Dewa Ashen - MTL - Chapter 915

Bab 915 Pembaruan Segera Hadir

Hari ini, kecepatan mengetik sangat lambat, hanya kurang dari seribu kata dalam dua jam, jadi pembaruan akan tertunda, mungkin sekitar tengah malam atau pukul satu atau dua. Saat itu, cukup segarkan bab ini untuk melihat pembaruannya. Omong-omong, ini sudah tanggal dua puluh delapan, tetapi anehnya, komentar bab ini belum dibuka; sepertinya kita harus menunggu hingga bulan depan untuk pembukaan blokirnya.

…

Abstrak: Untuk memastikan keamanan jaringan, metode penambangan dan estimasi risiko keamanan jaringan berdasarkan analisis big data diusulkan. Fungsi Map dan Reduce dari platform Hadoop dipilih untuk menambang aturan asosiasi dari peristiwa keamanan jaringan. Aturan asosiasi yang ditambang digunakan sebagai fitur dari peristiwa keamanan jaringan, dan fitur-fitur peristiwa keamanan jaringan tersebut berfungsi sebagai input untuk Support Vector Machine dengan Radial Basis Kernel Function. Model estimasi risiko keamanan jaringan dibangun melalui pelatihan, dan kemampuan optimasi metode QPSO digunakan untuk menemukan parameter optimal Support Vector Machine. Hasil eksperimen menunjukkan bahwa metode ini meningkatkan ketelitian estimasi risiko keamanan jaringan dan memberikan nilai referensi penting 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 sangat terbuka. Beberapa penyerang memanfaatkan ketidakpastian dan keragaman jaringan untuk menyerang, 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, yang memiliki akurasi rendah. Untuk memastikan keamanan operasi jaringan, memungkinkan administrator jaringan untuk memahami status jaringan secara real-time, mengantisipasi risiko keamanan jaringan, dan mengadopsi langkah-langkah pertahanan yang tepat untuk melawan risiko, membangun operasi jaringan yang aman sangat penting [3-5]. Banyak peneliti saat ini melakukan studi ekstensif tentang risiko keamanan jaringan. Han Xiaolu dan He Chunrong, antara lain, menggunakan himpunan fuzzy intuitif dan mekanisme perhatian untuk menilai status keamanan jaringan [6-7]. Namun, risiko keamanan jaringan masih memiliki kekurangan berupa alarm yang berlebihan dan tingkat alarm palsu yang tinggi karena volume data yang besar. Menggali data risiko keamanan jaringan yang berguna dari big data jaringan yang masif merupakan kunci untuk penilaian risiko keamanan jaringan yang tepat. Ketika ada perilaku serangan di jaringan, akan terbentuk banyak informasi alarm dari berbagai jenis, yang meningkatkan kesulitan penggalian 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 penambangan dan estimasi risiko keamanan jaringan berdasarkan analisis big data, serta menguji dan 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. Karena perbedaan signifikan dalam format peristiwa keamanan jaringan yang dikumpulkan, peristiwa keamanan perlu dinormalisasi untuk memfasilitasi penambangan aturan asosiasi yang terkandung di dalamnya. Gunakan aturan asosiasi yang ditambang untuk menganalisis virus serupa [9], kerentanan serupa, dan perilaku serangan lainnya dalam risiko keamanan jaringan, sehingga meningkatkan akurasi penilaian risiko keamanan jaringan. Gunakan metode penambangan data dari teknologi analisis big data untuk mengekstrak aturan asosiasi peristiwa keamanan jaringan. Misalkan W={w1, w2, …, wn} menunjukkan himpunan elemen peristiwa keamanan, R={r1, r2, …, rn} menunjukkan dataset, di mana setiap elemen ri dalam dataset R adalah himpunan yang dibentuk oleh W, yaitu, riW ada. Definisi 1: Gunakan elemen dalam Himpunan R untuk membentuk Himpunan C, dan rumus untuk menghitung derajat dukungan Himpunan C dalam dataset ketika elemen memenuhi persyaratan Cri dalam jumlah l adalah sebagai berikut: (1) (1) Definisi 2: Diberikan himpunan C dan D yang memenuhi AW∩IDW, gunakan kepercayaan C→D. C→D yang memenuhi kepercayaan minimum dan dukungan minimum dalam kumpulan data yang ditambang adalah aturan asosiasi yang akan ditambang dengan metode penambangan big data. Aturan asosiasi diperoleh dengan menambang himpunan item yang sering muncul dalam kumpulan transaksi, mengidentifikasi aturan asosiasi yang ada antara transaksi yang berbeda. Peristiwa keamanan jaringan memiliki karakteristik skala yang sangat besar [10]. Platform komputasi awan, platform Hadoop, dipilih untuk mencapai penambangan aturan asosiasi dari peristiwa keamanan jaringan yang masif. Proses penambangan aturan asosiasi menggunakan teknologi analisis big data dibagi menjadi dua bagian: (1) Menambang himpunan item yang sering muncul yang memenuhi dukungan minimum; (2) Menggunakan himpunan item yang sering muncul yang diperoleh melalui penambangan data untuk menambang aturan asosiasi yang memenuhi kondisi kepercayaan minimum. Platform Hadoop menggunakan fungsi Map dan fungsi Reduce untuk mendapatkan subset proyek dan secara komprehensif menilai dukungan subset yang diperoleh. Dengan menganalisis dukungan semua subset, derajat dukungan item yang sering muncul dari peristiwa keamanan jaringan yang ditambang diperoleh, dan himpunan item yang sering muncul yang terdapat dalam kumpulan data peristiwa keamanan jaringan diidentifikasi. Proses penambangan aturan asosiasi pada platform Hadoop adalah sebagai berikut: masukkan dukungan minimum β dan dataset peristiwa keamanan jaringan asli R ke dalam platform Hadoop untuk komputasi; keluarkan item yang sering muncul yang memenuhi dukungan minimum sebagai keluaran komputasi untuk platform Hadoop. Tugas Pemetaan: (1) Sesuai dengan jalur file masukan, gunakan dukungan minimum himpunan item yang sering muncul untuk membagi dataset keamanan jaringan asli menjadi subset data berukuran n, format setiap subset yang dibagi, memperoleh pasangan kunci-nilai, di mana nilai dan kunci masing-masing mewakili informasi data dan offset karakter; (2) Baca pasangan kunci-nilai yang diperoleh dari subset yang berbeda menggunakan fungsi Pemetaan, uraikan nilai informasi data dengan fungsi pemisahan, dan kirimkan hasil penguraian ke himpunan; (3) Gunakan kunci keluaran untuk mewakili semua subset, atur nilai subset sama dengan 1; (4) Panggil semua fungsi Kombinasi opsional. Semua ujung Map menghasilkan pasangan kunci-nilai dengan kunci yang sama dalam data keamanan jaringan, menggabungkan semua pasangan kunci-nilai yang identik melalui fungsi Combin, memperbaiki kekurangan efisiensi komputasi rendah yang disebabkan oleh pengiriman pasangan kunci-nilai yang diperoleh ke ujung Reduce melalui jaringan; Tugas Reduce: (1) Mengurutkan pasangan kunci-nilai yang dikirim oleh fungsi Combin, menggabungkan pasangan kunci-nilai dengan kunci yang sama, memperoleh pasangan kunci-nilai yang dibaca oleh fungsi Reduce, dan mengakumulasikan nilai L() di dalam pasangan kunci-nilai. Jumlah dukungan dari himpunan kunci dalam dataset keamanan jaringan R adalah dukungan global untuk himpunan item sering kandidat di ujung Reduce; (2) Mengirim himpunan item kandidat yang melebihi dukungan minimum ke tabel penyimpanan eksternal berdasarkan dukungan minimum, menggunakan tabel eksternal yang diperoleh untuk melakukan kueri dan menambang himpunan item sering, menetapkan item sering ini sebagai input dan file terkait dari program MapReduce. Kepercayaan minimum δ dan aturan asosiasi yang memenuhi kepercayaan minimum δ digunakan sebagai input dan output untuk menambang aturan asosiasi peristiwa keamanan jaringan, masing-masing. Proses komputasinya adalah sebagai berikut: (1) Pilih fungsi Map untuk memulai metode pengaturan untuk terhubung ke basis data; (2) Bagi himpunan item yang sering muncul dalam tabel eksternal data yang tersimpan, setelah pembagian diperoleh subset data sebanyak n, format semua data menjadi pasangan kunci-nilai; (3) Uraikan elemen dalam himpunan item yang sering muncul berdasarkan nilai, setelah penguraian diperoleh nilai yang sesuai yang direpresentasikan sebagai (C, D, SValue), simpan (C, D) yang diperoleh dalam himpunan; (4) Selesaikan subset C dalam himpunan item yang sering muncul, baca derajat dukungan subset C sup(C), gunakan untuk menyatakan kepercayaan C→D; (5) Ketika kepercayaan melebihi ambang batas yang telah ditetapkan, himpunan item yang sering muncul berisi semua elemen di luar subset ini dengan aturan asosiasi dengan subset ini, gunakan himpunan dan subset perbedaan yang diperoleh untuk membangun nilai kunci, dan kepercayaan nilai kunci tersebut adalah nilainya. Melalui proses di atas, tambang aturan asosiasi kejadian keamanan jaringan dan wujudkan estimasi risiko keamanan jaringan berdasarkan aturan asosiasi yang ditambang menggunakan metode support vector machine.

2.2 Metode Estimasi Risiko Keamanan Jaringan

Gunakan aturan asosiasi yang ditambang sebagai fitur kejadian keamanan jaringan dan perkirakan risiko keamanan jaringan menggunakan aturan asosiasi yang diekstrak. Gunakan input sampel xi dan output sampel yi yang terdiri dari (xi, yi) untuk mewakili himpunan sampel pelatihan kejadian keamanan jaringan. Himpunan sampel ini memenuhi xiRn, yiRn. Petakan sampel kejadian keamanan jaringan dalam himpunan sampel (xi, yi) ke ruang fitur berdimensi tinggi menggunakan fungsi pemetaan nonlinier φ(), menghasilkan ekspresi fungsi regresi linier optimal untuk penilaian kejadian keamanan jaringan sebagai berikut: (2) dalam persamaan, b dan w masing-masing mewakili bias dan bobot. Dapatkan solusi model regresi LSSVM menggunakan prinsip minimisasi risiko struktural, dengan rumus sebagai berikut: (3) (4) di mana ei dan C masing-masing mewakili kesalahan fungsi regresi dengan hasil aktual dan fungsi hukuman. Perkenalkan masalah optimasi kendala dalam rumus (4) untuk mendapatkan rumus menggunakan pengali Lagrange sebagai berikut: (5) di mana ai mewakili pengali Lagrange. Dengan menggunakan kondisi Mercer untuk mendefinisikan fungsi kernel, rumusnya adalah sebagai berikut: (6) Pilih fungsi kernel basis radial sebagai fungsi kernel untuk estimasi risiko keamanan jaringan, menghasilkan ekspresi untuk fungsi kernel basis radial sebagai berikut: (7) Dapatkan model regresi support vector machine akhir sebagai berikut: (8) di mana σ adalah lebar fungsi kernel basis radial. Presisi estimasi oleh support vector machine ditentukan oleh parameternya, memilih parameter yang tepat dapat meningkatkan akurasi estimasi risiko keamanan jaringan. Gunakan algoritma QPSO untuk mengoptimalkan parameter support vector machine. Tetapkan algoritma QPSO dengan jumlah partikel m dalam ruang pencarian D-dimensi, yang mewakili posisi awal partikel menggunakan xi(xi1, xi2, …, xid), PB(pb1, pb2, …, pbd) mewakili posisi optimal saat ini, dan GB(bg1, bg2, …, bgd) mewakili posisi optimal global. Ekspresi evolusi partikel adalah sebagai berikut: (8) dalam persamaan tersebut, mbest dan β masing-masing mewakili nilai partikel terbaik dalam swarm partikel dan kecepatan konvergensi algoritma. Pada iterasi t, rumus untuk menghitung kecepatan konvergensi algoritma adalah sebagai berikut: (9) Proses penilaian risiko keamanan jaringan adalah sebagai berikut: (1) Tetapkan jumlah partikel dalam swarm sesuai dengan skala penilaian risiko keamanan jaringan, dimensi partikel dalam swarm mewakili parameter C dan σ untuk memperkirakan risiko keamanan jaringan menggunakan support vector machine; (2) Tetapkan parameter algoritma swarm partikel untuk mengoptimalkan parameter support vector machine dan jumlah iterasi maksimum; (3) Dapatkan fungsi fitness partikel; (4) Hitung posisi individu optimal partikel dan posisi optimal global, buat basis data informasi keamanan jaringan; (5) Perbarui posisi setiap partikel dalam swarm partikel; (6) Ulangi perhitungan sesuai dengan proses di atas, tentukan apakah kondisi penghentian terpenuhi, jika ya lanjutkan ke langkah (7), jika tidak kembali ke langkah (3); (7) Partikel optimal yang diperoleh melalui proses di atas digunakan sebagai parameter mesin vektor pendukung, melengkapi pembentukan model estimasi risiko keamanan jaringan, dan memperoleh hasil estimasi risiko keamanan jaringan menggunakan model yang telah dibuat.

3 Analisis Kasus

Pilih data komunikasi selama 60 menit dari waktu operasi jaringan komunikasi tertentu sebagai objek uji, dan kumpulkan total 5.846.544 data sampel menggunakan metode yang diusulkan dalam artikel ini untuk menilai risiko keamanan jaringan. Metode himpunan fuzzy intuisionistik (referensi [6]) dan metode mekanisme perhatian (referensi [7]) dipilih sebagai metode perbandingan. Metode yang diusulkan dalam artikel ini menggunakan teknologi analisis big data untuk menambang aturan asosiasi yang ada di antara data komunikasi jaringan yang masif, dan menghitung jumlah aturan asosiasi yang ditambang pada kepercayaan minimum dan dukungan minimum yang berbeda. Statistiknya ditunjukkan pada Gambar 1. Seperti yang ditunjukkan dalam hasil eksperimen pada Gambar 1, dengan kepercayaan minimum dan dukungan minimum masing-masing 0,7 dan 0,3, sejumlah aturan asosiasi yang relatif besar dapat ditambang. Ketika menambang data jaringan masif menggunakan metode yang diusulkan dalam makalah ini, nilai β dan б masing-masing ditetapkan menjadi 0,7 dan 0,3. Metode yang diusulkan dalam artikel ini memiliki kinerja penambangan aturan asosiasi yang tinggi, dan tetap mempertahankan efisiensi penambangan yang tinggi ketika diterapkan pada data komunikasi jaringan masif. Setelah menyelesaikan penambangan aturan asosiasi, kinerja optimasi algoritma QPSO digunakan untuk memperoleh parameter optimal untuk mesin vektor pendukung, dengan situasi konvergensi algoritma QPSO pada waktu iterasi yang berbeda ditunjukkan pada Gambar 2. Seperti yang ditunjukkan pada hasil eksperimen Gambar 2, metode yang diusulkan dalam artikel ini menggunakan algoritma QPSO untuk menemukan parameter optimal untuk mesin vektor pendukung guna memperkirakan risiko keamanan jaringan, hanya membutuhkan sekitar 40 iterasi untuk dengan cepat memperoleh parameter mesin vektor pendukung yang optimal. Algoritma QPSO yang dipilih oleh metode ini memiliki efisiensi optimasi yang tinggi, dan dapat dengan cepat memperoleh parameter optimal untuk mesin vektor pendukung dalam waktu singkat, sehingga meningkatkan kinerja estimasi risiko keamanan jaringan. Parameter optimal mesin vektor pendukung yang diperoleh melalui algoritma QPSO adalah C=130 dan σ=135. Model penilaian risiko keamanan jaringan dibangun menggunakan parameter optimal yang diperoleh dari algoritma QPSO dan menggunakan model penilaian risiko keamanan yang telah dibangun untuk mengevaluasi jumlah insiden risiko keamanan dalam operasi jaringan selama 5 jam, membandingkan hasilnya dengan dua metode lainnya, seperti yang ditunjukkan pada Gambar 3. Seperti yang ditunjukkan pada hasil eksperimen Gambar 3, metode yang diusulkan dalam artikel ini mengevaluasi hasil risiko keamanan jaringan dengan tingkat kemiripan yang tinggi dengan hasil risiko keamanan jaringan aktual, dengan tingkat kesepakatan yang tinggi dalam tren fluktuasi. Hasil perbandingan menunjukkan bahwa metode yang diusulkan dalam artikel ini dapat secara efektif memprediksi risiko keamanan jaringan, dan hasil prediksinya sangat andal, berfungsi sebagai bukti efektif bagi administrator jaringan untuk mengelola keamanan jaringan. Melalui beberapa pengujian, kinerja penilaian risiko keamanan jaringan dibandingkan di antara ketiga metode tersebut, seperti yang ditunjukkan pada Gambar 4. Seperti yang diamati pada hasil eksperimen Gambar 4, mengevaluasi risiko keamanan jaringan menggunakan metode yang diusulkan dalam artikel ini dapat secara efektif memperbaiki kekurangan seperti jumlah data historis yang signifikan yang dibutuhkan dan sensitivitas tinggi terhadap data yang hilang, menunjukkan keandalan yang tinggi ketika diterapkan pada penilaian risiko keamanan jaringan. Tabel 1 menampilkan evaluasi kondisi risiko keamanan untuk jaringan uji dari pukul 7:00 hingga 24:00 pada tanggal 3 Januari 2020, menggunakan metode yang diusulkan dalam makalah ini. Berdasarkan tabel situasi kejadian keamanan jaringan eksperimental pada Tabel 1, metode yang diusulkan dalam makalah ini digunakan untuk mengevaluasi jenis serangan dari kejadian risiko, dengan hasil yang ditampilkan pada Tabel 2. Analisis Tabel 2 menunjukkan bahwa metode yang diusulkan dalam artikel ini dapat mengevaluasi kejadian risiko keamanan, secara efektif mengidentifikasi perilaku serangan spesifik dari kejadian risiko keamanan jaringan, dan memvalidasi validitas tinggi dari metode yang diusulkan dalam artikel ini dalam menilai kejadian risiko keamanan.

4 Kesimpulan

Estimasi risiko keamanan jaringan merupakan bagian penting dari sistem pertahanan keamanan jaringan saat ini. Dengan meningkatnya volume data dalam jaringan, persyaratan yang lebih tinggi telah diajukan untuk estimasi risiko keamanan jaringan. Dengan mempertimbangkan sepenuhnya situasi serangan selama operasi jaringan dan menerapkan teknologi analisis big data pada estimasi risiko keamanan jaringan, keunggulan pemrosesan data masif dimanfaatkan untuk sepenuhnya mengeksplorasi aturan asosiasi yang ada dalam peristiwa keamanan jaringan dan memperkirakan risiko keamanan jaringan. Verifikasi eksperimental menunjukkan bahwa metode yang dipelajari dapat mencapai estimasi risiko keamanan jaringan yang efektif, memastikan perlindungan keamanan jaringan yang efektif dalam lingkungan operasi data masif.