大数据下船舶移动信息安全风险模型

大数据下船舶移动信息安全风险模型

摘要:  为解决船舶移动网络风险识别响应速度较慢的问题,在大数据背景下,研究船舶移动网络信息安全风险预测模型。通过对网络信息安全风险数据信息特征挖掘和采样分析,筛查干扰信号的特征指标,快速识别异常信息并进行预警。实例测试结果表明,在实际应用过程中,该模型的预测精度和响应速度较高,可有效提高船舶移动网络信息安全性,为船舶航行保驾护航。

关键词:大数据;船舶;网络信息;信息安全;风险预测

0引 言

船舶航行环境复杂,通信网络极易受到外界干扰与入侵,无法有效保障信息安全。针对上述问题,许多学者基于 SOA 架构[1] 或无线传感器[2],构建网络信息安全管理系统,以此提高船舶网络信息安全性,但由于传感设备维护困难,消耗大量的人力物力,其实际应用性能不高,难以准确、有效地对异常数据进行识别,经常出现错漏问题。为解决上述问题,结合大数据技术,设计了船舶移动网络信息安全风险预测模型,从而更好地保障船舶网络信息处理的安全性。

1船舶移动网络信息安全风险预测模型

1.1网络信息安全风险数据特征挖掘

为了保障船舶网络信息安全,实现安全风险识别,需要结合大数据技术对网络信息安全风险数据特征进行挖掘。首先,通过构建无线数据处理模型,进行移动网络信息节点的合理分布,并选取最优路径,进行传输信息的采集,在节点路径中,提取网络信息进行异常特征分布概率的计算,具体的分布概率密度函数算法可记为: p(y | α) =K∑k=1αkpk(y | µk,∑k), (1)αkpkyµk式中, 表示船舶网络结构中的异构函数, 为网络信息风险干扰指数, 为网络异构信息的风险分布指标, 为标准数据 u 在中信息库 K 中的占比。基于上述算法,进一步对网络信息特征属性分布集进行计算,并构建其差异数据的评价指标,具体如下:max d = p(y | α)∑a∈A∑b∈B∑d∈D∑p∈Pxa,b,d,p Vp, (2)∑a∈A∑d∈D∑p∈Pxa,b,d,p RbwpKbwb(S )。 (3)xa,b,d,p VpRbwpKbwb式中, 为无线异构网络的节点数量, 为网络空间采样数值,基于特征挖掘原理进一步对数据的分布路径序列进行规划,分别将 和 记为节点路径中可传输的实际信息量和最大信息量。α其次,若在进行数据挖掘的过程中,设信息特征分布特征为 ,进一步结合大数据技术和安全风险评估原理进行信息统计,则可得到:Etotal=(α1+ α2Kbwb)+(max d + α1+ α2Kbwb)+ • • • +(max d + α1+ α2Kbwb)= p(y | α, θ)α1+max d + α2(dn01+ dn020+ • • • + Kbwb)。 (4)最后,基于上述算法,对船舶网络信息特征进行采集挖掘,并对数据挖掘结果进行归类划分处理,以此可有效简化信息安全风险预测步骤。

1.2网络异常信息识别方法

为保障风险预测结果的准确性,需要结合大数据技术识别挖掘到的特征数据特征,并进行去噪处理,记录其特征指标,具体指标如表 1 所示。基于表 1 特征指标,进一步对干扰信息进行离散处理,以此优化信息识别,基于此,对异构信息特征处理算法进行优化,具体如下:R(n) = Etotal√Re2−Kbwb, (5)式中,R(n)表示船舶航行过程中的干扰波动,e为干扰信息的离散指标,进一步对船舶网络信息传输过程中的时域特征进行数据信息波动峰值计算,具体算法为:E = max d •1|R(n)|2− p, (6)式中,P 为干扰峰值。基于信息波动峰值,计算船舶移动网络的初始信息,具体算法为:F(n) =1E− X( p), (7)式中,X(p)为信息安全增益效果。基于上述算法进行干扰信号剔除处理,可以有效获取船舶移动网络的初始信息,避免信息受损等问题[3]。进一步结合加密算法对去扰后的数据进行加密和融合处理,具体的处理步骤如图 1 所示。 可知,进行网络异常信息的特征识别,从而有效检测船舶移动网络潜在的风险信息,并及时预警。

1.3船舶移动网络信息安全风险预测的实现

为保障船舶移动网络信息安全风险预测的准确性和预测效率,需要构建船舶移动网络信息数据库,结合大数据技术。(L0,L1,•••,Ln)n jPminPmax进行数据的采集筛选和识别,优化网络信息安全管理识别步骤,进一步对船舶移动网络的异构信息进行风险预警指标设置,在预警处理的过程中,若 L 为风 险 威 胁 等 级 , 由 高 到 低 记 为 ,为信息均衡调度指标,P 为信息风险特征向量,其中 为信息安全风险最小负载, 为信息安全风险的最大负载,则网络信息安全风险评价模型为:Le f ft=1En j+L0Pmin − Ln PmaxF(n)(Pmin + Pmax)。 (8)Ci j Xi j在 进 行 船 舶 移 动 网 络 信 息 传 输 处 理 的 过 程 中 ,为决策变量, 为信息自相关特征变量,则进一步对网络信息安全风险信息进行迭代处理,获取迭代函数,具体为:min( f ) = Lefftm∑i=1n∑i=1Ci j + Xi j。 (9)¯j˙µ σ基于上述算法,进行网络信息风险筛查,利用传感节点进一步对信息风险指标进行预测,并对网络信息进行传输处理,处理过程中,若存在 个待处理信息,基于限定性指标特征向量 q 进行信息风险变化函数的计算。在处理过程中,设 为信息拟合系数, 为影响指标,则进一步对网络信息安全风险预测数据进行归一化处理,具体的预测公式可表示为:P =∑q +j − ˙µ∏min( f ) + σ。 (10)基于上述算法,进行船舶移动网络信息安全风险的预测,可以有效保障信息风险识别效果,提高风险识别的准确性[4]。由于船舶移动网络信息复杂多样,在实际预测过程中,需要进一步对信息安全风险识别预测步骤进行简化处理,以提高风险预警的精确度和敏感度。基于上述步骤,可以更好地完成船舶移动网络信息的安全识别,加快完成预警工作,提高船舶信息传输效率,保证船舶信息传输质量,有效剔除干扰信号的影响。

2实验结果分析

为验证大数据背景下船舶移动网络信息安全风险预测模型的实际应用效果,对比传统方法(文献 [2] 方法)进行检测。为保障检测结果真实有效,在检测过程中,对实验环境及参数进行统一设置,选取 1 200 个网络信息作为参照样本,若网络节点数为 80,在干扰环境下,对比了 2 种方法的信息响应情况并进行记录,具体检测结果如图 2 所示。进一步对比分析了 2 种方法下风险识别的耗时情况进行记录,具体检测结果如图 3 所示。分析可知,相对于传统方法,本文提出的大数据背景下船舶移动网络信息安全风险预测模型,在实际应用过程中,可以更加快速地在复杂干扰环境下完成风险识别和响应,有效提高风险识别精度。

3结 语

结合大数据技术对船舶移动网络信息安全风险预测模型进行设计,优化了船舶网络异构信息挖掘和识别算法,提高了信息安全风险识别精度,保证船舶网络信息传输安全,提高船舶网络信息安全等级。

作者:唐瑞鹏 孙国玺 张锋 单位:广东石油化工学院