基于深度学习算法的网络安全应用研究

摘  要：按照安全管理性、直观科学性和可扩展性原则，设计了基于表征、度量深度学习算法的计算机网络安全系统架构，利用交互接口和神经网络算法、卷积运算算法两项关键算法技术进行计算机网络安全预测分析和计算机信息安全等级解译，通过解释机制的优化、深度学习算法推理及核心知识获取，实现了对计算机网络应用数据的安全常态化管理。

关键词：深度学习算法；网络安全；应用数据

中图分类号：TP18；TP39 文献标识码：A 文章编号：2096-4706（2023）12-0158-04

Research on Network Security Application Based on Deep Learning Algorithm

LI Chunmei

（Xi'an Vocational University of Automobile， Xi'an  710600， China）

Abstract： According to the principles of security management， intuitive scientificity and scalability， a computer Internet Security Systems architecture based on representation and measurement deep learning algorithm is designed. The computer network security prediction analysis and computer information security level interpretation are carried out by using two key algorithm technologies， namely， interactive interface and neural network algorithm， and convolution algorithm. By optimizing the explanation mechanism， deep learning algorithm inference， and acquiring core knowledge， the safety and normalized management of computer network application data has been achieved.

Keywords： deep learning algorithm; network security; application data

0  引  言

隨着互联网、人工智能和网络信息技术迅速发展，卷积运算、决策树分类、神经网络算法以及梯度分类等深度学习方法被广泛应用于信息自动化识别技术领域。与传统的计算机网络信息安全管理识别方法相比，基于神经网络和卷积运算的深度学习算法具备良好的信息处理、分类、存储、识别、比对等功能，可针对计算机网络安全风险进行非线性、智能化管理，大大提升了网络安全数据应用、管理效能[1]。基于此，本文主要通过基于深度学习算法的网络安全架构设计，运用神经网络技术和卷积运算技术进行深度学习，基于安全管理性、直观科学性和可扩展性原则，将深度学习算法关键技术和整体架构流程运用到计算机网络安全管理策略的制定中，更好地实现网络信息安全管理。

1  基于神经网络算法进行计算机网络安全预测

神经网络算法技术是集获取、分析和预测计算机网络信息知识为一体的预测模型，它能够运用交叉验证方法深度分析、对比深层深度学习与浅层机器学习的功能，并基于精准化预测结果，可核验分析计算机网络信息知识特征的复杂程度，以及优化深层深度学习结果精度，根据如图1所示神经网络算法模型，不难看出，图1（a）为浅层机器学习，而图1（b）为深层深度学习，两者相比，图1（b）神经网络学习法一共有三层，分别为an层、xn层和bn层，这三层均以浅层学习为主，分别承担着计算机网络信息知识输入、隐匿和输出三大基本功能，从图中可以看出，在神经网络浅层学习过程中，各层既相互联系，又互相独立，但层与层之间通过权重系数进行计算机网络信息知识特征的算法模型共享共建[2]。

与神经网络浅层学习方法相比，深度学习法在计算机网络安全预测分析过程中，为了降低预测结果误差，使计算机网络安全预测分析结果更加接近于真实参数值，通过在神经网络深层深度学习的信息隐匿层（即xn层）进行特征向量强化识别，同时开展了多次交叉验证，在深度学习中，进一步优化计算机网络安全信息数据的特征向量权重，经过调整各层参数权重系数，循环进行数据集训练，并对各向量间权重系数相乘结果进行模型深入对比分析，大大提高了计算机网络安全信息深度学习预测的评估精度，从而实现了精准化预测与安全预警[3]。

基于上述原理，在运用神经网络算法技术进行计算机网络安全预测分析过程中，为进一步探索和掌握神经网络算法主体功能，进而采用深度学习中的算法核心内容分析人工神经单元，首先需要在深度训练学习中，从输入层将计算机网络信息特征向量输入其中，然后经过隐藏层对计算机网络信息数据进行对比分析、迭代训练、浅层学习和深度学习交叉验证，最后方可将预测结果分类输出，通过数据迭代，在深度学习过程中，借助数学模型系统运算程序，基于隐藏层、输出层和感知层三层分析模式，针对计算机网络信息数据安全性进行算法预测精度评估。

在该算法模型中，感知层集合了多层感知器进行算法深度学习，基于下列公式模型对隐藏层信息进行机器学习，其中b表示偏值，输入向量、输出层输出向量分别用X （ X1， X2， X3，…， Xn ）t和Y （Y1， Y2， Y3，…， Yn ）t来表示，O为深度学习算法中的隐藏层输出向量，分别用（O1， O2， O3， …， On）t来表示。

基于上述公式进行交叉验证，从而增强了图像识别精度，并针对隐匿层各层输入和输出的计算机网络数据信息结果多次进行精准的参数判断分析。比如，在机器学习算法运行过程中，将Ha设定为感知数学模型参数阈值，依次经过神经网络深度学习，通过计算机网络图像识别结果参数判定、算法交叉验证和隐匿层信息多次迭代之后，所要输出的精准数据结果满足系统提前预设的参数阈值Ha，由此即可证明该感知数学模型和以机器学习算法为主的神经网络深度学习预测计算机网络信息评估结果成立，与此同时，经过数据隐匿层对评估结果指标多次进行深入的神经网络训练、参数结果调整、迭代结果传输，通过多次迭代循环训练之后，方能够使神经网络深度学习网络结构变得更加稳定，从而能够保证最终输出的预测分析结果更加有效、精准[4]。

2  基于卷积运算算法进行计算机信息安全解译

神经网络深度学习算法网络模型结构复杂，运算过程中所要涉及的参数较多，而且在深度学习训练中，系统需要根据隐匿层输出结果进行阈值验证，即需要深入明确和掌握数据结果学习、频繁迭代中所要参照的训练样本输入输出对应规则，这就会增加数据训练难度。相比而言，卷积运算算法技术基于加深的网络层级，能够在减少神经网络深度学习相关参数数量基础上，高标准度表示计算机信息安全等级参数，卷积神经网络模型结构示意图如图2所示。基于此，在计算机网络安全管理中，经常需要将神经网络深度学习算法和卷积运算算法技术融合在一起进行使用，它显著的优势就是在深度学习算法基础上，可基于计算机网络图像识别精度和向量特征，通过如图3所示的基本流程，对计算机信息安全等级特征进行算法识别[5]。

从图3可以看出，输入计算机相关数据信息以后，系统首先需要进行处理、镶嵌计算机网络安全信息特征向量，其次，将经过识别后的计算机网络安全信息特征向量依次传输至分别包含卷积层1、2的深度卷积层网络模型中，经过多次深入进行深度卷积网络运算，对相关特征向量参数进行折叠处理、动态池化，基于Relu激活参数，即可提升计算机网络信息卷积运算学习结果准确度。然后，经过卷积特征循环运算，即可通过全连接层将运算后的计算机网络信息卷积学习特征向量信息输出，并用于计算机网络安全信息安全等级解译。

从上述技术原理来看，卷积特征运算融合了深度学习算法优势，通过进一步解译分析计算机网络安全信息等级，在充分提取深度学习和卷积算法优势特征基础上，有效实现了信息安全等级解译，但是需要注意的是，在提取卷积运算特征过程中，由于卷积运算各特征面均由上一层特征面的卷积核、神经元等多个特征面进行深度学习和卷积运算，所以经过运算后的征向量信息需要再经过如式（6）卷积运算公式进行激活函数操作，从而方可输出准确的学习运算结果：

式中，P和b分别表示局部感受野和1层上的偏置值，第i层上的卷积核的权重以及第1-1层第i个窗口的特征值分别用k和x - 1表示。f表示卷积运算激活操作输出函数Relu。

3  基于深度学习算法的网络安全应用及实现

3.1  计算机网络风险识别

从前文的论述研究中可以看出，深度学习算法技术在预测评估计算机网络安全数据特征向量信息过程中，往往具有“多次交叉验证”和“多次迭代”等技术优势与特征，因此在基于深度学习算法进行计算机网络安全风险识别研究中，可基于如图4所示的技术流程实现相关准确预测与评估功能[6]：

1）基于深度学习算法进行计算机网络安全信息特征向量获取，进一步构建预测评估计算机网络安全信息结果的安全警示模型，利用数据特征向量信息预测评估功能模块的计算机网络安全风险识别功能，即可实现对特征向量的筛选与计算机数据的降维分析。

2）将获取的各类数据信息特征要素完整导入计算机网络安全信息特征分析模型中，通过借助神经网络预测评估模型进行数据多次交叉验证分析和多次迭代处理，从而在深度学习与卷积运算中，深入分析并提取计算机网络安全信息的精准数据信息特征向量。

3）对各类信息特征向量进行模型评估分析之后，基于深度学习算法迭代和卷积激活函数操作输出后的计算机网络安全信息数据特征要素值结果，即可用于计算机网络信息安全等级的提示、分析、检索和预警等。

3.2  信息安全诊断预警

表征学习和度量学习是深度学习算法中的两个关键环节和步骤，前者是实现对采集的计算机网络安全信息数据进行重识别，而后者则是对计算机网络安全信息数据识别误差度距离进行衡量，因此，表征、度量学习能够针对计算机网络安全信息数据进行提示预警和安全诊断，它们作为深度学习的关键要素，从本质上决定了信息识别结果精度与网络数据信息误差度距离大小，所以通过表征、度量学习之后，即可分析指导计算机网络安全管理实践。但是在具体应用过程中，通常需要对所获取的单一特征进行训练，经过深度的计算机网络数据特征向量分析对比，不仅能够有效提升计算机网络安全管理水平，而且还可提高复杂环境下的计算机网络数据信息识别精度，有效避免了网络安全管理事故發生。

相较而言，特征向量在本质上与度量学习存在较大区别，例如在基于深度学习算法进行计算机网络安全风险识别和信息安全诊断、提示预警过程中，将视频信息输入计算机，通过对同ID设备下的视频信息主体相似度进行筛选分析之后，即可有效区分扩大不同ID间与同ID设备下两者距离，然后基于下列特征相似度公式进行欧式距离特征相似度分析，其中网络安全信息特征相似度可用两项指标df 1与df 2来表示。式（7）中，df 1、df 2表示ID网络视频信息输入相同的计算网络载体后，同ID设备下及扩大不同ID间两者间的特征相似度值。而af 1表示网络前向传播中用于指导网络安全管理过程中所要提取优化的计算机网络安全特征向量值[7]。

3.3  网络安全评估测试

计算机网络安全管理风险态势评估主要是通过卷积运算与神经网络相结合的深度学习算法，对提取的特征向量数据信息进行训练，进而通过与实际结果进行验证，并将其应用于计算机网络安全数据信息管理态势评估和分析预测，如果经过数据信息验证校核，当实际结果与预测结果存在较小的误差时，即可通过卷积运算和神经网络两种深度学习方式，对计算机网络安全管理的总体现状及实际情况进行安全态势评估。

本文采用的基于深度学习算法进行计算机网络安全态势评估与测试实验环境为：64 GB、16核CPU；Ge ForceRTX 2080 Ti显卡服务器；Python 3.8开发语言；TensorFlow与CUDA使用框架；sklearn库。首先采用CIC-IDS2017网络公开数据集进行数据降噪、编码、训练与测试集分割，然后用CICFlow Meter工具提取80个特征向量组成CICIDS数据集，在数据预处理时还需完成降噪，选取传统CNN模型对比。如图5至图7所示。

通过测试评估后不难发现，基于深度学习算法的网络安全测试结果要优于普通算法模型，这是由于ConvLSTM层的加入使深度学习算法模型能对少数类数据进行有效识别。同时通过计算F1-Score宏平均值表明，基于深度学习算法的网络安全测试值比普通F1-Score值高约3%，由此证明该算法模型优于普通CNN模型，它可对计算机网络安全管理趋势、现状进行安全态势等级划分，据此制定行之有效的安全管理策略，最终在高准则、高质量的管理架构之下，实现对计算机网络安全风险进行有效预防和治理，从根本上保障安全管理技术能力和水平，切实提高计算机网络信息安全水平[8]。

4  结  论

信息化时代，计算机网络安全是保障网络数据信息安全存储的基本前提，同时也是构建安全网络生态环境，促进我国网络信息生态健康、绿色、可持续发展的关键所在，基于此，有效识别计算机网络安全风险等级，对于保证计算机网络安全至关重要。本研究应用研究结果表明，深度学习算法能够精准识别计算机网络安全功能，合理评估预测计算机网络安全态势，虽然深度学习背景下的神经网络、卷积运算等算法运量大、复杂度高，但经过深度学习可输出识别精准、精度优质的特征信息，其用于网络安全态势评估结果出色，能针对网络风险等级进行信息数据收集、特征识别、实际分类，进而可有效地用于计算机网络安全防范管理。

参考文献：

[1] 刘文涛.基于矢量化加速的网络安全应用多模式匹配 [J].西安文理学院学报：自然科学版，2022，25（4）：11-16.

[2] 王正强，青思雨，万晓榆等.IRS辅助的NOMA无人机网络安全速率最大化算法 [J/OL].电子与信息学报：1-8（2022-12-27）.http：//kns.cnki.net/kcms/detail/11.4494.TN.20221223.1454.003.html.

[3] 龙飞.基于人工智能的互联网络数据安全优化算法研究——评《人工智能在网络安全中的应用》 [J].中国安全科学学报，2022，32（11）：216.

[4] 胡长生.基于遗传算法的无线传感器网络安全分簇路由算法研究 [J].南京工程学院学报：自然科学版，2022，20（3）：28-32.

[5] 朱大立，金昊，吴荻，等.基于数据流深度學习算法的Android恶意应用检测方法 [J].信息安全学报，2019，4（2）：53-68.

[6] 于成丽，安青邦，周丽丽.人工智能在网络安全领域的应用和发展新趋势 [J].保密科学技术，2017（11）：10-14.

[7] 赵辉.入侵检测在机器学习和深度学习中的发展 [J].现代计算机，2022，28（13）：62-66.

[8] 伍泰霖.在联邦学习中加速深度学习算法的技术应用 [D].深圳：中国科学院深圳先进技术研究院，2022.

作者简介：李春梅（1979.02—），女，汉族，山东济宁人，工程师，硕士研究生，研究方向：计算机科学与技术。