无线移动通信网络入侵数据挖掘方法

前言：想要写出一篇引人入胜的文章？我们特意为您整理了无线移动通信网络入侵数据挖掘方法范文，希望能给你带来灵感和参考，敬请阅读。

摘要:为提高混合入侵数据挖掘量，提出多信道舰船无线移动通信网络混合入侵数据挖掘方法。设计混合入侵数据检测流程，检测网络混合入侵数据；比较正常数据特征与混合入侵数据特征，计算2个数据集关系，提取的混合入侵数据特征；计算混合入侵数据特征数据邻域距离、可达距离和可达密度，设计混合入侵数据挖掘流程，挖掘多信道舰船无线移动通信网络混合入侵数据，设计混合入侵数据攻击类型。实验结果表明，本文方法的挖掘混合入侵数据量高于对比方法，挖掘混合入侵数据用时更少，具有较优的混合入侵数据挖掘效果。

关键词：多信道；无线移动；通信网络；混合入侵；数据挖掘

0引言

多信道舰船无线通信网络用于传输舰船的航行信息，随着舰船数量的增加，无线通信网络数据传输量成百倍增长，网络在承受着数据压力的同时，在网络中交互的舰船信息，也存在着较高的数据入侵安全隐患[1]。数据安全与舰船航行安全息息相关，因此，需要挖掘无线通信网络中存在的入侵数据，保障舰船航行通信安全。文献[2]将入侵信号转换为频域信号，挖掘入侵数据，但该方法应用在多信道舰船无线移动通信网络中存在挖掘混合入侵数据量低的问题[2]。为此提出多信道舰船无线移动通信网络混合入侵数据挖掘方法。

1多信道舰船无线移动通信网络混合入侵数据挖掘方法

1.1检测网络混合入侵数据

多信道舰船无线移动通信网络中存在众多数据，采用阈值判断的方式，检测这些数据是否存在混合入侵数据。基于此，设计检测流程如下：1）在网络中选择正常数据集A，作为训练数据集A；2）针对选择的数据集A，采用聚类算法，计算A的聚类中心；3）确定待检测网络数据集B；BADDC4）计算到的每一个聚类中心的距离，并将距离计算结果按照从小到大的顺序排列，得到最小距离，从而得到最小距离所对应的最近类；5）确定最近类的簇半径R；CAae6）计算到的每一个聚类中心的距离，以及距离的均值和标准差；7）判断最小距离D是否大于a+Re的值；8）当D>a+Re时，此次检测的网络数据集B中，存在混合入侵数据；9）当D⩽a+Re时，此次检测的网络数据集B中，不存在混合入侵数据。BD依据以上检测流程，以聚类中心为划分的数据量中心，与待检测数据集的距离计算公式为：D(Ai,Bj)=√(Ai1−Bj1)2+(Ai2−Bj2)2+···+(Ain−Bjn)2。(1)iAjBn式中：为数据集中任意一个聚类中心值；为待检测网络数据集中任意一个待检测数据；为数据集属性总数[3]。B根据检测流程输出结果，提取确定存在混合入侵数据的待检测数据集中所有数据特征，为挖掘混合入侵数据做准备。

1.2提取数据特征

Bα=(α1,α2,···,αm)Tm=1,2,···Tα=(α1,α2,···,αm)TTα=F[ααT]F¯α=F[α]在多信道舰船无线移动通信网络下，将确定存在混合入侵数据的待检测数据集中，所有数据异常节点特征的平均值记为，其中，为数据异常节点特征的平均值总数，为转置矩阵。根据，构成数据特征矩阵，其中，为矩阵元素的关联度。此时，采用作为矩阵中的元素。根据上述数据特征比较正常数据与混合入侵数据特征，其对应关系为：ς=GTα，(2)式中：GT为正常数据特征矩阵。根据计算结果，提取异常节点特征的差异为：Eα=F[(α−¯α)(α−¯α)T]，(3)综合式（2）和式（3），混合入侵数据特征为：γ=m∑k=1F[αk−ˆαk]。(4)kˆαk=m∑k=1αkwk+βkwkwkβk式中：为数据特征矩阵中任意位置的矩阵元素；为数据异常节点特征的加权值，为矩阵中的元素所对应的特征量；为正常数据特征矩阵中的元素。由式（4）可得到混合入侵数据特征值，以此为基础可挖掘出网络中存在的混合入侵数据。

1.3挖掘网络混合入侵数据

根据此次研究提取到的混合入侵数据特征，采用LOF算法，设计混合入侵数据挖掘流程如下：1）输入混合入侵数据特征集合O。2）确定混合入侵数据特征数据对象p。pOpllp3）计算每一个混合入侵数据特征数据对象的距离，其计算步骤如下：计算数据特征集合中，所有数据到对象的距离；在所有的距离中，选择个不同的最小距离；在个不同的最小距离中，挑选一个距离最大值，作为混合入侵数据特征数据对象的距离。ppcpHh4）计算混合入侵数据特征数据对象的邻域距离。假设存在个最近邻居，将所有小于等于的距离的数据记为集合，包含数据对象，则有：H={h∈H{p}|D(p,h)}。(5)pρ5）计算对象的可达距离，利用可达距离计算其可达密度，其计算公式如下：d(p,h)=max{H(h),d(p,h)}，ρ=1∑h∈Hp⩽d(p,h)。(6)pξρ6）根据式（6）结果，计算的局部异常因子，即可达密度比率的平均值为：ξ(p)=∑h∈Hρ(h)ρ(p)|H(p)|。(7)7）根据式（7）对对象p的局部异常因子计算结果，将其按照从大到小的顺序排序；8）前y个局部异常因子值较大的数据，即为混合入侵数据。

2实验结果及分析

2.1测试环境

选择shuttle数据集，共包含50000条数据其中仅有17278条正常数据，其他数据皆为入侵数据，受到的入侵攻击类别和名称如表1所示。根据表1所示的入侵攻击名称及类别，将每2种以上的攻击数据混合，形成混合入侵数据，入侵多信道舰船无线移动通信网络，与初始数据混合。基于此次实验选择的数据集和入侵攻击类别，设计多信道舰船无线移动通信网络运行环境见如表2。多信道舰船无线移动通信网络在如表2所示的运行环境下运行shuttle数据集，采用混合攻击a（1，2），b（1，3），c（1，4），d（2，3），e（2，4），f（3，4），g（1，2，3），h（2，3，4），i（1，2，3，4）九种混合入侵攻击方式，攻击shuttle数据集，导致shuttle数据集，在多信道舰船无线移动通信网络中，除初始shuttle数据集外，产生大量混合入侵数据。2.2实验结果2.2.1第1组实验结果采用3种方法分别挖掘shuttle数据集中存在的混合入侵数据。在9种不同的混合入侵攻击方式下，产生的混合入侵数据挖掘量如表3所示。从表3可以看出，混合攻击类型越多，挖掘混合入侵数据量越少。其中，对比方法1挖掘混合入侵数据量，低于30000，挖掘到的混合入侵数据量最少；对比方法2挖掘混合入侵数据量，低于32000，虽然优于对比方法1，但是挖掘混合入侵数据量同样偏少。本文方法挖掘混合入侵数据量高于对比方法，具有较高混合入侵数据挖掘效果。2.2.2第2组实验结果在第1组实验基础上，分别统计3组数据挖掘方法，挖掘9种不同的混合入侵攻击方式下，产生的混合入侵数据用时，其统计结果如表4所示。由表4可知，随着攻击混合种类的增加，挖掘混合入侵数据用时随之增加。其中，本文方法挖掘混合入侵数据用时少于对比方法。

3结语

本文通过混合入侵数据特征，挖掘混合入侵数据，并采用实验验证本文方法的可行性，为今后的研究提供参考。

参考文献：

[1]边金良.基于数据挖掘的网络入侵检测方法[J].信息与电脑(理论版),2021,33(3):201–202.

[2]刘佳.舰船通信网络感知层异常入侵行为集成识别方法[J].舰船科学技术,2020,42(6):137–139.

[3]赵伟杰,户江民,文小琴.试论全局通讯网络模式的数据挖掘方法[J].中国新通信,2019,21(21):116–117.

作者:范玲楠 单位:辽宁警察学院