生成式對抗網(wǎng)絡(luò)的通信網(wǎng)絡(luò)安全技術(shù)分析

摘要：本文通過分析生成式對抗網(wǎng)絡(luò)的相關(guān)理論以及算法，研究了如何利用生成式對抗網(wǎng)絡(luò)技術(shù)生成模擬攻擊數(shù)據(jù)，最后對GAN在不同領(lǐng)域中的應(yīng)用進(jìn)行了闡述。

關(guān)鍵詞：生成式對抗網(wǎng)絡(luò);通信網(wǎng)絡(luò);安全技術(shù);信息安全

在整個網(wǎng)絡(luò)大空間中，人們將任何試圖或者已經(jīng)危害到網(wǎng)絡(luò)安全的惡意活動或者行為稱之為網(wǎng)絡(luò)攻擊，對此定義進(jìn)行分析后發(fā)現(xiàn)，其中包含了非常廣泛的網(wǎng)絡(luò)行為，生活中比較常見的有網(wǎng)絡(luò)穩(wěn)定性的破壞、獲得未授權(quán)文件的訪問權(quán)等。目前，計算機(jī)網(wǎng)絡(luò)安全技術(shù)在實(shí)際應(yīng)用的過程中面臨著巨大的威脅，比如網(wǎng)絡(luò)空間中信息數(shù)據(jù)安全性的威脅、網(wǎng)絡(luò)空間中所參與的網(wǎng)絡(luò)設(shè)備的安全性威脅。用戶在使用網(wǎng)絡(luò)信息技術(shù)的過程中，不但要求網(wǎng)絡(luò)系統(tǒng)及數(shù)據(jù)信息的安全，還要要求信息基礎(chǔ)設(shè)備的安全，只有這樣，才能實(shí)現(xiàn)網(wǎng)絡(luò)信息數(shù)據(jù)的保密性、完整性和有效性。隨著計算機(jī)網(wǎng)絡(luò)技術(shù)的普及，不但是我國，甚至全球相關(guān)學(xué)者都在進(jìn)行實(shí)現(xiàn)網(wǎng)絡(luò)安全問題的研究。在這個過程中，生成式對抗網(wǎng)絡(luò)（Generative Adversarial Network，GANs）得到了人們的重視，此種技術(shù)主要是對通信網(wǎng)絡(luò)加密算法進(jìn)行研究的一項(xiàng)新技術(shù)。

1 生成式對抗網(wǎng)絡(luò)的相關(guān)理論以及算法分析

1.1 生成式對抗網(wǎng)絡(luò)的理論

生成式對抗網(wǎng)絡(luò)是在基于“二人零和博弈”的思想上進(jìn)行研發(fā)的，此種網(wǎng)絡(luò)中包括了生成模型和判別模型等兩個模型，有兩個模型分別作為參與博弈的雙方，在同樣的條件下，由其進(jìn)行互相競爭，如果一方勝利，則另一方失敗，在此網(wǎng)絡(luò)中，生成模型和判別模型進(jìn)行互相競爭，如果生成模型有所收益，則代表判別模型出現(xiàn)損失，相反，如果判別模型有所收益，則代表生成模型出現(xiàn)損失，在這樣的環(huán)境下，不論生成模型與判別模型怎樣競爭，一方的收益和另一方的損失相加后永遠(yuǎn)是0，這也與物理中的能量守恒定律相似。但是通過生成模型和判別模型的互相博弈，其雙方均能夠達(dá)到強(qiáng)化、并且自覺進(jìn)行優(yōu)化的目的。將這種技術(shù)應(yīng)用在網(wǎng)絡(luò)通信安全中，尤其是基于生成式對抗網(wǎng)絡(luò)的攻擊數(shù)據(jù)生成有著極佳的效果。將經(jīng)過處理的數(shù)據(jù)與模型進(jìn)行比較和優(yōu)化，就可以得到一個能夠?qū)艉驼＿B接進(jìn)行區(qū)分的模型，通過此模型能夠?qū)阂夤粜袨檫M(jìn)行識別，從而為網(wǎng)絡(luò)的安全做好了保障。生成是對抗網(wǎng)絡(luò)實(shí)際上是將博弈論與學(xué)習(xí)進(jìn)行了結(jié)合，最后得到了生成模型和判別模型，生成模型主要是能夠?qū)?shù)據(jù)以假亂真，而判別模型則是能夠?qū)?shù)據(jù)的增加進(jìn)行判別。

1.2 Wasserstein生成式對抗網(wǎng)絡(luò)的算法分析

在上述提到的生成式對抗網(wǎng)絡(luò)相關(guān)理論中，其是利用了處理后的數(shù)據(jù)對得到的生成模型和判別模型進(jìn)行了訓(xùn)練，并且這一訓(xùn)練已經(jīng)取得了較好的效果，但是在此過程中可能存在著最優(yōu)判別器其目標(biāo)函數(shù)不能對網(wǎng)絡(luò)訓(xùn)練過程、或者訓(xùn)練崩潰導(dǎo)致生成樣本減少、生成樣本單一等相關(guān)的問題進(jìn)行預(yù)測。為了更好的解決這一問題，目前我國研究人員在生成式對抗網(wǎng)絡(luò)的基礎(chǔ)上又提出了深度卷積生成對抗網(wǎng)絡(luò)（Deep convolution generation countermeasure network，DCGAN），這一網(wǎng)絡(luò)實(shí)際上是非監(jiān)督學(xué)習(xí)的生成式對抗網(wǎng)絡(luò)（Unsupervised Learning Generative Antagonistic Network， GAN）與監(jiān)督學(xué)習(xí)的卷積神經(jīng)網(wǎng)絡(luò)（Convolutional neural network，CNN）的深度結(jié)合，研究人員通過相應(yīng)的實(shí)踐研究后發(fā)現(xiàn)，與單純的非監(jiān)督學(xué)習(xí)的生成式對抗網(wǎng)絡(luò)相比較，經(jīng)結(jié)合后生成的深度卷積生成對抗網(wǎng)絡(luò)其圖像生成效果得到了極大的提升，但是還是沒有從本質(zhì)上解決上述提到的不能對網(wǎng)絡(luò)訓(xùn)練過程、樣本單一等問題進(jìn)行預(yù)測。

Wasserstein生成式對抗網(wǎng)絡(luò)實(shí)際上是非監(jiān)督學(xué)習(xí)的生成式對抗網(wǎng)絡(luò)的升級版，與非監(jiān)督學(xué)習(xí)的生成式對抗網(wǎng)絡(luò)相比較，升級后的Wasserstein生成式對抗網(wǎng)絡(luò)其穩(wěn)定性更高，并且最主要的是能夠有效解決非監(jiān)督學(xué)習(xí)的生成式對抗網(wǎng)絡(luò)中存在的不能對網(wǎng)絡(luò)訓(xùn)練過程、訓(xùn)練模型崩潰等導(dǎo)致的樣本單一、樣本量減少等問題進(jìn)行預(yù)測的情況，更好的保證了生成樣本的多樣性，圖像的清晰率也得到了提高。

2 利用生成式對抗網(wǎng)絡(luò)技術(shù)生成模擬攻擊數(shù)據(jù)

2.1 基于非監(jiān)督學(xué)習(xí)的生成式對抗網(wǎng)絡(luò)的方法改進(jìn)策略

在網(wǎng)絡(luò)大空間中，只要是由惡意行為所產(chǎn)生的所有數(shù)據(jù)均被稱作攻擊數(shù)據(jù)，從攻擊行為開始一直到攻擊行為結(jié)束，所產(chǎn)生的攻擊數(shù)據(jù)會非常多，其包括了由傳輸控制協(xié)議（Transmission ControlProtocol，TCP）的協(xié)議包所連接的從源IP地址一直到目標(biāo)IP地址，這期間所產(chǎn)生的所有數(shù)據(jù)流。再經(jīng)過生成式對抗網(wǎng)絡(luò)技術(shù)思想構(gòu)造出一個大概的非監(jiān)督學(xué)習(xí)的生成式對抗網(wǎng)絡(luò)模型，由此模型對所得到的生成模型和判別模型進(jìn)行不斷的優(yōu)化和改進(jìn)，最后所得到的最優(yōu)判別器D則能夠?qū)W(wǎng)絡(luò)中的惡意攻擊行為進(jìn)行識別，進(jìn)而為網(wǎng)絡(luò)通信信息的安全做好保障。

在非監(jiān)督學(xué)習(xí)的生成式對抗網(wǎng)絡(luò)中，最后所得到的最優(yōu)判別器D其訓(xùn)練的效果越好，與其對應(yīng)的數(shù)據(jù)生成器G其梯度消失的也就越嚴(yán)重，這也正好與生成式對抗網(wǎng)絡(luò)理論中提到的生成模型與判別模型得到的利益與損失相加為0，這一理念思想相符合。并且當(dāng)非監(jiān)督學(xué)習(xí)的生成式對抗網(wǎng)絡(luò)中，最優(yōu)判別器D訓(xùn)練效果越差，與其對應(yīng)的數(shù)據(jù)生成器G其梯度也更加不準(zhǔn)確。所以一般來說，只有將生成式對抗網(wǎng)絡(luò)中得到的最優(yōu)判別器D訓(xùn)練的恰到好處，才能促使非監(jiān)督學(xué)習(xí)的生成式對抗網(wǎng)絡(luò)其效果發(fā)揮到最大。

2.2 生成式對抗網(wǎng)絡(luò)加密算法的實(shí)現(xiàn)

與非監(jiān)督學(xué)習(xí)的生成式對抗網(wǎng)絡(luò)相比較而言，Wasserstein生成式對抗網(wǎng)絡(luò)其性能更優(yōu)，這可能是因?yàn)閃asserstein生成式對抗網(wǎng)絡(luò)中的Wasserstein距離能夠?qū)L散度、JS散度的遠(yuǎn)近進(jìn)行準(zhǔn)確的描述，通過相應(yīng)的算法進(jìn)一步實(shí)現(xiàn)了Wasserstein生成式對抗網(wǎng)絡(luò)優(yōu)的優(yōu)越性。在對Wasserstein生成式對抗網(wǎng)絡(luò)算法進(jìn)行分析后，發(fā)現(xiàn)其與非監(jiān)督學(xué)習(xí)的生成式對抗網(wǎng)絡(luò)相比較，有了如下幾個方面的改進(jìn)：

（1）最優(yōu)判別器D最后一層省略掉了Sigmoid;

（2）最優(yōu)判別器D和與其對應(yīng)的生成器G在計算其損失函數(shù)時，均不需要進(jìn)行l(wèi)og計算;

（3）每一次對最優(yōu)判別器D得到的參數(shù)進(jìn)行更新或者優(yōu)化后，它們的絕對值被截斷到了固定常數(shù)c之內(nèi)。

對Wasserstein生成式對抗網(wǎng)絡(luò)模型進(jìn)行訓(xùn)練時，可依照如下步驟進(jìn)行：

（1）首先要構(gòu)造一個基于Wasserstein生成式對抗網(wǎng)絡(luò)的網(wǎng)絡(luò)模型，此模型中需要包括判別器D和與其對應(yīng)的生成器G，但是在正常情況下，與判別器D相比較，生成器G中所包含的卷積神經(jīng)網(wǎng)絡(luò)層數(shù)與其相同，因此，技術(shù)人員可以將判別器D的卷積核與生成器G的卷積核進(jìn)行互用轉(zhuǎn)置;

（2）為了保證Wasserstein生成式對抗網(wǎng)絡(luò)模型訓(xùn)練的便捷性，可以通過編碼器對預(yù)備文本數(shù)據(jù)庫中的數(shù)據(jù)進(jìn)行編碼訓(xùn)練;

（3）將訓(xùn)練過程中所構(gòu)造出的隨機(jī)噪聲定期輸入到生成器G模型中;

（4）對數(shù)據(jù)生成器G模型中生成的新數(shù)據(jù)與原始數(shù)據(jù)分別進(jìn)行編碼后，再輸入到判別器D模型中，由判別器D輸出判別結(jié)果，技術(shù)人員可根據(jù)判別結(jié)果對各個參數(shù)進(jìn)行修改，以此種方式進(jìn)行多次迭代，促使判別器D的判別水平得到提升。

總之，通過對深度卷積生成式對抗網(wǎng)絡(luò)、非監(jiān)督學(xué)習(xí)的生成式對抗網(wǎng)絡(luò)、Wasserstein生成式對抗網(wǎng)絡(luò)其之間的性能進(jìn)行比較后發(fā)現(xiàn)，非監(jiān)督學(xué)習(xí)的生成式對抗網(wǎng)絡(luò)中存在著網(wǎng)絡(luò)不穩(wěn)定、結(jié)果不可控等一系列安全問題，而深度卷積生成式對抗網(wǎng)絡(luò)只有通過大量的實(shí)驗(yàn)測試才能得到相對較好的效果，但是依舊沒有從本質(zhì)上解決上述提到的不能對網(wǎng)絡(luò)訓(xùn)練過程、樣本單一等問題進(jìn)行預(yù)測。與上述兩種生成式對抗網(wǎng)絡(luò)相比較，Wasserstein生成式對抗網(wǎng)絡(luò)更好的解決了上述存在的問題，且性能得到了提升，在Wasserstein生成式對抗網(wǎng)絡(luò)模型建立成功后，其能夠?qū)W(wǎng)絡(luò)中可能出現(xiàn)的攻擊數(shù)據(jù)進(jìn)行自覺的監(jiān)督，加上其能夠?qū)ψ陨砟Ｐ瓦M(jìn)行不斷的改進(jìn)和優(yōu)化，因此認(rèn)為Wasserstein生成式對抗網(wǎng)絡(luò)對檢測惡意攻擊，保證數(shù)據(jù)信息的安全有著較好的效果。

3 GAN在不同領(lǐng)域中的應(yīng)用

3.1 在高分辨率圖像中的應(yīng)用

高分辨率技術(shù)也就是從低分辨率圖像重建出與其相對應(yīng)的高分辨率圖像，當(dāng)系統(tǒng)無法采集到比較清晰的圖像時，采用高分辨率技術(shù)有著重要的現(xiàn)實(shí)意義。比如目前比較常用的監(jiān)控設(shè)備、醫(yī)學(xué)影像等。但是傳統(tǒng)的基于深度學(xué)習(xí)的方法則是通過DCGAN對原始的圖像信息進(jìn)行采集，此時所生成的高分辨率圖像并不具備紋理細(xì)節(jié)，從而比較模糊。GAN是一種生成模型，其能夠有效的解決此種問題。其剛好利用了殘差網(wǎng)絡(luò)，對相似性損失的感知，進(jìn)而生成了細(xì)節(jié)比較豐富的圖像。在此過程中對相似性損失進(jìn)行感知的過程中，重點(diǎn)需要關(guān)注的是判別器中間層的特征所表現(xiàn)出來的誤差。高分辨率技術(shù)重建的圖像質(zhì)量需要采用峰值信噪比進(jìn)行衡量和評估，如果分值信噪比值越大，則提示高分辨率重建的圖像質(zhì)量越好，如果增值信噪比值超過20dB則符合高分辨率技術(shù)重建圖像的標(biāo)準(zhǔn)。

3.2 在目標(biāo)檢測和變形中的應(yīng)用

對目標(biāo)圖像進(jìn)行檢測的過程中所存在的問題實(shí)際上也是分辨率較低，因此比較直觀的解決方法就是，將低分辨率圖像擴(kuò)大成高分辨率圖像，通過此種方法來加強(qiáng)對圖像的判別能力。由于判別器分為對抗分支和感知分支，生成大圖像的任務(wù)一般由對抗分支負(fù)責(zé)，而保證大圖像在檢測中的效用則一般由感知分支負(fù)責(zé)。目標(biāo)變形與場景轉(zhuǎn)換程序剛好相反，目標(biāo)變形則是需要在背景不變的情況下，采用一種特定的條件將圖像中的對象進(jìn)行替換，通過采用GAN編碼解碼器，將圖像分解為背景特征和目標(biāo)對象特征，然后解碼器再對要變形的對象特征和背景特征進(jìn)行重新整合構(gòu)成一個新的圖像。在此過程中比較重要的是，為了保證背景特征與要變形對象的特征在空間上進(jìn)行分離，一般需要一個具有此種圖像的圖像集和不具有此種圖像特征的圖像集這兩個分離的訓(xùn)練集。GAN還可以充分地應(yīng)用于圖像的混合任務(wù)中，也就是我們常用的將一個圖像置入另一個圖像的背景中。

3.3 在視頻生成過程中的應(yīng)用

由于GAN有著極強(qiáng)的生成能力，其不但能夠生成一種全新的視頻，還能對已經(jīng)存在的視頻進(jìn)行修改。比如視頻的后期處理，GAN在這些領(lǐng)域中的應(yīng)用極大的提高了此類行業(yè)的效率，降低了人力成本，節(jié)省了大量的時間，并且效果還較為準(zhǔn)確。一般情況下，我們看到的一種視頻都是由相對比較靜止的背景和動態(tài)的運(yùn)動目標(biāo)所組成，GAN則使用了一種包括兩個階段的生成器，3DCGAN生成器主要負(fù)責(zé)運(yùn)動前景的生成，2DCGAN生成器則主要負(fù)責(zé)禁止背景的生成，DCGAN與GAN技術(shù)結(jié)合以后生成了視頻。

4 結(jié)束語

近年來，隨著我國移動通信技術(shù)的快速發(fā)展，通信設(shè)備的不斷更新和優(yōu)化，使得更多的通信設(shè)備被應(yīng)用在了人們的生活和工作中，甚至成了人們社會生活中及工作中不可缺少的一部分，移動互聯(lián)網(wǎng)中也存儲了越來越多的信息，為數(shù)據(jù)的提取和使用提供了便利的條件，但是與此同時，人們在對數(shù)據(jù)信息進(jìn)行提取和使用的過程中，所遇到的安全問題也逐漸增多，因此，在使用通信網(wǎng)絡(luò)安全的過程中，安全隱患不可小覷。人們在享受移動通信網(wǎng)絡(luò)技術(shù)帶來的便捷的同時，實(shí)際上網(wǎng)絡(luò)攻擊無處不在，病毒的攻擊、人為的惡意破壞使得人們不得不對防火墻技術(shù)進(jìn)行隨時更新。通過建立新的生成式對抗網(wǎng)絡(luò)模型，對網(wǎng)絡(luò)中可能存在的惡意攻擊數(shù)據(jù)進(jìn)行了自動檢測可識別，保證了數(shù)據(jù)信息的安全性。在未來，這種生成對抗式網(wǎng)絡(luò)有著很大的利用價值，但是為了給移動通信網(wǎng)絡(luò)營造一個安全的環(huán)境，還需要相關(guān)技術(shù)人員進(jìn)行更加深入的研究。

參考文獻(xiàn)

[1]宋巖，胡志成，郝麗等，基于生成對抗式網(wǎng)絡(luò)的Modbus協(xié)議安全性測試方法[J].電網(wǎng)與清潔能源，2019，35 （8）：8-15，24.

[2]鄭陽，努爾布力，基于生成式對抗網(wǎng)絡(luò)的惡意URL數(shù)據(jù)生成與檢測[J].計算機(jī)科學(xué)與應(yīng)用，2020，10 （05）：935-943.

[3]劉恒，吳德鑫，徐劍.基于生成式對抗網(wǎng)絡(luò)的通用性對抗擾動生成方法[J].信息網(wǎng)絡(luò)安全，2020 （5）：57-64.

作者簡介

朱威（1981-），男，福建省福州市人。大學(xué)本科學(xué)歷，工程師。研究方向?yàn)榫W(wǎng)絡(luò)安全。