机器学习下计算机网络安全管理浅析

时间：2023-05-10 04:32:53

摘要：网络信息的快速发展给居民生活、生产带来了极大的便捷，但随之而来地产生了诸多计算机网络安全隐患。为此，分析和制定计算机网络安全管理策略势在必行。本文在此基础上通过分析计算机网络安全产生的原因，并针对此提出当前最为广泛使用的机器学习安全管理技术。首先分析机器学习设计原则、整体构架和网络安全结构，随后，详细介绍了SVM算法、BP神经网络算法和Web端技术，论述在机器学习智能化、准确化的优势特征下，计算机网络安全管理预测分析技术层面，最后，通过描述网络安全管理技术实现和未来预期目标进行展望。以期通过机器学习的特征优势，为基于机器学习的计算机网络安全管理智能、高效、准确的实现提供较为科学的依据。

关键词：网络安全；SVM方法；BP神经网络方法；管理；实现

1引言

当前国内，随着经济和智能化计算机信息的不断发展，使互联网应用技术在科技、生活、生产等多方面的作用愈发重要[1]。有关网络安全管理的问题也逐步出现，如：在2019年，我国计算机信息安全预防中心发现不同平台中存在安全隐患漏洞约11000个，其中以分布式拒绝服务攻击和大流量攻击为主，不仅造成计算机安全管理困难，而且对用户信息保护造成巨大安全隐患[2-3]。在此基础上，本文通过有序开展高质量、智能化的机器学习安全管理技术，以改善计算机网络流量安全、信息安全和网络平台安全等[4]。机器学习不仅能有序地统一该领域知识信息，而且对领域管理、调配有着关键作用。目前，机器学习技术已经成功应用在日常购物、阅读、出行、工作等领域中，如在生活领域，机器学习记录用户搜索信息、搜索历史，并将其存储于数据库，实现操作便捷[5]；在工作领域，机器学习在计算机内部过滤有害文件、广告、邮件等。随着机器学习技术的不断发展革新，在计算机网络安全中其作用、影响程度越发受到重视，网络安全管理员通过机器学习网状化管理模式，实现信息资源共享共建，以此快速查杀计算机网络中存在的漏洞，提高安全管理等级和效率。本文为优化计算机网络安全管理技术模式，改善传统安全管理方式的不足，通过智能化、基础化和网状化的机器学习技术实现全方位、多层次的安全管理模式。首先，设计和构建机器学习安全管理模式，其次，详细阐述关键技术支持向量机（SupportVectorMachines，SVM）方法和BP神经网络（BackPropagation，BP）方法，最终，评估机器学习方法的安全管理效果，以期为计算机网络安全管理技术提供科学的技术支持。

2机器学习安全管理系统总体设计

2.1设计原则

为掌握基于机器学习的计算机网络安全管理技术，本文机器学习系统按照以下四个原则进行设计应用：（1）科学性；（2）直观性；（3）安全管理稳定性；（4）信息可扩展性。四原则一方面有助于用户了解机器学习安全管理系统，增强管理技术，另一方面有助于解译机器学习方法和核心技术。其中，科学性是本文采用的SVM算法和BP神经网络算法对计算机网络安全形势进行预测评估，相比传统安全管理方法，机器学习方法极大地提升安全评估的预测结果准确性，提升安全管理效率[6]；直观性一方面展示了当前计算机系统的网络安全预测态势结果，另一方面通过可视化展示了预期评测的状态和历史数据的陈列，有助于网络安全管理者直观、准确掌握计算机网络安全状态；安全管理稳定性不仅保证了计算机各个模块系统的稳定运行，而且提高了不同模块间的信息安全共享共建；信息可扩展性方面，机器学习根据计算机系统现状，在安全设计过程中，预设安全防护工具扩展性。

2.2整体结构设计

图1为基于机器学习方法的计算机网络安全管理整体结构设计流程。通过图1可知，网络安全管理系统主要分为用户、专业技术工程师模块、人机交互模块和计算机数据库安全管理系统模块。其中，人机交互模块为机器学习方法设计核心，主要由解释机制、机器学习推理和知识获取三部分组成，各模块和重要组成部分功能分别如下：（1）用户体系主要对计算机网络安全进行量化评估，随后，根据评估结果、采集的数据信息和态势值进行相关预测；（2）机器学习推理主要对选取的部分数据进行态势评估，生成所需格式数据，进而通过SVM或BP神经网络算法获取当前计算机网络安全态势，对网络安全进行评估预测；（3）知识获取方面，主要通过计算机网络流入/流出流量变化值、网络传输控制协议、用户数据协议（TransmissionControlProtocol，TCP）、TCP数字包字节比重等进行网络数据采集，分析预测态势；（4）计算机数据库安全管理系统针对用户信息和收集的态势信息，通过可视化方式评估安全态势，实现模块互通使用和安全管理功能。

2.3网络数据安全结构设计

本文在机器学习计算机网络安全管理整体构架的基础上，进一步解译分析网络数据安全，以提升用户/完全管理者对机器学习安全管理技术的认知。首先，通过计算机网络数据预处理来源主要为海量数据库资料，获取数据库网络数据资料后，进行相关特征参数提取，其次通过特征参数和数据资料源构建机器学习模型（SVM模型和BP神经网络模型），通过海量数据库资源交叉认证和分类后，以机器学习模型预测评估计算机网络安全态势，构建相对应安全管理制度。

3机器学习关键技术分析

3.1SVM技术分析

目前，在机器学习领域中，因SVM算法预测评估精准度较优，使其在计算机网络安全管理领域中被广泛应用。其原理是通过对数据库核函数的选择和模型参数优化，多种核函数满足某一特征值时，通过最优分类平面优选核函数，随后经过由低维空间到高维空间的映射，将数据结果进行预测分类，以此，实现网络安全管理流程。当前，在SVM算法中，常用的核函数如下：径向基核函数：k(x,y)=exp(−|x−y|2/σ2)（1）多项式函数：k(x,y)=[(x.y)+1]d（2）SVM算法针对计算机网络安全管理评估预测的基本操作流程如下：（1）通过计算机海量数据库实现对计算机网络安全隐患的资料数据的收集、整合和机器转化过程，为模型评估分析做准备；（2）通过输入相关网络安全隐患资料，实现分隔超平面，通过SVM算法对数据分析整理；（3）在进行计算机网络安全相关数据训练时，针对数据特征，调整算法参数，保证模型准确化评估预测，同时根据SVM模型二分类器的特征，实现针对多种分类问题合理化计算，以智能化服务于计算机网络安全管理。

3.2BP神经网络分析

BP神经网络是机器学习中重要且关键的一门学科，其是集信息知识获取、分析和预测于一体的精准化结果预测模型。本文图2为BP神经网络交叉验证示意结果，通过图2可知，BP神经网络主要由Xi输入层、ai藏匿层和Yi输出层构成，每一神经层既相互独立，但每一层与层之间又相互联系，层层间通过权重系数进行共享共建。而BP神经网络主要通过数据集训练、特征向量间权重系数相乘，随后通过激励函数数据格式转变后进行传输，将输出Yi层的结果与实际结果计算误差值，进行参数和权重系数调整，最终完成BP神经网络训练全过程，实现对计算机网络安全进行预测分析。BP神经网络对计算机网络安全数据信息经过多次迭代后的输出结果。其主要通过对各层输入和输出的参数进行判定分析，当E（a）值大于阈值后，修正阈值，再次经过参数判定，经过多次迭代后，满足阈值，即BP判定结果成立。BP算法主要是对输入或输出结果进行映射，数据在BP神经网络中不断训练，再次迭代训练多次后，得到的数据结果更为精准、有效，进而对输出结果数据学习，明确训练样本输入和输出间的对应规则。计算机网络安全BP神经网络训练过程具体如公式3-4所示：其中，BP网络输出层节点取值为：1()kkjjkpjyσVbβ==∑+（3）使用误差平方和来判断训练过程是否结束：211()2kkqkEOy==∑−（4）式中：kO为期望输出；E为达到预期目标时，将输出层的误差反向传递至隐藏层和输入层。3.3Web端技术在计算机网络领域中，Web技术不仅是互联网访问的基础，而且是开发应用网络客户端和服务端中常用的技术手段之一。其访问方式主要分为HTTP、URL等方面。其中，在Web端，涉及多种计算机技术，如涉及开发应用的Python、C++和脚本程序等，通过对计算机数据信息资源整合、分析和预测，以实现计算机网络安全管理。在Python语言中，通过批量化运行调整数据资源，一方面通过Python语言实现了网络安全管理，另一方面极大地提升了安全工作效率。Web端主要通过计算机代码语言，对可能出现的安全隐患分析、诊断和调整。以此，既消除了安全风险，又降低了经济损耗，在当前，Web端技术是机器学习过程中不可或缺的技术手段之一。

4机器学习安全系统的实现

4.1数据采集和预测模块实现

本文在机器学习过程中首先获取网络数据信息，随后进行计算机网络安全态势分析，以保证数据信息和安全态势分析的准确性和关键作用。其中，在计算机网络安全态势感知中，主要通过安全态势提取、评估和预测等过程，完成对计算机网络信息数据采集。在预测模块中，通过UDP数据字节比重、ICMP数据字节比重，实现对采集数据的采集分析过程，进而通过SVM模型、BP神经网络模型等对数据样本训练、传输、分析和对比预测后，实现智能化、准确化和高效化的计算机网络安全管理体系。

4.2安全评估效果分析

计算机网络安全评估主要是展示安全管理态势评估和分析预测的结果。本文通过SVM算法、BP神经网络算法分别对计算机数据库样本数据训练，随后，将预测结果与实际结果进行有效性验证，若验证后结果与实际结果相差较大，再次进行机器模型参数调整、优化等后，再次进行验证比对，使预测结果精准性较高，实现有效制定安全管理策略，达到高质量、高准则的安全效果评估分析，以此保障计算机网络信息安全。

5结论

现今，机器学习方法在计算机网络安全管理领域中的关注度越来越高，在此基础上，本文首先通过介绍机器学习安全管理设计原则、整体结构和网络构造，随后介绍机器学习方法关键技术支持向量机（SVM）核函数预测数据结果；BP神经网络集知识获取、分析和预测于一体的网络训练过程和Web端技术（Python）等对计算机网络数据的诊断、分析和调整等过程，以此，通过机器学习方法的智能化和精准化优势实现计算机网络安全管理等。

作者:温志峰 单位:广东创新科技职业学院信息工程学院