• <input id="zdukh"></input>
  • <b id="zdukh"><bdo id="zdukh"></bdo></b>
      <b id="zdukh"><bdo id="zdukh"></bdo></b>
    1. <i id="zdukh"><bdo id="zdukh"></bdo></i>

      <wbr id="zdukh"><table id="zdukh"></table></wbr>

      1. <input id="zdukh"></input>
        <wbr id="zdukh"><ins id="zdukh"></ins></wbr>
        <sub id="zdukh"></sub>
        公務員期刊網 論文中心 正文

        機器學習下計算機網絡安全管理淺析

        前言:想要寫出一篇引人入勝的文章?我們特意為您整理了機器學習下計算機網絡安全管理淺析范文,希望能給你帶來靈感和參考,敬請閱讀。

        機器學習下計算機網絡安全管理淺析

        摘要:網絡信息的快速發展給居民生活、生產帶來了極大的便捷,但隨之而來地產生了諸多計算機網絡安全隱患。為此,分析和制定計算機網絡安全管理策略勢在必行。本文在此基礎上通過分析計算機網絡安全產生的原因,并針對此提出當前最為廣泛使用的機器學習安全管理技術。首先分析機器學習設計原則、整體構架和網絡安全結構,隨后,詳細介紹了SVM算法、BP神經網絡算法和Web端技術,論述在機器學習智能化、準確化的優勢特征下,計算機網絡安全管理預測分析技術層面,最后,通過描述網絡安全管理技術實現和未來預期目標進行展望。以期通過機器學習的特征優勢,為基于機器學習的計算機網絡安全管理智能、高效、準確的實現提供較為科學的依據。

        關鍵詞:網絡安全;SVM方法;BP神經網絡方法;管理;實現

        1引言

        當前國內,隨著經濟和智能化計算機信息的不斷發展,使互聯網應用技術在科技、生活、生產等多方面的作用愈發重要[1]。有關網絡安全管理的問題也逐步出現,如:在2019年,我國計算機信息安全預防中心發現不同平臺中存在安全隱患漏洞約11000個,其中以分布式拒絕服務攻擊和大流量攻擊為主,不僅造成計算機安全管理困難,而且對用戶信息保護造成巨大安全隱患[2-3]。在此基礎上,本文通過有序開展高質量、智能化的機器學習安全管理技術,以改善計算機網絡流量安全、信息安全和網絡平臺安全等[4]。機器學習不僅能有序地統一該領域知識信息,而且對領域管理、調配有著關鍵作用。目前,機器學習技術已經成功應用在日常購物、閱讀、出行、工作等領域中,如在生活領域,機器學習記錄用戶搜索信息、搜索歷史,并將其存儲于數據庫,實現操作便捷[5];在工作領域,機器學習在計算機內部過濾有害文件、廣告、郵件等。隨著機器學習技術的不斷發展革新,在計算機網絡安全中其作用、影響程度越發受到重視,網絡安全管理員通過機器學習網狀化管理模式,實現信息資源共享共建,以此快速查殺計算機網絡中存在的漏洞,提高安全管理等級和效率。本文為優化計算機網絡安全管理技術模式,改善傳統安全管理方式的不足,通過智能化、基礎化和網狀化的機器學習技術實現全方位、多層次的安全管理模式。首先,設計和構建機器學習安全管理模式,其次,詳細闡述關鍵技術支持向量機(SupportVectorMachines,SVM)方法和BP神經網絡(BackPropagation,BP)方法,最終,評估機器學習方法的安全管理效果,以期為計算機網絡安全管理技術提供科學的技術支持。

        2機器學習安全管理系統總體設計

        2.1設計原則

        為掌握基于機器學習的計算機網絡安全管理技術,本文機器學習系統按照以下四個原則進行設計應用:(1)科學性;(2)直觀性;(3)安全管理穩定性;(4)信息可擴展性。四原則一方面有助于用戶了解機器學習安全管理系統,增強管理技術,另一方面有助于解譯機器學習方法和核心技術。其中,科學性是本文采用的SVM算法和BP神經網絡算法對計算機網絡安全形勢進行預測評估,相比傳統安全管理方法,機器學習方法極大地提升安全評估的預測結果準確性,提升安全管理效率[6];直觀性一方面展示了當前計算機系統的網絡安全預測態勢結果,另一方面通過可視化展示了預期評測的狀態和歷史數據的陳列,有助于網絡安全管理者直觀、準確掌握計算機網絡安全狀態;安全管理穩定性不僅保證了計算機各個模塊系統的穩定運行,而且提高了不同模塊間的信息安全共享共建;信息可擴展性方面,機器學習根據計算機系統現狀,在安全設計過程中,預設安全防護工具擴展性。

        2.2整體結構設計

        圖1為基于機器學習方法的計算機網絡安全管理整體結構設計流程。通過圖1可知,網絡安全管理系統主要分為用戶、專業技術工程師模塊、人機交互模塊和計算機數據庫安全管理系統模塊。其中,人機交互模塊為機器學習方法設計核心,主要由解釋機制、機器學習推理和知識獲取三部分組成,各模塊和重要組成部分功能分別如下:(1)用戶體系主要對計算機網絡安全進行量化評估,隨后,根據評估結果、采集的數據信息和態勢值進行相關預測;(2)機器學習推理主要對選取的部分數據進行態勢評估,生成所需格式數據,進而通過SVM或BP神經網絡算法獲取當前計算機網絡安全態勢,對網絡安全進行評估預測;(3)知識獲取方面,主要通過計算機網絡流入/流出流量變化值、網絡傳輸控制協議、用戶數據協議(TransmissionControlProtocol,TCP)、TCP數字包字節比重等進行網絡數據采集,分析預測態勢;(4)計算機數據庫安全管理系統針對用戶信息和收集的態勢信息,通過可視化方式評估安全態勢,實現模塊互通使用和安全管理功能。

        2.3網絡數據安全結構設計

        本文在機器學習計算機網絡安全管理整體構架的基礎上,進一步解譯分析網絡數據安全,以提升用戶/完全管理者對機器學習安全管理技術的認知。首先,通過計算機網絡數據預處理來源主要為海量數據庫資料,獲取數據庫網絡數據資料后,進行相關特征參數提取,其次通過特征參數和數據資料源構建機器學習模型(SVM模型和BP神經網絡模型),通過海量數據庫資源交叉認證和分類后,以機器學習模型預測評估計算機網絡安全態勢,構建相對應安全管理制度。

        3機器學習關鍵技術分析

        3.1SVM技術分析

        目前,在機器學習領域中,因SVM算法預測評估精準度較優,使其在計算機網絡安全管理領域中被廣泛應用。其原理是通過對數據庫核函數的選擇和模型參數優化,多種核函數滿足某一特征值時,通過最優分類平面優選核函數,隨后經過由低維空間到高維空間的映射,將數據結果進行預測分類,以此,實現網絡安全管理流程。當前,在SVM算法中,常用的核函數如下:徑向基核函數:k(x,y)=exp(−|x−y|2/σ2)(1)多項式函數:k(x,y)=[(x.y)+1]d(2)SVM算法針對計算機網絡安全管理評估預測的基本操作流程如下:(1)通過計算機海量數據庫實現對計算機網絡安全隱患的資料數據的收集、整合和機器轉化過程,為模型評估分析做準備;(2)通過輸入相關網絡安全隱患資料,實現分隔超平面,通過SVM算法對數據分析整理;(3)在進行計算機網絡安全相關數據訓練時,針對數據特征,調整算法參數,保證模型準確化評估預測,同時根據SVM模型二分類器的特征,實現針對多種分類問題合理化計算,以智能化服務于計算機網絡安全管理。

        3.2BP神經網絡分析

        BP神經網絡是機器學習中重要且關鍵的一門學科,其是集信息知識獲取、分析和預測于一體的精準化結果預測模型。本文圖2為BP神經網絡交叉驗證示意結果,通過圖2可知,BP神經網絡主要由Xi輸入層、ai藏匿層和Yi輸出層構成,每一神經層既相互獨立,但每一層與層之間又相互聯系,層層間通過權重系數進行共享共建。而BP神經網絡主要通過數據集訓練、特征向量間權重系數相乘,隨后通過激勵函數數據格式轉變后進行傳輸,將輸出Yi層的結果與實際結果計算誤差值,進行參數和權重系數調整,最終完成BP神經網絡訓練全過程,實現對計算機網絡安全進行預測分析。BP神經網絡對計算機網絡安全數據信息經過多次迭代后的輸出結果。其主要通過對各層輸入和輸出的參數進行判定分析,當E(a)值大于閾值后,修正閾值,再次經過參數判定,經過多次迭代后,滿足閾值,即BP判定結果成立。BP算法主要是對輸入或輸出結果進行映射,數據在BP神經網絡中不斷訓練,再次迭代訓練多次后,得到的數據結果更為精準、有效,進而對輸出結果數據學習,明確訓練樣本輸入和輸出間的對應規則。計算機網絡安全BP神經網絡訓練過程具體如公式3-4所示:其中,BP網絡輸出層節點取值為:1()kkjjkpjyσVbβ==∑+(3)使用誤差平方和來判斷訓練過程是否結束:211()2kkqkEOy==∑−(4)式中:kO為期望輸出;E為達到預期目標時,將輸出層的誤差反向傳遞至隱藏層和輸入層。3.3Web端技術在計算機網絡領域中,Web技術不僅是互聯網訪問的基礎,而且是開發應用網絡客戶端和服務端中常用的技術手段之一。其訪問方式主要分為HTTP、URL等方面。其中,在Web端,涉及多種計算機技術,如涉及開發應用的Python、C++和腳本程序等,通過對計算機數據信息資源整合、分析和預測,以實現計算機網絡安全管理。在Python語言中,通過批量化運行調整數據資源,一方面通過Python語言實現了網絡安全管理,另一方面極大地提升了安全工作效率。Web端主要通過計算機代碼語言,對可能出現的安全隱患分析、診斷和調整。以此,既消除了安全風險,又降低了經濟損耗,在當前,Web端技術是機器學習過程中不可或缺的技術手段之一。

        4機器學習安全系統的實現

        4.1數據采集和預測模塊實現

        本文在機器學習過程中首先獲取網絡數據信息,隨后進行計算機網絡安全態勢分析,以保證數據信息和安全態勢分析的準確性和關鍵作用。其中,在計算機網絡安全態勢感知中,主要通過安全態勢提取、評估和預測等過程,完成對計算機網絡信息數據采集。在預測模塊中,通過UDP數據字節比重、ICMP數據字節比重,實現對采集數據的采集分析過程,進而通過SVM模型、BP神經網絡模型等對數據樣本訓練、傳輸、分析和對比預測后,實現智能化、準確化和高效化的計算機網絡安全管理體系。

        4.2安全評估效果分析

        計算機網絡安全評估主要是展示安全管理態勢評估和分析預測的結果。本文通過SVM算法、BP神經網絡算法分別對計算機數據庫樣本數據訓練,隨后,將預測結果與實際結果進行有效性驗證,若驗證后結果與實際結果相差較大,再次進行機器模型參數調整、優化等后,再次進行驗證比對,使預測結果精準性較高,實現有效制定安全管理策略,達到高質量、高準則的安全效果評估分析,以此保障計算機網絡信息安全。

        5結論

        現今,機器學習方法在計算機網絡安全管理領域中的關注度越來越高,在此基礎上,本文首先通過介紹機器學習安全管理設計原則、整體結構和網絡構造,隨后介紹機器學習方法關鍵技術支持向量機(SVM)核函數預測數據結果;BP神經網絡集知識獲取、分析和預測于一體的網絡訓練過程和Web端技術(Python)等對計算機網絡數據的診斷、分析和調整等過程,以此,通過機器學習方法的智能化和精準化優勢實現計算機網絡安全管理等。

        作者:溫志峰 單位:廣東創新科技職業學院信息工程學院

        无码人妻一二三区久久免费_亚洲一区二区国产?变态?另类_国产精品一区免视频播放_日韩乱码人妻无码中文视频
      2. <input id="zdukh"></input>
      3. <b id="zdukh"><bdo id="zdukh"></bdo></b>
          <b id="zdukh"><bdo id="zdukh"></bdo></b>
        1. <i id="zdukh"><bdo id="zdukh"></bdo></i>

          <wbr id="zdukh"><table id="zdukh"></table></wbr>

          1. <input id="zdukh"></input>
            <wbr id="zdukh"><ins id="zdukh"></ins></wbr>
            <sub id="zdukh"></sub>
            中文日韩欧免费视频 | 亚洲久悠悠色悠在线播 | 亚洲国产青草衣衣一二三区 | 午夜精品久久久久久久第一页 | 婷婷在线免费公开视频 | 最新日韩中文有码在线 |