ini dimasukkan ke dalam Support Vector Machine dengan Radial Basis Kernel Function. Melalui pelatihan, model estimasi risiko keamanan jaringan dibangun. Parameter optimal dari Support Vector Machine dicari menggunakan kinerja optimasi metode QPSO. Hasil eksperimen menunjukkan bahwa metode ini meningkatkan ketelitian estimasi risiko keamanan jaringan dan memberikan nilai referensi yang signifikan untuk pertahanan terhadap risiko keamanan jaringan.

Kata kunci: Analisis big data; Risiko keamanan jaringan; Aturan asosiasi; Support Vector Machine

1 Pendahuluan

Perkembangan teknologi internet sangat pesat, dan lingkungan internet memiliki tingkat keterbukaan yang tinggi. Beberapa penyerang memanfaatkan ketidakpastian dan keragaman jaringan untuk menyerangnya, yang secara serius mengancam operasi jaringan yang aman [1-2]. Metode pertahanan jaringan sebelumnya hanya memanfaatkan informasi yang terdapat dalam paket data untuk mendapatkan hasil estimasi risiko, sehingga menghasilkan akurasi hasil yang lebih rendah. Untuk memastikan operasi jaringan yang aman, sangat penting bagi administrator jaringan untuk memahami dengan jelas status operasional jaringan secara real-time, mengidentifikasi risiko keamanan jaringan terlebih dahulu, dan menerapkan langkah-langkah pertahanan yang tepat untuk menangkal risiko. Ini adalah dasar fundamental untuk menjaga operasi jaringan yang aman [3-5]. Saat ini, banyak peneliti melakukan studi ekstensif tentang risiko keamanan jaringan. Han Xiaolu, He Chunrong, dan lainnya masing-masing menggunakan himpunan fuzzy intuitif dan mekanisme perhatian untuk menilai status keamanan jaringan [6-7]. Namun, masih terdapat kekurangan dalam risiko keamanan jaringan, seperti volume peringatan yang berlebihan dan tingkat alarm palsu yang tinggi karena volume data yang besar. Mengekstraksi data risiko keamanan jaringan yang berguna dari big data jaringan yang masif sangat penting untuk evaluasi risiko keamanan jaringan yang tepat. Ketika terjadi serangan pada jaringan, sejumlah besar informasi peringatan berbagai jenis akan dihasilkan, sehingga meningkatkan kesulitan penambangan data [8]. Metode penambangan big data yang efisien sangat penting untuk meningkatkan akurasi penilaian risiko keamanan jaringan. Oleh karena itu, makalah ini mengusulkan metode untuk menambang dan memperkirakan risiko keamanan jaringan berdasarkan analisis big data dan menguji serta menganalisis kinerjanya.

2. Metode Penambangan dan Estimasi Risiko Keamanan Jaringan Berdasarkan Analisis Big Data

2.1 Ekstraksi Aturan Asosiasi dalam Penambangan Data

Mengumpulkan peristiwa keamanan dari data jaringan yang masif memerlukan normalisasi peristiwa keamanan karena perbedaan formatnya yang signifikan. Hal ini memfasilitasi penambangan aturan asosiasi yang terkandung di dalamnya. Dengan menggunakan aturan asosiasi yang ditambang, analisis risiko keamanan jaringan seperti virus serupa [9], kerentanan serupa, dan perilaku serangan lainnya untuk meningkatkan ketepatan Penilaian Risiko Keamanan Jaringan. Metode penambangan data dari teknologi analisis big data digunakan untuk mengekstrak aturan asosiasi peristiwa keamanan jaringan. W = {w1, w2, …, wn} mewakili himpunan elemen peristiwa keamanan, R = {r1, r2, …, rn} mewakili dataset, dan elemen ri dalam dataset R adalah himpunan yang dibentuk oleh W, yaitu, riW ada. Definisi 1: Elemen himpunan R digunakan untuk membentuk Himpunan C, dan ketika jumlah elemen yang memenuhi Cri dalam dataset adalah l, ukuran dukungan Himpunan C dalam dataset R diberikan sebagai berikut: (1). Definisi 2: Ada Himpunan C dan D yang memenuhi AW∩IDW, menggunakan ini untuk menyatakan kepercayaan C→D. Dataset yang ditambang yang memenuhi kepercayaan minimum dan dukungan minimum C→D adalah aturan asosiasi yang dibutuhkan oleh metode penambangan big data. Aturan asosiasi diperoleh dengan menambang himpunan item yang sering muncul dalam himpunan transaksi dan mengekstrak aturan asosiasi yang ada di antara transaksi yang berbeda. Peristiwa keamanan jaringan dicirikan oleh skalanya yang sangat besar [10], dan platform komputasi awan Hadoop digunakan untuk menambang aturan asosiasi dari peristiwa keamanan jaringan yang masif. Teknologi analisis big data penambangan aturan asosiasi dibagi menjadi dua bagian: (1) Menambang himpunan item yang sering muncul yang harus memenuhi dukungan minimum; (2) Menggunakan himpunan item yang sering muncul yang diperoleh dari penambangan data untuk mengekstrak aturan asosiasi yang memenuhi kondisi kepercayaan minimum. Platform Hadoop menggunakan fungsi Map dan Reduce untuk mendapatkan subset proyek dan mengintegrasikan dukungan dari subset yang diperoleh, menganalisis dukungan dari semua subset untuk memperoleh dukungan item yang sering muncul yang ditambang dari peristiwa keamanan jaringan, dan menambang himpunan item yang sering muncul yang terdapat dalam dataset peristiwa keamanan jaringan. Proses penambangan aturan asosiasi pada platform Hadoop adalah sebagai berikut: menggunakan dukungan minimum β dan dataset peristiwa keamanan jaringan asli R sebagai input untuk operasi platform Hadoop; Gunakan item yang sering muncul yang dapat memenuhi dukungan minimum sebagai output untuk operasi platform Hadoop. Tugas Map: (1) Bagi kumpulan data keamanan jaringan asli menjadi subset data berukuran n berdasarkan jalur file yang dimasukkan menggunakan himpunan item yang sering muncul dengan dukungan minimum, format setiap subset yang dibagi untuk mendapatkan pasangan kunci-nilai, di mana nilai dan kunci masing-masing mewakili informasi data dan offset karakter. (2) Gunakan fungsi Map untuk membaca pasangan kunci-nilai dari subset yang berbeda yang diperoleh, mengurai nilai informasi data dengan fungsi split, dan mentransfer hasil penguraian ke dalam himpunan; (3) Gunakan kunci output untuk mewakili semua subset, dan atur nilai subset menjadi 1; (4) Panggil semua fungsi Combin opsional, hasilkan pasangan kunci-nilai dengan nilai kunci yang sama di semua sisi Map dalam data keamanan jaringan, dan gunakan fungsi Combin untuk menggabungkan semua pasangan kunci-nilai yang identik untuk meningkatkan efisiensi komputasi yang rendah yang disebabkan oleh pengiriman pasangan kunci-nilai yang diperoleh ke sisi Reduce melalui jaringan; Tugas Reduce: (1) Urutkan pasangan kunci-nilai yang dikirim oleh fungsi Combin, gabungkan pasangan kunci-nilai dengan nilai kunci yang sama, dan peroleh pasangan kunci-nilai yang diperoleh menggunakan fungsi Reduce untuk membaca dan mengakumulasikan nilai dalam L() di dalam pasangan kunci-nilai. Jumlah dukungan himpunan kunci dalam dataset keamanan jaringan R, hasil yang diperoleh adalah dukungan global dari himpunan item kandidat yang sering muncul di sisi Reduce; (2) Himpunan item kandidat yang lebih tinggi dari dukungan minimum dikirim ke tabel eksternal data yang disimpan berdasarkan dukungan minimum, menggunakan tabel eksternal yang diperoleh untuk melakukan kueri dan menambang himpunan item yang sering muncul, menetapkan item yang sering muncul ini sebagai input dan file terkait untuk program MapReduce. Gunakan kepercayaan minimum δ dan aturan asosiasi yang memenuhi kepercayaan minimum δ sebagai input dan output untuk menambang aturan asosiasi kejadian keamanan jaringan, dan proses perhitungannya adalah sebagai berikut: (1) Gunakan fungsi Map untuk memulai metode pengaturan untuk menghubungkan ke database; (2) Bagi himpunan item yang sering muncul di dalam tabel eksternal data yang disimpan, peroleh subset data berukuran n setelah pembagian, dan format semua data menjadi pasangan kunci-nilai; (3) Uraikan elemen-elemen dalam nilai pada himpunan item yang sering muncul, setelah diurai, peroleh nilai yang sesuai yang digunakan untuk merepresentasikannya sebagai (C, D, SValue), simpan (C, D) yang diperoleh dalam himpunan; (4) Selesaikan himpunan bagian C dalam elemen-elemen pada himpunan item yang sering muncul, baca sup(C) dukungan himpunan bagian C, dan gunakan kepercayaan yang dinyatakan sebagai C→D. (5) Ketika kepercayaan yang diperoleh lebih tinggi dari ambang batas himpunan, semua elemen di luar himpunan bagian dalam himpunan item yang sering muncul yang diperoleh memiliki aturan asosiasi dengan himpunan bagian ini; gunakan himpunan perbedaan dan himpunan bagian yang diperoleh untuk menetapkan nilai kunci, di mana nilai kepercayaan dari nilai kunci ini adalah nilai. Aturan asosiasi peristiwa keamanan jaringan ditambang melalui proses di atas, dan metode Support Vector Machine digunakan untuk mencapai estimasi risiko keamanan jaringan berdasarkan aturan asosiasi yang ditambang.

2.2 Metode Estimasi Risiko Keamanan Jaringan

Gunakan aturan asosiasi yang ditambang sebagai fitur kejadian keamanan jaringan untuk memperkirakan risiko keamanan jaringan. Gunakan input sampel xi dan output sampel yi yang terdiri dari (xi, yi) untuk mewakili himpunan sampel pelatihan kejadian keamanan jaringan, yang memenuhi xiRn, yiRn. Sampel kejadian keamanan jaringan dalam himpunan sampel (xi, yi) dipetakan ke ruang fitur berdimensi tinggi menggunakan fungsi pemetaan nonlinier φ(), sehingga diperoleh ekspresi fungsi regresi linier optimal untuk penilaian kejadian keamanan jaringan sebagai berikut: (2) di mana b dan w masing-masing mewakili bias dan bobot. Dengan menggunakan prinsip meminimalkan risiko struktural, solusi untuk model regresi LSSVM diperoleh, yang diberikan oleh rumus: (3)(4) di mana ei dan C masing-masing mewakili kesalahan antara fungsi regresi dan hasil aktual, dan fungsi penalti. Dengan memasukkan masalah optimasi kendala dari rumus (4) ke dalam pengali Lagrange, rumus yang diperoleh adalah: (5) di mana ai mewakili pengali Lagrange. Menurut kondisi Mercer, rumus fungsi kernel didefinisikan sebagai berikut: (6) Pilih Fungsi Kernel Basis Radial sebagai fungsi kernel untuk estimasi risiko keamanan jaringan, sehingga diperoleh ekspresinya sebagai: (7). Model regresi Support Vector Machine akhir yang diperoleh adalah sebagai berikut: (8) di mana σ adalah lebar Fungsi Kernel Basis Radial. Parameter Support Vector Machine menentukan akurasi estimasinya, dan pemilihan parameter yang tepat membantu meningkatkan presisi estimasi risiko keamanan jaringan. Algoritma QPSO dipilih untuk mengoptimalkan parameter Support Vector Machine. Algoritma QPSO menetapkan m partikel yang ada dalam ruang pencarian D-dimensi, dengan posisi awal partikel dinyatakan sebagai xi(xi1, xi2, …, xid), PB(pb1, pb2, …, pbd) mewakili posisi optimal saat ini, dan GB(bg1, bg2, …, bgd) mewakili posisi optimal global. Ekspresi untuk evolusi partikel adalah sebagai berikut: (8) di mana mbest dan β masing-masing mewakili nilai partikel terbaik dalam swarm dan kecepatan konvergensi algoritma. Ketika jumlah iterasi adalah t, rumus untuk kecepatan konvergensi algoritma adalah sebagai berikut: (9) Proses penilaian risiko keamanan jaringan adalah sebagai berikut: (1) Tentukan jumlah partikel dalam swarm partikel sesuai dengan skala penilaian risiko keamanan jaringan, dengan dimensi partikel dalam swarm mewakili parameter C dan σ yang digunakan untuk memperkirakan risiko keamanan jaringan dengan Support Vector Machine; (2) Tetapkan parameter algoritma swarm partikel yang mengoptimalkan parameter Support Vector Machine dan iterasi maksimum; (3) Dapatkan fungsi fitness partikel; (4) Hitung posisi individu optimal dan posisi optimal global partikel, dan buat basis data informasi keamanan jaringan; (5) Perbarui posisi setiap partikel dalam swarm; (6) Ulangi perhitungan iteratif mengikuti proses di atas untuk memeriksa apakah kondisi penghentian terpenuhi. Jika terpenuhi, lanjutkan ke langkah (7); jika tidak, kembali ke langkah (3); (7) Gunakan partikel optimal yang diperoleh dari proses di atas sebagai parameter Support Vector Machine untuk melengkapi model estimasi risiko keamanan jaringan, dan peroleh hasil estimasi risiko keamanan jaringan menggunakan model penilaian yang telah dibuat.

3. Analisis Kasus

Pilih jaringan komunikasi yang berjalan selama 60 menit data komunikasi sebagai objek uji, mengumpulkan total 5.846.544 data sampel, menggunakan metode dalam makalah ini untuk menilai risiko keamanan jaringan. Pilih metode himpunan fuzzy intuisionistik (referensi [6]) dan metode mekanisme perhatian (referensi [7]) sebagai metode perbandingan. Metode dalam makalah ini menggunakan teknologi analisis big data untuk menambang aturan asosiasi yang ada di antara data komunikasi jaringan yang masif, menghitung jumlah aturan asosiasi yang ditambang di bawah kondisi kepercayaan minimum dan dukungan minimum yang berbeda, seperti yang ditunjukkan pada Gambar 1. Hasil eksperimen pada Gambar 1 menunjukkan bahwa ketika kepercayaan minimum dan dukungan minimum masing-masing adalah 0,7 dan 0,3, jumlah aturan asosiasi yang dapat ditambang lebih banyak. Saat menambang data jaringan masif menggunakan metode dalam makalah ini, tetapkan β dan б masing-masing menjadi 0,7 dan 0,3. Metode dalam makalah ini menunjukkan kinerja tinggi dalam menambang aturan asosiasi, mempertahankan efisiensi penambangan yang tinggi ketika diterapkan pada data komunikasi jaringan masif. Setelah menyelesaikan penambangan aturan asosiasi, gunakan kinerja optimasi algoritma QPSO untuk mendapatkan parameter optimal untuk Support Vector Machine, dengan konvergensi algoritma QPSO pada jumlah iterasi yang berbeda ditunjukkan pada Gambar 2. Hasil eksperimen pada Gambar 2 mengungkapkan bahwa metode dalam makalah ini memanfaatkan algoritma QPSO untuk menemukan parameter optimal untuk mengevaluasi risiko keamanan jaringan menggunakan Support Vector Machine, membutuhkan sekitar 40 iterasi untuk dengan cepat mendapatkan parameter Support Vector Machine yang optimal. Algoritma QPSO yang dipilih dalam metode ini menunjukkan efisiensi tinggi dalam optimasi, dengan cepat mendapatkan parameter optimal untuk Support Vector Machine dalam waktu singkat, meningkatkan Kinerja Estimasi Risiko Keamanan Jaringan. Melalui algoritma QPSO, parameter optimal dari algoritma Support Vector Machine diperoleh sebagai C=130 dan σ=135. Dengan menggunakan parameter optimal yang diperoleh dari algoritma QPSO, model Penilaian Risiko Keamanan Jaringan dibuat, dan model yang telah dibuat tersebut digunakan untuk menilai jumlah kejadian risiko keamanan selama 5 jam operasi jaringan. Metode dalam makalah ini dibandingkan dengan dua metode lainnya, seperti yang terlihat pada Gambar 3. Hasil eksperimen pada Gambar 3 menunjukkan bahwa dengan menggunakan metode dalam makalah ini, hasil penilaian risiko keamanan jaringan sangat mendekati risiko keamanan jaringan aktual, dengan konsistensi tren fluktuasi yang tinggi. Hasil perbandingan menunjukkan bahwa metode ini dapat secara efektif memprediksi risiko keamanan jaringan, dengan hasil prediksi yang sangat andal, dan berfungsi sebagai bukti efektif bagi Administrator Jaringan untuk mengelola keamanan jaringan. Setelah beberapa pengujian, kinerja Penilaian Risiko Keamanan Jaringan dari ketiga metode tersebut dibandingkan; hasil perbandingan dapat dilihat pada Gambar 4. Hasil eksperimen pada Gambar 4 menunjukkan bahwa penggunaan metode ini untuk menilai risiko keamanan jaringan dapat secara efektif memperbaiki kekurangan, seperti kebutuhan akan sejumlah besar data historis dan sensitivitas terhadap data yang hilang, serta memiliki keandalan tinggi dalam penerapannya pada penilaian risiko keamanan jaringan. Situasi risiko keamanan jaringan uji yang dievaluasi mulai 3 Januari 2020, dari pukul 7:00 hingga 24:00 selama total 17 jam menggunakan metode dalam makalah ini ditunjukkan pada Tabel 1. Mengenai tabel situasi kejadian keamanan jaringan eksperimental yang diberikan pada Tabel 1, evaluasi jenis serangan kejadian risikonya menggunakan metode dalam makalah ini, dengan hasil yang ditunjukkan pada Tabel 2. Analisis dari Tabel 2 menunjukkan bahwa metode ini dapat menilai kejadian risiko keamanan, secara efektif menentukan perilaku serangan spesifik dari kejadian risiko keamanan jaringan, memverifikasi validitas tinggi penilaian kejadian risiko dengan metode ini.

4. Kesimpulan

Estimasi risiko keamanan jaringan merupakan bagian penting dari sistem pertahanan jaringan saat ini. Seiring meningkatnya volume data dalam jaringan, kebutuhan akan estimasi risiko keamanan jaringan pun meningkat. Dengan mempertimbangkan skenario serangan selama operasi jaringan dan menerapkan teknologi analisis big data pada estimasi risiko keamanan jaringan, metode ini memanfaatkan keunggulan teknologi analisis big data untuk memproses data dalam jumlah besar guna menggali sepenuhnya aturan asosiasi yang ada dalam peristiwa keamanan jaringan, dan menilai risiko keamanan jaringan. Eksperimen mengkonfirmasi bahwa metode yang diteliti dapat secara efektif memperkirakan risiko keamanan jaringan, sehingga memastikan perlindungan keamanan jaringan yang efektif di lingkungan dengan operasi data dalam jumlah besar.