摘 要：針對(duì)蜜網(wǎng)系統(tǒng)易被攻擊者通過時(shí)延特征進(jìn)行識(shí)別的問題，提出一種基于集成學(xué)習(xí)的業(yè)務(wù)網(wǎng)絡(luò)時(shí)延模擬算法。該方法首先采集業(yè)務(wù)服務(wù)所在局域網(wǎng)內(nèi)的網(wǎng)絡(luò)流量和時(shí)延信息，經(jīng)數(shù)據(jù)預(yù)處理后，得到數(shù)據(jù)集。其次，基于Stacking集成學(xué)習(xí)方法，以隨機(jī)森林為元學(xué)習(xí)器，將Boosting簇三種模型作為初級(jí)學(xué)習(xí)器進(jìn)行預(yù)測，預(yù)測結(jié)果經(jīng)融合后作為時(shí)延預(yù)測的基準(zhǔn)值。接著，以分段回歸樹為模型預(yù)測時(shí)延抖動(dòng)特征。最后，將時(shí)延基準(zhǔn)和抖動(dòng)特征疊加，得到符合局域網(wǎng)時(shí)延抖動(dòng)特性的綜合時(shí)延模型，基于該模型實(shí)現(xiàn)蜜網(wǎng)系統(tǒng)時(shí)延模擬，從而降低被攻擊者識(shí)別概率。最終實(shí)驗(yàn)結(jié)果表明，與GBDT、XGBoost和CatBoost算法相比，本文方法預(yù)測結(jié)果在MSE(Mean Square Error，均方誤差)和MAPE(Mean Absolute Percentage Error，平均絕對(duì)百分比誤差)上分別提升了35.5%和21.3%，在細(xì)節(jié)方面有較強(qiáng)表達(dá)能力。

　　關(guān)鍵詞：集成學(xué)習(xí);網(wǎng)絡(luò)時(shí)延;Boosting;Stacking;蜜網(wǎng)

　　1 引言(Introduction)

　　隨著互聯(lián)網(wǎng)技術(shù)的普及，網(wǎng)絡(luò)為人們帶來便利的同時(shí)，也帶來了未知的威脅。傳統(tǒng)安全防御技術(shù)判斷手段單一，處理能力有限，不能實(shí)時(shí)有效地保護(hù)真實(shí)主機(jī)。為了改變攻防雙方在網(wǎng)絡(luò)對(duì)抗中不平等的狀態(tài)，安全人員引入了蜜網(wǎng)技術(shù)[1]。蜜網(wǎng)由多個(gè)蜜罐組合而成，是一種通過誘餌資源構(gòu)建真實(shí)網(wǎng)絡(luò)環(huán)境，誘騙攻擊者攻擊虛假資源從而保護(hù)業(yè)務(wù)系統(tǒng)安全的網(wǎng)絡(luò)主動(dòng)防御技術(shù)，其首要問題是如何保護(hù)蜜網(wǎng)不被攻擊者輕易識(shí)別。

　　傳統(tǒng)網(wǎng)絡(luò)中數(shù)據(jù)傳輸時(shí)延受通信協(xié)議、路由算法等因素影響，呈現(xiàn)隨機(jī)變化的非線性特征。而在蜜網(wǎng)系統(tǒng)中，過長、過短或者一直穩(wěn)定的網(wǎng)絡(luò)時(shí)延，都有可能引起攻擊者的警覺。本文假設(shè)蜜網(wǎng)部署于局域網(wǎng)內(nèi)用于保護(hù)真實(shí)業(yè)務(wù)主機(jī)，為模擬真實(shí)主機(jī)的時(shí)延特性，提出了一種基于集成學(xué)習(xí)[2-3]的業(yè)務(wù)網(wǎng)絡(luò)時(shí)延模擬模型。該模型融合Boosting簇三種算法進(jìn)行時(shí)延基準(zhǔn)的預(yù)測，同時(shí)根據(jù)分段回歸樹模型進(jìn)行抖動(dòng)特征預(yù)測，最后通過兩者疊加來模擬符合局域網(wǎng)的綜合時(shí)延。實(shí)驗(yàn)結(jié)果表明，該模型與其他模型相比有較好的預(yù)測效果。

　　2 數(shù)據(jù)獲取與預(yù)處理(Data acquisition and preprocessing)

　　2.1 源數(shù)據(jù)獲取

　　本文數(shù)據(jù)集來源于某實(shí)驗(yàn)室真實(shí)局域網(wǎng)網(wǎng)關(guān)中的流量。該數(shù)據(jù)集時(shí)間跨度為三天，以分鐘為時(shí)間顆粒度，每分鐘的流量數(shù)據(jù)利用軟件以pcap包的方式保存，以便后續(xù)進(jìn)行分析。采用shell腳本獲取網(wǎng)絡(luò)時(shí)延數(shù)據(jù)，結(jié)果如圖1所示。從圖1中看出，網(wǎng)絡(luò)時(shí)延隨時(shí)間變化，在一定基準(zhǔn)范圍內(nèi)抖動(dòng)。在日常工作時(shí)間點(diǎn)上，實(shí)驗(yàn)室使用網(wǎng)絡(luò)頻繁，引起時(shí)延抖動(dòng)幅度變化較大。

　　2.2 數(shù)據(jù)預(yù)處理

　　分析原始數(shù)據(jù)包發(fā)現(xiàn)，由于協(xié)議多且復(fù)雜，部分協(xié)議出現(xiàn)數(shù)次之后再也未出現(xiàn)，當(dāng)數(shù)據(jù)集將這些協(xié)議作為特征記錄時(shí)，導(dǎo)致所采集到的數(shù)據(jù)存在大量無效值。因此為了提高數(shù)據(jù)質(zhì)量用于建模分析，需要對(duì)數(shù)據(jù)進(jìn)行預(yù)處理。本文數(shù)據(jù)預(yù)處理包括數(shù)據(jù)清洗、數(shù)據(jù)轉(zhuǎn)換和數(shù)據(jù)增強(qiáng)三部分，具體步驟如圖2所示。

　　2.3 特征選擇

　　數(shù)據(jù)預(yù)處理后，在剩余數(shù)據(jù)中，部分字段包含在另外一個(gè)字段下，例如“DNS Response”和“DNS Query”都屬于“DNS”屬性，數(shù)據(jù)集分類不清晰，故需要進(jìn)行特征提取。

　　特征提取的目的是從所有流量數(shù)據(jù)中提取更多隱藏在數(shù)據(jù)中的特征，以達(dá)到更好的訓(xùn)練效果。過多的特征會(huì)引起模型出現(xiàn)過擬合現(xiàn)象，適當(dāng)?shù)剡x擇特征，不僅能減少學(xué)習(xí)模型的訓(xùn)練時(shí)間，還能降低學(xué)習(xí)任務(wù)的復(fù)雜度，優(yōu)化學(xué)習(xí)模型的泛化能力[4]。本文數(shù)據(jù)集主要以HTTP、HTTPS、SSDP、DNS等應(yīng)用層協(xié)議作為特征選擇。

　　3 基于Stacking的時(shí)延預(yù)測算法(Stacking-based delay prediction algorithm)

　　3.1 移動(dòng)窗口平均時(shí)延基準(zhǔn)和時(shí)延抖動(dòng)

　　移動(dòng)窗口平均法適用于分析時(shí)間序列，其計(jì)算方式是按照時(shí)間序列逐項(xiàng)推移，計(jì)算出窗口內(nèi)數(shù)值的平均值，用于消除預(yù)測中的隨機(jī)波動(dòng)。由圖1可知，時(shí)延基準(zhǔn)數(shù)值圍繞一定數(shù)值上下波動(dòng)，在不同時(shí)間段內(nèi)抖動(dòng)的幅度是不同的。為求得時(shí)延在時(shí)間序列上的基準(zhǔn)值，本文將9：00至22：30劃分為工作時(shí)間，其余時(shí)間為休息時(shí)間。工作時(shí)間內(nèi)時(shí)延波動(dòng)幅度較大，將窗口設(shè)置為3;休息時(shí)間抖動(dòng)幅度較小，將窗口設(shè)定為5，求得平均時(shí)延特征后作為時(shí)延基準(zhǔn)值。抖動(dòng)特征則根據(jù)時(shí)間段劃分為兩部分，分別用于工作時(shí)間和休息時(shí)間的抖動(dòng)預(yù)測。

　　3.2 算法描述

　　(1)時(shí)延基準(zhǔn)預(yù)測。時(shí)延基準(zhǔn)是指在一定時(shí)間范圍內(nèi)，時(shí)延的大致數(shù)值。本文采用Stacking框架將Boosting簇模型融合，進(jìn)行時(shí)延基準(zhǔn)預(yù)測。

　　本節(jié)將經(jīng)預(yù)處理的數(shù)據(jù)集作為輸入，將時(shí)延基準(zhǔn)值作為輸出，按照8：2的比例將數(shù)據(jù)集劃分為訓(xùn)練集和測試集。定義訓(xùn)練集為

　　其中，為輸入特征向量，則本文提出的算法步驟如下：

　　輸入：訓(xùn)練數(shù)據(jù)集D;

　　輸出：算法模型以及預(yù)測值。

　　步驟1：利用n 折交叉驗(yàn)證將數(shù)據(jù)集分成n 份，每一份表示為

　　取其中1 折作為驗(yàn)證集，其余N-1 折作為訓(xùn)練數(shù)據(jù)。

　　步驟2：建立n 個(gè)算法k的模型。對(duì)于模型，，設(shè)置驗(yàn)證集為數(shù)據(jù)集的第c 份，其余部分為訓(xùn)練數(shù)據(jù)，將數(shù)據(jù)傳入模型，模型產(chǎn)生第c 折驗(yàn)證集的預(yù)測結(jié)果。

　　重復(fù)n 次得到n 個(gè)算法k的模型和驗(yàn)證集預(yù)測值，并用生成的模型對(duì)測試集進(jìn)行預(yù)測得到，。將按照順序拼接后得到算法k模型對(duì)訓(xùn)練集的預(yù)測結(jié)果，記為

　　每個(gè)模型都對(duì)測試集進(jìn)行預(yù)測后，求平均得到對(duì)測試集的預(yù)測結(jié)果，記為。

　　算法k模型對(duì)測試集的預(yù)測結(jié)果，由n 個(gè)值取平均后求得，記為

　　步驟3：用同樣的方式訓(xùn)練不同算法，得到K 個(gè)訓(xùn)練集預(yù)測值和測試集預(yù)測值。將K 個(gè)訓(xùn)練集預(yù)測值和真實(shí)時(shí)延作為新的訓(xùn)練集數(shù)據(jù)，將K 個(gè)測試集預(yù)測值作為新的測試集數(shù)據(jù)。

　　步驟四：利用元學(xué)習(xí)器對(duì)新數(shù)據(jù)集建模預(yù)測，預(yù)測出最終的時(shí)延基準(zhǔn)值為。

　　(2)抖動(dòng)預(yù)測。Boosting簇算法是加法模型和前向分布的結(jié)合，在GBDT[5]中表現(xiàn)為加權(quán)加法模型，因此削弱了數(shù)據(jù)隨機(jī)波動(dòng)特性。故本文采用決策樹DCRT對(duì)時(shí)延抖動(dòng)誤差進(jìn)行模擬，得到抖動(dòng)預(yù)測。考慮到工作時(shí)間和休息時(shí)間內(nèi)抖動(dòng)幅度不同，本文采用分段回歸樹模型預(yù)測不同時(shí)間段的抖動(dòng)值，記為

　　其中，和為工作時(shí)間和休息時(shí)間的模型函數(shù)。

　　(3)由時(shí)延基準(zhǔn)預(yù)測和抖動(dòng)預(yù)測得到最終的時(shí)延結(jié)果為

　　4 實(shí)驗(yàn)結(jié)果與分析(Experimental results and analysis)

　　本節(jié)實(shí)驗(yàn)?zāi)繕?biāo)是驗(yàn)證時(shí)延預(yù)測方案的有效性，具體包括數(shù)據(jù)預(yù)處理的有效性，提出算法模型的性能對(duì)比，以及對(duì)于Stacking的元學(xué)習(xí)器選擇。實(shí)驗(yàn)環(huán)境如表1所示。

　　實(shí)驗(yàn)所使用的數(shù)據(jù)集來自2.1部分所述，經(jīng)預(yù)處理后隨機(jī)將數(shù)據(jù)分為訓(xùn)練集和測試集，其中訓(xùn)練集占數(shù)據(jù)總量的80%，測試集占數(shù)據(jù)總量的20%。為在效果圖中呈現(xiàn)清晰的曲線圖像，在圖中取2%的點(diǎn)進(jìn)行表示。