云计算网络下的网络抗毁性估计模型仿真

杜璞

摘 要： 云计算网络能否有效运行与网络抗毁性有非常重要的关系，基于云计算网络，通过分析抗毁性指标进行云计算网络负载容量模型的构建，根据不同密度节点与不同容量对云计算网络抗毁性的影响，对其网络容量密度进行调节，得到最佳云计算网络抗毁性能。并通过仿真实验，将提出的改进算法与传统的神经网络法、模糊概率法、[GM1，N]进行对比。实验表明，改进算法对云计算网络毁伤程度估计准确性最高为0.96，连通节点数目最高为99，改进算法在网络适用性、毁伤速度、毁伤程度三方面均优于其他三种算法，实用性较强，使云计算网络数据传输过程的安全性得到了保证。

关键词： 抗毁性； 网络容量密度； 云计算； 负载容量

中图分类号： TN711?34； TP393.4 文献标识码： A 文章编号： 1004?373X（2017）07?0071?03

Simulation of network invulnerability estimation model

based on cloud computing network

DU Pu

（Shaanxi Police College， Xian 710021， China）

Abstract： The effective operation of the cloud computing network has a crucial relationship with the network invulnerability. On the basis of the cloud computing network， the load capacity model of the cloud computing network was constructed by analyzing the invulnerability indicators. According to the influence of the different density nodes and different capacities on the cloud computing network invulnerability， the network capacity density is adjusted to obtain the best invulnerability of the cloud computing network. The improved algorithm proposed in this paper is compared with the traditional neural network algorithm， fuzzy probability algorithm and GM（1， N） algorithm by means of the simulation experiment. The experimental results show that the accuracy of the algorithm to estimate the cloud computing network invulnerability can reach up to 0.96， the maximum quantity of the connection nodes is 99， the algorithm is superior to the other three algorithms in the aspects of network applicability， damage rate and damage degree， has strong practicability， and can guarantee the security of the cloud computing network data in the transmission process.

Keywords： invulnerability； network capacity density； cloud computing； load capacity

0 引 言

隨着网络技术与信息技术的快速发展，在网络中，通过云计算处理海量数据，云计算是以互联网为基础进行通信及数据交互，处理海量数据的方法[1]。云计算数据存储能力与计算能力非常强大，通过互联网提供存储空间及动态资源[2]。云计算环境中，在宽频带信道内，数据进行快速传输与聚簇，易遭受网络病毒攻击，网络安全受到威胁。要提高网络系统的稳定性及安全性，必须检测网络入侵信号和攻击信号，预测网络威胁态势，提高网络抗毁性[3]。

云计算网络能否有效运行与网络抗毁性有非常重要的关系，网络抗毁性指的是网络系统遭受意外事故、攻击、故障时能及时完成其重要任务的一种能力[4?6]。云计算抗毁性研究的是网络在遭受破坏下的可靠性能，它假设网络结构所有资料都被破坏者拥有，通过破坏者使用确定破坏策略[7]。目前的云计算网络抗毁性大多未考虑网络特性，云计算网络规模非常大，实时准确掌握全局拓扑信息不现实。通过网络，大多数攻击会继续传播，对沦陷节点、邻接节点逐步进行攻击，因此，结合云计算网络理论进行云计算网络抗毁性研究具有十分重要的意义[7]。本文基于云计算网络，对其网络抗毁性估计模型仿真进行研究。

1 大数据抗毁性过程

在云计算环境下，以网络通信效率、网络调度时间作为依据，采用区间调度效率为约束进行网络调度优化方程的构建，将模糊算法融入，使多个目标问题的能量损耗转换为单目标问题，建立网络调度能耗模型，以完成任务最早时间为准则进行网络空闲时间的搜索，优化网络调度能耗模型，使云计算环境下网络调度耗能整体降低。

2 云计算网络抗毁性估计

2.1 抗毁性指标

在设计云计算网络抗毁性前，将网络抗毁性作为一个重要衡量因素加以考虑，对抗毁性指标进行定义。根据云计算网络抗毁性的定义，在遭受攻击或遇到自然灾害时，网络抗毁性设计能使网络保持连通，维持通信正常，因而网络抗毁性的重要方面是其连通性。衡量连通性的重要指标是连通度。在网络受攻击时，决定网络性能关键因素之一是网络通信效率，包括调用节点与连通节点，在建立网络抗毁性指标时需要进行考虑。在节点间进行信息传输时，衡量经过节点数量的指标是跳数。因此，在设计云计算抗毁性网络时，要限制两节点间的跳数，这样网络通信效率才能得到保证。

2.2 云计算网络负载容量模型构建

当云计算环境不同时，网络类型有所差异，为满足用户的不同需求，这些网络需同时运行。实际运行时，网络存储资源及硬件会约束网络，假设网络容量参数为[λλ>1，]网络负载为[L，]通常情况网络权重和网络容量为正比关系，表示为[C=λL，]通过式（1）对网络负载[Li]和网络容量[Ci]的关系进行描述：

[Ci=1+αLi， i=1，2，…，N] （1）

式中冗余空间比例系数用[α]表示。

式（1）可以转换为式（2）的形式：

[Ci=1+αθLiLmax-βLi， i=1，2，…，N] （2）

式中：云计算网络的两个控制参数分别为[α∈0，∞，][β∈0，1；]Heaviside梯度函数用[θx]表示；[Lmax=maxiLi]。在[β=0]时，就转化为ML模型，因ML模型比较简单，在云计算网络负载容量模型中需要引入资源分配机制，用式（3）表示：

[Ci=1+αkγikγLi， i=1，2，…，N] （3）

式中，云计算网络的两个控制参数分别为[α≥0，][β≥0，]網络资源分配控制参数用[γ]表示，在云计算网络负载容量模型中，网络结构同额外资源具有一定的相互关系，网络负载会影响额外资源，也会影响网络权重。在额外资源相同时，随着单数[α]的增大，具有加权的云计算网络抗毁性也随之递增，且稳定性较强。该模型对云计算网络具有较好的保护能力。在云计算网络负载容量模型中引入两个参数，使得资源分配机制算法得到改进，额外负载加上初始负载的和就是加权网络容量，可表示为：

[Ci=L+βLαi] （4）

式中：[α>0，][β>0，]在模型中通过调节两个参数[α，β，]调整云计算网络不同负载容量，在[α=1]时，云计算网络负载容量模型可转换为ML模型。

2.3 云计算网络抗毁性的准确估计

网络容量与网络权重会影响云计算网络抗毁性，因此不能准确估计网络抗毁性，本研究将数值模拟法引入云计算网络抗毁性估计中，对其进行优化，该算法原理是在节点遭受攻击毁伤后，节点设定的容量会被该节点负载超过，这时节点连接被断开，节点负载被重新进行分配，在节点负载保持均衡时节点重新连接。

2.3.1 云计算网络不同容量的抗毁性

云计算网络抗毁性与参数[θ]为负相关性，网络抗毁性在[θ=0.5]时达到临界值[α]，这时云计算网络抗毁性最强。云计算网络抗毁性与参数[β]呈正相关，网络抗毁性在同时存在参数[α，][β]时与[θ]呈反相关。网络抗毁性在[θ≤0.3]时较强，在[θ]值不断提高后，就加大了网络攻击强度，同时提高了云计算网络被毁伤的速度，网络毁伤速度在[θ>0.4]时达到极值，这时会出现网络瘫痪，工作停止。在云计算网络容量不同时，网络抗毁能力和网络权重呈负相关，进行云计算网络抗毁性估计时，要获得网络容量与网络权重的最优关系，使得云计算网络抗毁性得到增强。

2.3.2 云计算网络不同密度节点抗毁性

在云计算网络环境中，网络抗毁性和网络中节点密度大小有着非常密切的关系，影响网络抗毁性的重要因素是参数[p]，云计算网络抗毁性和参数[p]呈正相关，在[θ]值不同时，网络抗毁性同参数[p]具有不同的相关度，节点密度随着[θ]值的减小越来越低，这时云计算网络抗毁性和参数[p]的相关性也相应变弱。

2.4 云计算网络抗毁性的优化

通过分析不同密度节点、不同网络容量对云计算网络抗毁性的影响，若要改善云计算网络抗毁性能，则需要优化网络抗毁性，通过式（5）得到云计算网络的性能函数：

[F=R-1-γSk+γSC] （5）

式中[γ]表示权重系数用。

在[θ≥0.5]时，云计算网络抗毁性会彻底崩溃。网络抗毁性随着容量的增加先增大后减小，建立云计算网络负载容量模型，对网络容量密度进行调节，使云计算网络抗毁性能达到最佳。

3 云计算网络抗毁性仿真实验

3.1 仿真实验环境

本文通过仿真实验验证云计算网络抗毁性估计的性能优势，在云计算环境下预测网络威胁态势及网络安全估计。实验平台配置包括内存为6 GB CPU、通用PC机，硬盘存储空间为1 500 GB，Linux为操作系统，双千兆带宽，采用NetLogo建立云计算仿真实验场景，采用Matlab 7数学编程实现。以Armadillo为网络病毒数据库，使用BLAS库和LAPACK库封装网络病毒数据库，设置云计算下有105个不同结构网络，采用R2L，DOS，PROBE，U2R四种攻击方式进行云计算网络毁伤；每个网络节点有105个，云计算网络抗毁性估计仿真参数的设定见表1。

3.2 不同算法实验结果

根据三种不同的传统网络抗毁性估计方法，使用改进算法进行云计算网络抗毁性估计实验，云计算网络不同算法抗毁性估计如图1所示。

设置云计算网络的实际毁伤速度和实际毁伤程度值均为1，适应度表示算法对结构不同的网络毁伤状况适应程度做出估计，算法估计值越接近1，该算法估计越准确。从图1可以看出，神经网络法与模糊概率法对云计算网络毁伤程度估计准确性偏低，估计准确性最高的是本文采用的改进算法，达到了0.96，原因是改进算法针对网络用户的抗毁性估计，根据网络结构的不同能找到毁伤因素的关键问题，使用户网络抗毁性能得到加强，防止网络因毁伤发生整体失效；神经网络法的适应度及毁伤速度估计均较低；在云计算网络实际毁伤程度方面，[GM1，N]抗毁性估计方法略弱于改进方法，但比神经网络法与模糊概率法的准确性要高；在这四种评估方法中，神经网络法抗毁性估计整体比较均衡，但性能不突出，这是因为该方法选取参数比较敏感，对模型的依赖性要强一些；本文的改进算法在网络适用性、毁伤速度、毁伤程度三方面均优于其他三种算法，这主要是因为云计算网络负载容量模型将影响网络抗毁性的因素与不同密度、不同容量相结合，并通过对网络容量密度进行调节，使云计算网络抗毁性能得到增强。

为对改进算法的优越性做进一步验证，将不同网络间连通度作为评价标准，进行不同算法网络抗毁性估计性能的评价，使云计算网络抗毁性能最佳。按照云计算网络连通度定义的规定，在云计算网络中，假定节点有[M]个，网络连通度为[k，]满足的条件为[M≥k+1，]云计算网络连通度的连通条件必须满足[k+1≤M→k≤99，]云计算网络抗毁性与网络中节点的数目为正比例关系，连通节点数目越多，网络抗毁性越强。图2为云计算网络不同算法网络连通度实验。

从图2可以看出，四种算法中改进算法的云计算网络连通节点数目最高为99，其抗毁性远大于其他三种算法，这表明在云计算环境中，改进算法的网络抗毁性估计优势非常突出，实用性较强，这样云计算网络数据传输过程的安全性就得到了保证。

4 结 语

本文基于云计算网络，通过分析抗毁性指标进行云计算网络负载容量模型的构建，根据不同密度节点与不同容量对云计算网络抗毁性的影响，对其网络容量密度进行调节，得到最佳云计算网络抗毁性能。并通过仿真实验，将本文提出的改进算法与传统的神经网络法、模糊概率法、[GM1，N]进行对比，实验结果表明，改进算法对云计算网络毁伤程度估计准确性最高为0.96，连通节点数目最高为99，改进算法在网络适用性、毁伤速度、毁伤程度三方面均优于其他三种算法，实用性较强，使云计算网络数据传输过程的安全性得到了保证。

参考文献

[1] 宋文超，王烨，黄勇，等.云计算网络下的安全等级评估模型仿真[J].科技创业月刊，2015（18）：103?104.

[2] 陈良维.云计算环境下的网络安全估计模型态势仿真[J].现代电子技术，2015，38（20）：15?20.

[3] 蔡瑾曜，吳玲达.一种通信网络抗毁性评价的改进模型[J].计算机工程与应用，2013，49（13）：85?88.

[4] 刘言，赵锐，杜磊，等.基于改进生成树优化算法的抗毁性网络设计研究[J].微型机与应用，2015，34（3）：67?81.

[5] 赵静娴.基于不重叠路径熵的网络抗毁性评估方法[J].计算机应用研究，2015，32（3）：825?827.

[6] 马润年，文刚，邵明志，等.基于抗毁性测度的赋权网络抗毁性评估方法[J].计算机应用研究，2013，30（6）：1802?1805.

[7] 王甲生，吴晓平，陈永强.不同信息条件下加权复杂网络抗毁性仿真研究[J].中南大学学报（自然科学版），2013，44（5）：1888?1895.

[8] 杨浩，谢昕，李卓群，等.多样性入侵环境下网络安全态势估计模型仿真[J].计算机仿真，2016，33（6）：270?274.