基于大數據分析技術的光纖通信系統安全態勢預測

何衛華 王宏

摘 ?要： 為了獲得理想的光纖通信系統安全態勢預測效果，針對光纖通信系統安全態勢預測建模過程中存在的一些問題，設計基于大數據分析技術的光纖通信系統安全態勢預測方法。首先，搭建光纖通信系統安全態勢預測的Hadoop分布式數據處理平臺;然后，收集光纖通信系統安全態勢變化的歷史樣本，并采用多個極限學習機并行對光纖通信系統安全態勢數據進行訓練，構建光纖通信系統安全態勢預測模型;最后，采用Matlab 2017編程實現光纖通信系統安全態勢預測仿真對照測試。結果表明，大數據分析技術的光纖通信系統安全態勢預測精度超過95%，預測誤差遠遠小于對照方法，降低了預測建模的時間復雜度，光纖通信系統安全態勢預測效率得到了明顯提升，具有更優的實際應用價值。

關鍵詞： 光纖通信系統; 安全態勢; 分布式數據處理技術; Hadoop平臺; 預測模型; 仿真測試

中圖分類號： TN911?34; TP391 ? ? ? ? ? ? ? ? ? ?文獻標識碼： A ? ? ? ? ? ? ? ? ? ? 文章編號： 1004?373X（2020）07?0006?04

Optical fiber communication systems′ security situational prediction

based on big data analysis technology

HE Weihua1， 2， WANG Hong2

（1. College of Computer Science， Sichuan University， Chengdu 610065， China;

2. Sichuan Electromechanical Institute of Vocation and Technology， Panzhihua 617000， China）

Abstract： In order to obtain an ideal security situation prediction effect of optical fiber communication system， an optical fiber communication systems′ security situation prediction method based on big data analysis technology is designed to solve some problems existing in the process of security situation prediction modeling of optical fiber communication system. Firstly， the Hadoop distributed data processing platform for security situation prediction of optical fiber communication system is built. Then， the historical samples of security situation change of optical fiber communication system are collected， and the security situation data of optical fiber communication system are trained simultaneously in parallel by using multiple extreme learning machines to construct the security situation prediction model of optical fiber communication system. Finally， Matlab 2017 is used to realize the simulation and contrast testing of the security situation prediction of optical fiber communication system. The results indicate that the precision of optical fiber communication systems′ security situation prediction based on big data analysis technology is more than 95%， and the prediction error is much less than that of the contrast methods， which reduces the time complexity of prediction modeling. The efficiency of security situation prediction of optical fiber communication system has been significantly improved， which has an excellent practical application value.

Keywords： optical fiber communication system; security situation; distributed data processing technology; Hadoop platform; prediction model; simulation testing

0 ?引 ?言

光纖作為一種常用通信介質，具有抗干擾能力強、數據傳輸速度快、數據發送可靠性高等優點，同時，微電子技術、移動技術的不斷融合，使光纖通信技術得到了前所未有的發展，光纖通信成為企業、單位以及家庭的主要組網方式，出現許多性能優異的光纖通信系統[1?3]。在光纖通信系統的數據傳輸過程中，一些人通過非法途徑對重要的數據進行竊取、篡改，導致一些重要信息被泄露出來，帶來了一定的經濟損失，同時給人們生活帶來一定的困擾，光纖通信系統面臨著巨大的安全問題[4]。

當前光纖通信系統安全防范措施有兩種類型：一種是被動方式的防范措施;另一種是主動的防范措施。被動防范措施主要包括數據加密、防火墻等，它們的安全性差，無法有效保證光纖通信系統的安全[5]。主動的防范措施包括異常入侵檢測、安全態勢預測等，其中，安全態勢預測可以對將來一段時間的光纖通信系統安全狀態進行描述，實際應用價值更高，成為當前一個重要的研究方向[6]。針對光纖通信系統安全態勢預測問題，全世界各地的學者投入了大量的時間進行了深入研究，傳統方法主要有：模糊C?均值聚類的安全態勢評估模型[7]、基于時間序列分析的網絡安全態勢預測方法[8]，它們假設光纖通信系統安全態勢變化簡單，簡化了光纖通信系統安全態勢預測問題，導致光纖通信系統安全態勢預測結果與實際不相符[9]?，F代方法主要包括：BP神經網絡、RBF神經網絡[10?11]、支持向量機等[12]，它們可以比較全面地描述光纖通信系統安全態勢變化特點，預測效果要優于傳統方法。然而，神經網絡和支持向量機自身也存在一些無法克服的難題，如神經網絡存在“過擬合”現象，支持向量機訓練耗時長[13]。極限學習機（Extreme Learning Machine，ELM）是一種訓練速度快、沒有迭代過程、參數設置簡單的前饋型神經網絡，不僅具有支持向量機良好的泛化能力，同時具有神經網絡收斂速度快的優點，為此，本文將其引入到光纖通信系統安全態勢預測的建模中[14]。由于光纖通信系統安全態勢數據朝大數據方向發展，傳統單節點處理模式已經無法滿足光纖通信系統安全態勢在線預測要求。Hadoop分布式數據處理平臺可以對一個大任務進行有效分解、并行處理，提高了數據處理的速度。

為了提高光纖通信系統安全態勢預測精度，本文設計了大數據分析技術的光纖通信系統安全態勢預測方法，并采用仿真實驗驗證了本文光纖通信系統安全態勢預測方法的可行性和優越性。

1 ?安全態勢預測方法

1.1 ?Hadoop分布式數據處理平臺

Hadoop分布式數據處理平臺采用并行計算技術解決大型問題，常采用Map/Reduce機制，并行計算被抽象為Map和Reduce函數，執行過程如圖1所示[15]。

Map/Reduce具體描述為：

1） Map階段：將一個大任務劃分為多個片，每個片稱為Job，一個Job分配給一個節點處理，并將處理結果反饋給主節點。

2） Reduce階段：主要匯聚Map階段各節點的處理結果，并將最終結果輸出。

1.2 ?安全態勢預測思路

大數據分析技術的光纖通信系統安全態勢預測思路為：

1） 收集光纖通信系統安全態勢預測歷史數據，并對數據進行分片處理;

2） 采用大數據分析技術——Hadoop分布式數據處理平臺將分片數據分配到不同節點上進行建模，每一個節點采用ELM建立光纖通信系統安全態勢預測模型，具體如圖2所示。

1.3 ?ELM算法

ELM首先隨機設置輸入層和隱含層間的參數，然后采用最小二乘算法算出輸出層權值矩陣，非線性處理能力強。設訓練樣本集為[{X，Y}={xi，yi}Ni=1]，其中，[xi=[xi1，xi2，…，xip]∈Rp]表示輸入向量，[yi=][[yi1，yi2，…，yiq]∈Rq]，[p]和[q]分別表示輸入和輸出向量的維數，隱含層節點數為[m]，ELM的輸出函數為：

式中：[αj=[αj1，αj2，…，αjp]T]表示第[j]個隱含層節點和輸入節點的連接權值;[bj]表示第[j]個隱含層節點的閾值;[βj=[βj1，βj2，…，βjp]T]表示輸出節點與第[j]個隱節點的連接權值;[g（）]表示激活函數。

式（1）采用矩陣方式描述，具體為：

式中：[Y]表示期望輸出;[β=[β1，β2，…，βm]Tm×q];[H]表示隱含層的輸出矩陣，具體為：

[β]可通過最小二乘解獲得，具體為：

[β=H+T] （4）

式中[H+]為[H]的廣義逆。

1.4 ?ELM的光纖通信系統安全態勢預測步驟

ELM的光纖通信系統安全態勢預測步驟如下：

1） 將光纖通信系統安全態勢等級劃分為5種，分別為：優、良、中、差、危。

2） 對一個光纖通信系統收集一段時間安全態勢的歷史數據。

3） 從歷史數據中隨機選擇一部分樣本組成訓練樣本集，余下的樣本組成測試樣本。

4） 為了提高ELM的收斂效率，對光纖通信系統安全態勢等級的值進行如下歸一化處理：

[y=（y-ymin）（ymax-ymin）] （5）

式中：[ymax]和[ymin]分別表示光纖通信系統安全態勢等級的最大和最小值。

5） 設置ELM的參數，并采用ELM對光纖通信系統安全態勢訓練樣本集進行學習，建立預測模型。

6） 采用測試樣本對光纖通信系統安全態勢預測模型的性能進行分析。

ELM的光纖通信系統安全態勢預測流程如圖3所示。

2 ?光纖通信系統安全態勢預測效果測試

2.1 ?測試環境

為了測試本文提出的光纖通信系統安全態勢預測方法的性能，首先構建一個Hadoop分布式數據處理平臺，其包括5個節點，每一個節點的參數如表1所示，然后進行仿真模擬實驗。為了使本文方法的光纖通信系統安全態勢預測結果具有對比性，選擇RBF神經網絡、BP神經網絡在相同環境下進行對照實驗。

2.2 ?光纖通信系統安全態勢實驗數據

為了增強仿真實驗結果的說服力，體現實驗的公平性，采用5個光纖通信系統作為測試對象，其安全態勢樣本數量如表2所示。

2.3 ?結果與分析

2.3.1 ?安全態勢的預測精度對比

采用RBF神經網絡、BP神經網絡、ELM分別對表1的光纖通信系統安全態勢數據進行建模，預測精度如圖4所示。

分析圖4的光纖通信系統安全態勢預測結果可知：

1） RBF神經網絡、BP神經網絡光纖通信系統安全態勢預測精度低，預測結果的偏差大，因為它們的光纖通信系統安全態勢預測結果極不穩定，出現了許多過擬合的光纖通信系統安全態勢預測結果。

2） ELM的光纖通信系統安全態勢預測精度要高于RBF神經網絡、BP神經網絡，這是因為ELM能夠克服神經網絡過擬合的缺陷，更好地描述了光纖通信系統安全態勢的變化特點，光纖通信系統安全態勢預測誤差得到了降低，對照實驗結果驗證了ELM用于光纖通信系統安全態勢預測建模的優越性。

2.3.2 ?光纖通信系統安全態勢預測效率對比

分別計算RBF神經網絡、BP神經網絡、ELM的訓練時間和測試時間，如圖5所示。從圖5可以發現，RBF神經網絡、BP神經網絡、ELM的測試時間相差無幾，而RBF神經網絡、BP神經網絡、ELM的光纖通信系統安全態勢建模訓練時間差異很大，其中，BP神經網絡的訓練時間最長，RBF神經網絡的訓練時間次之，ELM的訓練時間最短，總體上，ELM縮短了光纖通信系統安全態勢預測建模時間，提升了光纖通信系統安全態勢預測效率。

2.3.3 ?Hadoop分布式數據處理平臺的優越性測試

為了分析Hadoop分布式數據處理平臺的優越性，選擇傳統單節點數據處理平臺進行對比測試，建模方法均采用ELM，不同數據集下，訓練樣本和測試樣本根據5[∶]1進行劃分，光纖通信系統安全態勢建模時間如圖6所示。從圖6可以看出，當前數據集規模較小時，Hadoop分布式數據處理平臺的建模時間還長于單節點數據處理平臺，這主要是因為各節點之間的協調需要一定的時間，隨著光纖通信系統安全態勢預測數據集規模不斷增加，Hadoop分布式數據處理平臺和單節點數據處理平臺的建模時間不斷增加，但是Hadoop分布式數據處理平臺增幅小，單節點數據處理平臺的建模時間急劇上升，而且數據數量越大，Hadoop分布式數據處理平臺優勢就更加明顯，驗證了本文選擇Hadoop分布式數據處理平臺進行光纖通信系統安全態勢預測的優越性。

3 ?結 ?語

針對光纖通信系統安全態勢預測建模過程中精度低、實時性差等不足，本文提出了基于大數據分析技術的光纖通信系統安全態勢預測方法。采用Hadoop分布式數據處理平臺對光纖通信系統安全態勢進行并行處理，采用ELM作為光纖通信系統安全態勢預測算法，測試結果表明，本文方法提升了光纖通信系統安全態勢預測精度，改善了光纖通信系統安全態勢建模效率，相對于其他光纖通信系統安全態勢預測方法，具有更高的實際應用價值。

參考文獻

[1] 陶源，黃濤，張墨涵，等.網絡安全態勢感知關鍵技術研究及發展趨勢分析[J].信息網絡安全，2018（8）：79?85.

[2] 王健，李可，趙國生.面向感知質量保障的安全態勢預測優化模型[J].華中科技大學學報（自然科學版），2018，46（1）：22?25.

[3] 劉世文，司成，張紅旗.一種細粒度的網絡威脅態勢評估方法[J].計算機工程與應用，2018，54（10）：149?153.

[4] 郭毅，段海新，張連成，等.基于特征融合相似度的域間路由系統安全威脅感知方法[J].中國科學：信息科學，2017，47（7）：878?890.

[5] 文志誠，陳志剛，鄧曉衡，等.基于多源多層次信息融合的網絡安全態勢感知方法[J].上海交通大學學報，2015，49（8）：1144?1152.

[6] 王法玉，張曉洪.多源事件融合的網絡安全態勢評估方法[J].計算機工程與設計，2016，37（6）：1440?1444.

[7] 張瑞芝，唐湘滟，程杰仁.基于改進模糊C?均值聚類的DDoS攻擊安全態勢評估模型[J].計算機工程與科學，2018，40（11）：1957?1966.

[8] 文志誠，陳志剛，唐軍.基于時間序列分析的網絡安全態勢預測[J].華南理工大學學報（自然科學版），2016，44（5）：137?143.

[9] 李璽，盧昱，劉森，劉鋒.基于Markov game模型的裝備保障信息網絡安全態勢感知方法研究[J].計算機應用研究，2017，34（11）：3441?3445.

[10] 陳維鵬，敖志剛，郭杰，等.基于改進的BP神經網絡的網絡空間態勢感知系統安全評估[J].計算機科學，2018，45（z2）：335?337.

[11] 江洋，李成海，魏曉輝，等.改進PSO優化RBF的網絡安全態勢預測研究[J].測控技術，2018，37（5）：56?60.

[12] 孫衛喜.用于網絡安全態勢預測的粒子群與支持向量機算法研究[J].計算機應用與軟件，2019，36（6）：308?316.

[13] 李曉賓，李淑珍.模糊動態貝葉斯網絡防御態勢感知模型[J].探測與控制學報，2017，39（3）：124?129.

[14] HUANG G B， ZHU Q Y， SIEW C K. Extreme learning machine： theory and applications [J]. Neurocomputing， 2006， 70（1）： 489?501.

[15] 王倩，譚永杰，秦杰，等.基于Hadoop分布式平臺的海量圖像檢索[J].南京理工大學學報，2017，41（4）：442?447.

[16] 湯永利，李偉杰，于金霞，等.基于改進D?S證據理論的網絡安全態勢評估方法[J].南京理工大學學報，2015，39（4）：405?411.

[17] 楊豪璞，邱輝，王坤.面向多步攻擊的網絡安全態勢評估方法[J].通信學報，2017，38（1）：187?198.