网络入侵数据智能检测平台设计范文

本站小编为你精心准备了网络入侵数据智能检测平台设计参考范文，愿这些范文能点燃您思维的火花，激发您的写作灵感。欢迎深入阅读并收藏。

摘要：现有复杂网络入侵数据检测平台易受环境因素影响，检测准确度无法满足实际需求，为此，提出并设计了一种大数据环境下复杂网络入侵数据智能检测平台。该平台由产生层、逻辑层、输出层三部分组成，利用产生层对复杂网络数据进行捕获，为平台设计提供基础；利用逻辑层对数据进行预处理、数据特征提取以及数据存储；输出层主要包括检测模块与响应模块，负责输出检测结果，并作出响应。平台中的检测程序通过复杂网络入侵数据智能检测软件完成。实验结果表明，该平台检测准确度可高达83%，且能有效避免网络环境的影响，稳定性较强。

关键词：复杂网络；入侵数据；检测；捕获；存储；响应

引言

网络技术迅速发展与因特网的日益普及，促使网络信息呈现爆炸式的方式增长，极大的促进了信息交互与信息共享，对人们工作效率的提高与生活方式的便捷具有重要作用。然而，互联网具备个性化、开放性的特点，使得网络安全问题日益突出，复杂网络入侵数据检测也越来越受到重视[1-2]。网络入侵检测作为一种主动的安全防护技术，不仅能对未经授权的网络数据进行检测，还能对已授权的数据行为进行监测，因此，为保障网络运行的安全，需要对大数据环境下的复杂网络入侵数据检测进行分析[3]。文献[4]针对网络属性的复杂性，利用倾斜时间窗口策略对数据流信息进行存储，将全部数据流特征划分为多个区间，同时组建增量模糊决策树，共同完成对复杂网络入侵数据流的检测，但无法避免高流量环境的影响；文献[5]首先确定BP神经网络的参数，将参数与网络特征融合为粒子，由此完成对网络入侵流量的检测，但检测准确度较低；文献[6]提出了基于机器学习的网络入侵检测方法，对机器学习算法进行了深入分析，并与其他算法比较在入侵检测中的能效，总结得出机器学习的优势，有效改善了传统网络存在的安全漏洞问题，但存在研究角度单一的问题，在网络环境影响下，很容易出现检测准确度低的问题。为解决上述存在的问题，提出并设计了一种复杂网络入侵数据智能检测平台。实验结果表明，本文设计的平台能高效检测复杂网络入侵数据，检测准确度高。

1.复杂网络入侵数据智能检测平台总体结构

复杂网络入侵数据智能检测框架包括事件产生层、逻辑层、输出层，入侵检测框架如下：根据以上框架，对复杂网络入侵数据智能检测平台各基本功能模块进行了详细分析，给出了检测平台总体结构图，如图2所示：该平台的事件产生层主要负责为平台提供复杂网络实时运行数据，是平台设计的基本组成成分；逻辑层主要负责对数据进行预处理，进行复杂网络数据特征提取，以及对处理得到的数据进行存储等，同时与数据库连接，由控制管理中心统一进行控制[7]；输出层主要负责检测入侵数据，并通过前端页面显示检测结果，作出响应。

2.硬件设计

平台硬件设计部分主要从复杂网络数据捕获模块、多核处理器、响应单元结构三个部分进行分析，具体如下：（1）复杂网络数据捕获模块：该模块的主要功能是从复杂网络中获取原始数据，为整个入侵数据检测平台提供原始数据信息，是入侵检测平台的数据基础。在该模块中，主要通过端口和网络协议对数据包进行捕获，并对数据长度、源端口、目的端口等信息进行采集[8-9]。（2）多核处理器多核处理器通常是指芯片级多处理器，在单个集成电路中，利用多核处理器可实现多个芯片单元构建，且各芯片单元间可信息共享[10]。多核处理器结构如图3所示：图3中，多核处理器与二级Cache通过内部网络总线相连接，各处理器对二级Cache的访问方式与访问时间相同，多个核心处理器对数据进行并行处理，以提高处理性能，有效应对各种网络流量环境。（3）响应单元结构在事件产生层对入侵数据进行捕获，以及经过逻辑层的数据分析处理后，接下来需要将处理得到的结果进行保存，并作出响应，即响应层应具备的功能。响应单元结构框图如图4所示：

3.软件设计

入侵数据检测的关键在于捕获到原始数据后，如何准确的区分数据状态是否异常，以及能否有效的发现数据入侵规则[11]。关联规则方法可用于发现网络连接数据属性，因此，本文运用关联规则方法对入侵数据关联特征进行分析，进而发现异常数据，完成对入侵数据的检测。检测流程如图5所示：数据预处理效果直接影响入侵数据检测效果，因此，对捕获得到的原始数据首先进行预处理分析，如图5所示。数据预处理主要完成冗余数据和不相关属性数据的删除任务，并对数据进行清洗，去掉数据中存在的错误和不一致信息。进行这样的相关预处理后，可提高入侵数据检测的质量和效率。

4.实验结果与分析

4.1实验环境

（1）硬件环境硬件环境如表1所示：（2）软件环境软件环境如表2所示：

4.2实验结果分析

通常情况下，网络流量较小，为充分证明本文设计平台的优越性能，分别在高流量环境与正常流量环境下，对本文平台与文献[6]平台的检测准确度进行对比分析，结果如下图所示：根据图6和图7可知，在高流量环境和正常流量环境下，本文平台的入侵数据检测准确度均高于文献[6]平台，本文平台的检测准确度随着运行时间的增加逐渐稳定在83%左右，检测准确度较高。且可以明显的看出，在正常流量环境下，文献[6]平台的检测准确度与本文平台相差较小，平均水平相差30%左右，而在高流量环境，受网络环境影响，文献[6]平台的检测准确度较低，与本文平台相比则差距较大，平均水平相差40%左右。由此可见，本文设计平台的综合性能较好。

4.3实验结论

根据上述实验内容，可得出实验结论：（1）本文平台的检测准确度较高，可高达83%，表明本文的复杂网络入侵数据智能检测平台性能较好；（2）在正常流量环境和高流量环境下，本文检测准确率均优于文献[6]平台，表明本文设计平台可有效避免网络环境的影响，稳定性好。

5.结论

大数据环境下，复杂网络安全问题日益严峻，如何有效检测入侵数据已成为研究重点。针对传统方法存在的检测准确度低的问题，本文提出并设计了复杂网络入侵数据智能检测平台。将平台划分为产生层、逻辑层、输出层三各部分，从硬件和软件两方面进行了设计。实验结果表明，本文检测平台在高流量环境下，其检测准确度仍能保持较高水平，检测性能优越。

作者：张永 杨学 单位：天津理工大学