云计算环境中移动网络低匹配度异质信息入侵感知预测算法
2019-11-28陈惠娟
陈惠娟,赵 旭,陈 亮
(西安工程大学 计算机科学学院,西安 710048)
随着云计算技术的高速发展,云计算环境中移动网络广泛应用于物流、商务、航海等领域.在云计算移动网络中,低匹配度异质信息的特征与复杂性令低匹配度异质信息入侵感知预测十分困难[1-6].因此,寻求有效算法准确预测云计算移动网络中的低匹配度异质信息,采用合理措施对该信息进行处理,有利于提高云计算环境中移动网络的安全性及质量.传统云计算移动网络中对低匹配度异质信息入侵感知预测算法主要有两种:1) 把低匹配度异质信息的全部节点与连接都作为同一类型进行处理;2) 单独处理低匹配度异质信息的各类型节点,无视各类型连接间的关联性[7].上述两种传统算法均存在重要信息易丢失的问题,因为不同类型的低匹配度异质信息间的连接代表不同的意义,具有不同的构成机制[8],并且能够互相关联、互相作用.所以,在进行云计算环境中移动网络低匹配度异质信息入侵感知预测时,区分不同的低匹配度异质信息十分重要[9].传统灰色神经网络组合预测算法,在云计算环境中进行移动网络低匹配度异质信息入侵感知预测时,因入侵信息较复杂,对信息入侵预测的精度较差,导致互联网信息防御性降低.因此,本文提出一种新的云计算环境中移动网络低匹配度异质信息入侵感知预测算法,通过构建云计算环境中移动网络低匹配度异质信息入侵预测模型,解析并检验低匹配度异质信息入侵网络传输中的信息和参数,构建低匹配度异质信息概率矩阵,实现云计算环境中移动网络低匹配度异质信息入侵感知预测.
1 算法设计
先运用灰色模型对云计算平台网络中低匹配度异质信息进行预处理,解析并检验异质信息入侵网络传送中的信息,再通过元路径对异质信息入侵进行感知预测.由于低匹配度异质信息中有很多不同类别的信息节点,因此信息节点间采用不同的关系对信息进行连接[10].运用组合信息对象在不同元路径上构造连接展开入侵预测,以提升云计算平台移动网络低匹配度异质信息预测的精确度[11].
1.1 初始低匹配度异质信息预处理
由于云计算移动网络中的低匹配度异质信息入侵在时间序列上存在繁琐性、非线性的特点[12],因此为了确保信息与信息规则相符,通过灰色模型对初始低匹配度异质信息进行预处理,达到降低干扰因素的作用,将初始低匹配度异质信息进行转换得到有序数列.低匹配度异质信息包的时间序列表达式为
X={X0,X1,X2,…,Xn}.
(1)
运用AGO函数得到序列X′,使信息包的时间序列灰色模型变为
X′={AGOX0,AGOX1,AGOX2,…,AGOXn}.
(2)
根据X′构造方程
(3)
其中:a表示信息发展灰度;u表示操控信息灰度;t表示时间序列的某时刻.
设灰色网络的表达式为
(4)
(5)
于是
(6)
(7)
(8)
(9)
式(1)~(9)为构造灰色模型的偏差模拟和演练过程,该过程实现了云计算环境中移动网络初始低匹配度异质信息序列的预处理.
1.2 基于元路径的低匹配度异质信息入侵感知预测算法
采用灰色模型对云计算环境中移动网络初始低匹配度异质信息进行预处理后,获取了初始低匹配度异质信息有序序列,在此基础上,再采用基于元路径的低匹配度异质信息入侵预测算法,完成云计算环境中移动网络低匹配度异质信息的入侵感知检测.
已知信息节点vi,作为信息特征节点,其节点类别为τ(vi).令云计算环境移动网络中低匹配度异质信息入侵特征类别为S,信息目的节点为vj,其节点类别为τ(vj),信息目的类别为T.假设所给的元路径为Pm时,信息入侵目的之间为各自孤立的,相邻矩阵Wm的关系式为各自孤立出现的[15],信息节点路径两边的任意节点间为孤立的,相对低匹配度异质信息特征S和信息目的类别T,给出元路径Pm,则其概率为
(10)
其中:wij,m表示信息节点vi和vj间元路径Pm上观察到的信息权值;Wm和Πm分别表示相邻矩阵和概率矩阵;πij,m表示i和j路过元路径P可能相连的概率.
若令πi,m表示包含参数φi,m的信息分布,入侵信息αm通过观察的相邻矩阵Wm与概率矩阵Πm确定,找到am,令信息入侵权重观察的相邻矩阵为amWm时,πi,m后验概率达到最大,则
am=argmaxP(πi,m|amwi,m).
(11)
根据式(11)得云计算环境中移动网络低匹配度异质信息入侵的概率密度为
(12)
θ=argmaxJ(θ),
(13)
其中J(θ)表示信息参数的步长.通过元路径算法令低匹配度异质信息入侵参数达到最优,信息参数更新过程如下:
(14)
其中:ηθ表示信息参数迭代步长;θt-1表示信息参数迭代次数.通过信息目的函数求解低匹配度异质信息分布参数φij,m的偏导数,则
(15)
(16)
根据信息入侵迭代步长,更新获得的信息分布参数为
(17)
通过观察云计算环境中移动网络低匹配度异质信息入侵相邻矩阵和分布参数,构造信息概率矩阵,设置信息入侵对象vi及其与入侵目的对象vj相连的概率πij,在给出异质信息入侵相邻矩阵及参数的前提下,得到最大化πi,m的后验概率为
(18)
(19)
其中πij,m表示πi,m的第j个异质信息.
运用组合信息节点对元路径构造相连概率,即πij=∑πij,m,完成云计算环境中移动网络低匹配度异质信息入侵感知预测.
1.3 低匹配度异质信息入侵攻击意图预测算法
为了有效抵御云计算环境中移动网络入侵攻击,需对预测出的低匹配度异质信息入侵攻击意图进行预测.通过对云计算环境中移动网络低匹配度入侵异质信息攻击意图进行预测,得到入侵信息原始概率分布,计算出攻击意图矩阵,构建攻击意图逻辑关系图,计算出攻击获得的效用函数,基于此实现移动网络低匹配度异质信息入侵攻击意图预测.
令Sse表示初始云计算环境中移动网络低匹配度异质入侵预警信息,将与Sse相同属性的Sjk入侵预警信息设置为特级入侵预警信息,Xsd,Xyd分别表示攻击X中存在的两个意图,aij表示两个意图间的状态转换概率,则云计算环境中移动网络低匹配度异质入侵信息原始概率分布为
(20)
其中wsdjj为攻击意图关联规范.
令udf表示云计算环境中移动网络低匹配度异质信息入侵预警信息权重,gdf表示权重分派集,kdf表示归属度矩阵,Alert表示云计算环境中移动网络低匹配度异质信息攻击意图判断的未知元素,δde表示意图状态转换概率最大权重,bj(ot)表示观察值ot状态时出现的概率值,o表示观察序列,则云计算平台移动网络低匹配度异质信息攻击意图状态矩阵可表示为
(21)
其中Edfpp为攻击意图项集.
若令sdjj表示云计算环境中移动网络低匹配度异质信息攻击完成的概率,aij表示攻击ai完成后达到状态sj的概率,o表示观察事件置信度,oi表示攻击观察事件oi证实ai发生的概率,则云计算平台移动网络低匹配度异质信息攻击意图可表示为
(22)
若令εdfgg表示观察事件置信度数值范畴,O(s,A)表示状态节点集s与攻击节点集A中节点积聚概率,将O(s,A)设置成观察事件序列中存在的攻击意图总概率,则可得攻击获得的有效函数为
(23)
其中:θsdpp表示全部节点积聚概率;edff表示存在最高概率攻击路径;zxgg表示节点与有向边数量的总数;ddffp表示有效攻击意图数;tfg表示同一性质的攻击攻略.若令use表示存在最高几率的攻击节点,Pep为低匹配度异质入侵信息原始概率分布,则可进一步实现对云计算平台移动网络低匹配度异质信息入侵的攻击意图预测:
(24)
2 实验分析
下面对某云计算环境中移动网络进行低匹配度异质信息入侵感知预测仿真实验,以验证本文实验的有效性.实验区域为1 580 m×1 580 m,信息节点数量为55 个,恶意节点数量为12个,信息节点运动速度为57 m/s,恶意信息数据为46 条.
2.1 算法数据发送成功率验证
图1 3种算法低匹配度异质信息发送成功率对比Fig.1 Comparison of transmission success rates of three algorithms with low matching degree heterogeneous information
图1为本文算法、基于灰色神经网络组合入侵预测算法和基于参数选择属性网络入侵预测算法,对实验云计算环境中移动网络的低匹配度异质信息数据发送成功率的对比.由图1可见,开始10 s内本文算法与其他两种算法的信息发送成功率均较高,随着时间的延长,发送次数不断增多,两种对比算法均存在着某些信息节点无法顺利发送信息数据的问题,导致信息数据发送成功率较低,而本文算法采用元路径对实验云计算环境中移动网络低匹配度异质信息节点入侵进行预测,能保持信息数据发送成功率一直处于较稳定的状态.
2.2 算法入侵节点防御成功率验证
图2为3种算法对实验云计算环境中移动网络的低匹配度异质信息入侵节点防御成功率的对比.由图2可见,对比算法在进行异质信息入侵防御时,未对恶意节点发起检验,使信息节点消耗能量,同时信息节点能力持续降低,防御能力不稳定,并随着信息节点能量的下降防御能力不断降低,而本文算法在同一时间段内,对入侵节点的防御成功率一直处于稳定状态,防御成功率约为85%.实验结果表明,本文算法有效提升了云计算环境中移动网络低匹配度异质信息入侵节点防御的成功率.
2.3 算法准确率验证
图3为3种算法对实验云计算环境中移动网络低匹配度异质信息入侵感知预测准确率的对比.由图3可见,本文算法的低匹配度异质信息入侵感知预测准确率比另外两种对比算法高,这是因为本文算法对低匹配度异质信息进行预处理,降低了干扰因素的不利影响,再运用元路径对异质信息入侵节点进行预测,有效提升了网络低匹配度异质信息入侵感知预测准确率,达到了保障云平台移动网络安全的作用.
2.4 算法入侵攻击意图预测有效性验证
为验证本文算法对云计算环境移动网络中低匹配度异质信息入侵攻击意图预测的有效性,下面对3种预测算法进行入侵攻击意图预测对比实验.通过对比误警率和漏警率两项指标,对本文算法与基于灰色神经网络组合入侵预测算法、基于参数选择属性网络入侵预测算法的有效性进行比较,结果分别如图4和图5所示.
图2 3种算法低匹配度异质信息入侵 节点防御成功率对比Fig.2 Comparison of success rates of defense for intrusion node of three algorithms with low matching degree heterogeneous information
图3 3种算法低匹配度异质信息入侵 感知预测准确率对比Fig.3 Comparison of intrusion awareness prediction accuracy of three algorithms with low matching degree heterogeneous information
图4 3种算法预测误警率对比Fig.4 Comparison of predicting false alarm rate of three algorithms
图5 3种算法预测漏警率对比Fig.5 Comparison of predicting missed alarm rate of three algorithms
由图4和图5可见,相对于其他两种对比算法,本文算法对云计算环境中移动网络低匹配度异常信息入侵攻击意图预测更有效,因为本文算法在对入侵攻击意图进行预测时,能反映出入侵攻击由一个主体到另一个主体的转移过程,获得了攻击意图完成的最大概率,从而有效保障了移动网络的安全.
综上所述,本文提出了一种新的云计算平台网络低匹配度异质信息入侵感知预测算法,先运用元路径对低匹配度异质信息进行感知预测,再通过不同元路径上信息对象的关联概率,对信息入侵进行预测,并对网络低匹配度异质信息入侵攻击意图进行准确检测.实验结果表明,本文算法实现了网络低匹配度异质信息入侵的全面、准确预测,有效提升了云计算环境中移动网络的安全性.