基于多空間內(nèi)存共享的數(shù)據(jù)鏈路層網(wǎng)絡(luò)包捕獲方法

胡志英

(安徽文達(dá)信息工程學(xué)院 計算機工程學(xué)院，安徽 合肥 231201)

隨著網(wǎng)絡(luò)信息傳輸技術(shù)的發(fā)展，數(shù)據(jù)鏈路層網(wǎng)絡(luò)包的數(shù)量越來越多，規(guī)模越來越大，需要構(gòu)建數(shù)據(jù)鏈路層網(wǎng)絡(luò)包的優(yōu)化捕獲和特征提取模型，結(jié)合模糊特征檢測和信息重構(gòu)的方法，進(jìn)行數(shù)據(jù)鏈路層網(wǎng)絡(luò)包的優(yōu)化捕獲和特征提取，通過層次化的數(shù)據(jù)信息融合聚類，進(jìn)行數(shù)據(jù)鏈路層網(wǎng)絡(luò)包的信息聚類分析，在層次化結(jié)構(gòu)模型中，實現(xiàn)數(shù)據(jù)鏈路層網(wǎng)絡(luò)包檢測和魯棒性分析，提高數(shù)據(jù)鏈路層網(wǎng)絡(luò)包檢測和自適應(yīng)性[1-2]，相關(guān)的數(shù)據(jù)鏈路層網(wǎng)絡(luò)包捕獲和特征檢測方法研究在智慧網(wǎng)絡(luò)構(gòu)建中具有重要意義，相關(guān)的數(shù)據(jù)鏈路層網(wǎng)絡(luò)包捕獲方法研究受到人們的極大關(guān)注.

傳統(tǒng)方法中，對數(shù)據(jù)鏈路層網(wǎng)絡(luò)包捕獲的方法主要有關(guān)聯(lián)規(guī)則挖掘方法、基于空間像素序列重組的數(shù)據(jù)鏈路層網(wǎng)絡(luò)包捕獲方法及基于統(tǒng)計特征分析的數(shù)據(jù)鏈路層網(wǎng)絡(luò)包捕獲方法等[3].文獻(xiàn)[4]中提出基于遞歸熵特征提取的數(shù)據(jù)鏈路層網(wǎng)絡(luò)包捕獲方法，采用模糊相關(guān)性融合聚類方法進(jìn)行數(shù)據(jù)鏈路層網(wǎng)絡(luò)包調(diào)度，通過自相關(guān)特征匹配，采用層次化演化聚類方法進(jìn)行數(shù)據(jù)鏈路層網(wǎng)絡(luò)包檢測和捕獲，提高了數(shù)據(jù)鏈路層網(wǎng)絡(luò)包捕獲能力，但該方法進(jìn)行數(shù)據(jù)鏈路層網(wǎng)絡(luò)包捕獲的自適應(yīng)性不好，特征辨識度不高.文獻(xiàn)[5]中提出基于關(guān)聯(lián)規(guī)則挖掘的數(shù)據(jù)鏈路層網(wǎng)絡(luò)包捕獲方法，采用匹配濾波和模糊度尋優(yōu)檢測額的方法進(jìn)行數(shù)據(jù)鏈路層網(wǎng)絡(luò)包捕獲過程中的干擾抑制，根據(jù)關(guān)聯(lián)規(guī)則特征檢測結(jié)果，實現(xiàn)數(shù)據(jù)鏈路層網(wǎng)絡(luò)包捕獲，提高檢測的精度，但該方法進(jìn)行數(shù)據(jù)鏈路層網(wǎng)絡(luò)包捕獲的計算開銷較大，復(fù)雜度較高.

針對上述問題，本文提出基于多空間內(nèi)存共享的數(shù)據(jù)鏈路層網(wǎng)絡(luò)包捕獲方法.采用網(wǎng)格分塊特征匹配方法進(jìn)行數(shù)據(jù)鏈路層網(wǎng)絡(luò)包的分塊融合處理，結(jié)合分區(qū)域的統(tǒng)計特征分析方法，進(jìn)行數(shù)據(jù)鏈路層網(wǎng)絡(luò)包的大數(shù)據(jù)挖掘和統(tǒng)計信息分析，進(jìn)行數(shù)據(jù)鏈路層網(wǎng)絡(luò)包的分塊融合和遞歸分析，采用定量遞歸分析方法進(jìn)行數(shù)據(jù)鏈路層網(wǎng)絡(luò)包的多尺度融合處理，實現(xiàn)數(shù)據(jù)鏈路層網(wǎng)絡(luò)包的優(yōu)化捕獲，在多空間內(nèi)存共享環(huán)境下，進(jìn)行數(shù)據(jù)鏈路層網(wǎng)絡(luò)包捕獲過程的自動化配準(zhǔn)和收斂性控制，提高數(shù)據(jù)鏈路層網(wǎng)絡(luò)包捕獲的自適應(yīng)性.最后進(jìn)行仿真實驗分析，展示了本文方法在提高數(shù)據(jù)鏈路層網(wǎng)絡(luò)包捕獲能力方面的優(yōu)越性.

1 數(shù)據(jù)鏈路層網(wǎng)絡(luò)包大數(shù)據(jù)挖掘與特征信息融合

1.1 數(shù)據(jù)鏈路層網(wǎng)絡(luò)包大數(shù)據(jù)挖掘

為了實現(xiàn)數(shù)據(jù)鏈路層網(wǎng)絡(luò)包大數(shù)據(jù)挖掘，采用網(wǎng)格分塊特征匹配方法進(jìn)行數(shù)據(jù)鏈路層網(wǎng)絡(luò)包的分塊拆分處理，結(jié)合分區(qū)域的統(tǒng)計特征分析方法，進(jìn)行數(shù)據(jù)鏈路層網(wǎng)絡(luò)包的大數(shù)據(jù)挖掘和統(tǒng)計信息分析.采用分層結(jié)構(gòu)挖掘的方法，進(jìn)行數(shù)據(jù)鏈路層網(wǎng)絡(luò)包的網(wǎng)絡(luò)分格特征挖掘和信息分析[6]，在數(shù)據(jù)鏈路層中，通過自適應(yīng)的結(jié)構(gòu)重組方法[7-9]，進(jìn)行數(shù)據(jù)鏈路層網(wǎng)絡(luò)包的層次化分割，分割模型為

(1)

(1)式中，Mi表示數(shù)據(jù)鏈路層網(wǎng)絡(luò)包捕獲的遞歸熵分布中位數(shù)，Lm為數(shù)據(jù)鏈路層網(wǎng)絡(luò)包檢測的最小分辨閾值，fm為數(shù)據(jù)鏈路層網(wǎng)絡(luò)包的模糊度檢測分量，fless表示各維度下數(shù)據(jù)鏈路層網(wǎng)絡(luò)包的模糊度因素.在得到層次分割模型后，進(jìn)行數(shù)據(jù)鏈路層網(wǎng)絡(luò)包的大數(shù)據(jù)特征分析，分析數(shù)據(jù)特征的分布結(jié)構(gòu)式為

(2)

根據(jù)(2)式，運用分區(qū)域的統(tǒng)計特征分析方法，將數(shù)據(jù)鏈路層網(wǎng)絡(luò)包大數(shù)據(jù)通過層次分割所獲取的數(shù)據(jù)信息進(jìn)行特征分析，并結(jié)合決策樹特征分割的方法，得到多空間內(nèi)存共享下的分布集為

Xi={?v(x1),?v(x2),…,?v(xn)}.

(3)

根據(jù)多空間內(nèi)存共享下的分布情況，通過空間區(qū)域化重建，構(gòu)建數(shù)據(jù)鏈路層網(wǎng)絡(luò)包的大數(shù)據(jù)挖掘模型為

(4)

通過上述分析，完成對數(shù)據(jù)鏈路層網(wǎng)絡(luò)包的大數(shù)據(jù)挖掘.

1.2 數(shù)據(jù)鏈路層網(wǎng)絡(luò)包特征信息融合

通過對數(shù)據(jù)鏈路層網(wǎng)絡(luò)包的大數(shù)據(jù)挖掘和統(tǒng)計信息分析，提取數(shù)據(jù)鏈路層網(wǎng)絡(luò)包的相似度特征量，形成對數(shù)據(jù)鏈路層網(wǎng)絡(luò)包大數(shù)據(jù)的預(yù)處理.通過演化特征融合分析方法，進(jìn)行數(shù)據(jù)鏈路層網(wǎng)絡(luò)包的分塊融合和遞歸分析，在層次化聚類中心，進(jìn)行數(shù)據(jù)鏈路層網(wǎng)絡(luò)包的聚類過程的收斂性控制，建立數(shù)據(jù)鏈路層網(wǎng)絡(luò)包的關(guān)聯(lián)規(guī)則分布集.采用統(tǒng)計分析方法，建立數(shù)據(jù)鏈路層網(wǎng)絡(luò)包的相似度特征分布矩陣為

(5)

其中，Wij為數(shù)據(jù)鏈路層網(wǎng)絡(luò)包標(biāo)記特征點，構(gòu)建數(shù)據(jù)鏈路層網(wǎng)絡(luò)包的包絡(luò)特征檢測模型，統(tǒng)計數(shù)據(jù)鏈路層網(wǎng)絡(luò)包標(biāo)記點，結(jié)合模糊聚類方法進(jìn)行數(shù)據(jù)鏈路層網(wǎng)絡(luò)包的融合分析，在有限的數(shù)據(jù)鏈路分布集X={x1,x2,…,xn}?Rs中，得到數(shù)據(jù)鏈路層網(wǎng)絡(luò)包標(biāo)記的n個樣本，其中樣本xi通過空間區(qū)域融合，得到數(shù)據(jù)鏈路層網(wǎng)絡(luò)包的多空間融合度分布序列表示為(w1,j,w2,j,…,wtj)，其中t表示為數(shù)據(jù)鏈路層網(wǎng)絡(luò)包的編號數(shù)目，wtj為數(shù)據(jù)鏈路層網(wǎng)絡(luò)包挖掘的加權(quán)系數(shù)，采用語義特征分解和本體結(jié)構(gòu)映射，得到數(shù)據(jù)鏈路層網(wǎng)絡(luò)包的自適應(yīng)加權(quán)系數(shù)為

(6)

其中，maxlFreqi,j為dj之間數(shù)據(jù)鏈路層網(wǎng)絡(luò)包之間的差異性特征量，表示為

(7)

(7)式中，

(8)

其中，di和dj為數(shù)據(jù)鏈路層網(wǎng)絡(luò)包捕獲的相似度屬性，通過數(shù)據(jù)鏈路層網(wǎng)絡(luò)包標(biāo)記特征點，進(jìn)行數(shù)據(jù)信息融合，構(gòu)建數(shù)據(jù)鏈路層網(wǎng)絡(luò)包的信息融合模型為

(9)

(9)式中eij表示數(shù)據(jù)鏈路層網(wǎng)絡(luò)包的全局變量.根據(jù)上述分析，完成數(shù)據(jù)鏈路層網(wǎng)絡(luò)包的信息融合.

2 數(shù)據(jù)鏈路層網(wǎng)絡(luò)包捕獲優(yōu)化

2.1 數(shù)據(jù)鏈路層網(wǎng)絡(luò)包特征提取

在上述所構(gòu)建的數(shù)據(jù)鏈路層網(wǎng)絡(luò)包大數(shù)據(jù)檢測模型的基礎(chǔ)上，采用定量遞歸分析方法進(jìn)行數(shù)據(jù)鏈路層網(wǎng)絡(luò)包的多尺度融合處理，實現(xiàn)數(shù)據(jù)鏈路層網(wǎng)絡(luò)包的優(yōu)化捕獲，完成數(shù)據(jù)鏈路層網(wǎng)絡(luò)包大數(shù)據(jù)的優(yōu)化統(tǒng)計和自適應(yīng)捕獲[10].在進(jìn)行分塊特征匹配和信息融合處理時，結(jié)合分區(qū)域的統(tǒng)計特征分析方法，進(jìn)行數(shù)據(jù)鏈路層網(wǎng)絡(luò)包的大數(shù)據(jù)挖掘和統(tǒng)計信息分析，建立數(shù)據(jù)鏈路層網(wǎng)絡(luò)包碼元分布序列[11].采用層次化融合方法，進(jìn)行數(shù)據(jù)鏈路層網(wǎng)絡(luò)包檢測的模糊度函數(shù)為

(10)

其中，z0為數(shù)據(jù)鏈路層網(wǎng)絡(luò)包的自相關(guān)特征量，zi為i點處采集的數(shù)據(jù)鏈路層網(wǎng)絡(luò)包的實測值，di表示數(shù)據(jù)捕獲點i和點0的距離，S為數(shù)據(jù)鏈路層網(wǎng)絡(luò)包的實測點統(tǒng)計特征量，K為自適應(yīng)加權(quán)系數(shù).通過相似度特征分析[12]，采用基于位置的自動化協(xié)議融合方法，得到數(shù)據(jù)鏈路層網(wǎng)絡(luò)的相空間分布特征解，得到基于位置的關(guān)鍵詞分布序列A={a1,a2,…，an},B={b1,b2,…，bm}.數(shù)據(jù)鏈路層網(wǎng)絡(luò)包的報文標(biāo)記函數(shù)為

(11)

基于位置的協(xié)議逆分析方法，得到報文標(biāo)記的格式分組模型為

(12)

通過模糊度尋優(yōu)方法，進(jìn)行數(shù)據(jù)鏈路層網(wǎng)絡(luò)包的狀態(tài)轉(zhuǎn)移控制，得到關(guān)聯(lián)規(guī)則集定義為

(13)

其中，dm+1(m)為數(shù)據(jù)鏈路層網(wǎng)絡(luò)包集在第m點的預(yù)測值，dk+1(m)為采用第m點處采集的數(shù)據(jù)鏈路層網(wǎng)絡(luò)包的頻繁項集.通過包絡(luò)特征提取和標(biāo)記樣本分析，進(jìn)行數(shù)據(jù)鏈路層網(wǎng)絡(luò)包的特征融合和優(yōu)化提取.

2.2 數(shù)據(jù)鏈路層網(wǎng)絡(luò)包的多空間內(nèi)存共享

在進(jìn)行數(shù)據(jù)鏈路層網(wǎng)絡(luò)包的聚類過程的收斂性控制，建立數(shù)據(jù)鏈路層網(wǎng)絡(luò)包的關(guān)聯(lián)規(guī)則分布集后，通過演化特征融合分析方法，進(jìn)行數(shù)據(jù)鏈路層網(wǎng)絡(luò)包的多空間內(nèi)存共享，演化特征融合分布函數(shù)為

(14)

在網(wǎng)絡(luò)會話報文協(xié)議中，建立數(shù)據(jù)鏈路層網(wǎng)絡(luò)包檢測的權(quán)重因子集為

(15)

其中，

P(K=T)=C(A+di)+s(B-dj)，

(16)

P(K=1|K=T)=(NB+dj)*C，

(17)

P(R=1)=(NS-di)+S2，

(18)

(17)式中，NB為數(shù)據(jù)鏈路層網(wǎng)絡(luò)的分布維數(shù)，(18)式中NS為表示模糊度標(biāo)記特征量.通過網(wǎng)格分塊區(qū)域融合分析，對數(shù)據(jù)鏈路層網(wǎng)絡(luò)包捕獲過程的自動化配準(zhǔn)和收斂性進(jìn)行有效控制，從而完成多空間內(nèi)存共享.

2.3 數(shù)據(jù)鏈路層網(wǎng)絡(luò)包捕獲輸出

(19)

(20)

其中，Oabj(U;c)=(uaj+ubj)+(uaj-ubj)-1，uaj和ubj表示多空間內(nèi)存共享維數(shù).

根據(jù)數(shù)據(jù)鏈路層網(wǎng)絡(luò)包捕獲輸出結(jié)果，結(jié)和多維度參數(shù)融合，對數(shù)據(jù)鏈路層網(wǎng)絡(luò)包捕獲進(jìn)行優(yōu)化，優(yōu)化結(jié)果為

(21)

綜上所述，根據(jù)優(yōu)化結(jié)果可知，運用本文方法，數(shù)據(jù)鏈路層網(wǎng)絡(luò)包特征提取、多空間內(nèi)存共享、捕獲輸出，能夠使得數(shù)據(jù)鏈路層網(wǎng)絡(luò)包的捕獲得到優(yōu)化.

3 仿真測試分析

為了驗證本文方法在實現(xiàn)數(shù)據(jù)鏈路層網(wǎng)絡(luò)包捕獲中的應(yīng)用性能，進(jìn)行仿真測試分析，采用Matlab進(jìn)行數(shù)據(jù)鏈路層網(wǎng)絡(luò)包捕獲的算法處理，得到數(shù)據(jù)鏈路層網(wǎng)絡(luò)包的采樣節(jié)點數(shù)為150，對數(shù)據(jù)鏈路層網(wǎng)絡(luò)包信息捕獲的維數(shù)為24，數(shù)據(jù)鏈路層網(wǎng)絡(luò)包的匹配系數(shù)為0.34，多空間融合度為0.17，信息捕獲的延遲為12 ms，特征采樣的頻率為16 Hz，根據(jù)上述參數(shù)設(shè)定，進(jìn)行數(shù)據(jù)鏈路層網(wǎng)絡(luò)包采樣和捕獲優(yōu)化，得到原始的數(shù)據(jù)鏈路層數(shù)據(jù)如圖1所示.

圖1 原始的數(shù)據(jù)鏈路層數(shù)據(jù)

以圖1的數(shù)據(jù)鏈路層網(wǎng)絡(luò)數(shù)據(jù)為研究對象， 進(jìn)行數(shù)據(jù)鏈路層網(wǎng)絡(luò)包捕獲，數(shù)據(jù)包捕獲輸出如圖2所示.

圖2 數(shù)據(jù)鏈路層網(wǎng)絡(luò)包捕獲輸出

分析圖2得知，利用本文方法進(jìn)行數(shù)據(jù)鏈路層網(wǎng)絡(luò)包捕獲的輸出特征聚類性較好，測試數(shù)據(jù)鏈路層網(wǎng)絡(luò)包捕獲的召回率，得到對比結(jié)果如圖3所示.

圖3 數(shù)據(jù)鏈路層網(wǎng)絡(luò)包捕獲的召回率對比

分析圖3得知，本文方法進(jìn)行數(shù)據(jù)鏈路層網(wǎng)絡(luò)包捕獲的召回率較高，測試其捕獲精度，得到對比結(jié)果見表1.

表1 數(shù)據(jù)鏈路層網(wǎng)絡(luò)包捕獲的準(zhǔn)確概率對比

分析表1得知，本文方法進(jìn)行數(shù)據(jù)鏈路層網(wǎng)絡(luò)包捕獲的精準(zhǔn)度較高.

4 結(jié)語

通過層次化的數(shù)據(jù)信息融合聚類，進(jìn)行數(shù)據(jù)鏈路層網(wǎng)絡(luò)包的信息聚類分析，本文提出基于多空間內(nèi)存共享的數(shù)據(jù)鏈路層網(wǎng)絡(luò)包捕獲方法.實驗結(jié)果表明，采用本文方法進(jìn)行數(shù)據(jù)鏈路層網(wǎng)絡(luò)包捕獲的自適應(yīng)性較好，數(shù)據(jù)的召回率較高，對數(shù)據(jù)鏈路層網(wǎng)絡(luò)包捕獲的準(zhǔn)確概率較高.