基于收敛启发机制的人工网络安全迁移算法研究

陈 倩，许 媛

基于收敛启发机制的人工网络安全迁移算法研究

*陈 倩1，许 媛2

(1. 黄山职业技术学院，安徽，黄山 245000；2. 黄山学院，安徽，黄山 242700)

针对当前人工网络安全迁移算法研究中存在迁移时间长、误码率高且容易造成网络瘫痪等不足，提出了一种基于收敛启发机制的人工网络安全迁移算法。首先，利用社区网络进行网络迁移时具有的波动特性，通过带宽函数均值起伏率和网络存储冗余率两个指标进行迁移裁决，有效减缓了迁移过程中网络出现拥塞的概率，实现数据迁移并提高网络安全迁移过程中的鲁棒性。随后，针对当前算法迁移过程中难以进行误差评估的不足，通过启发映射机制设计了网络存储冗余带宽迁移方法，用以改善网络数据传输过程中的抖动，改善网络迁移时的效率，具有很强的迁移质量。仿真实验表明：与当前常用的超混沌云网络预估迁移机制（Predictive Migration Mechanism of Hyperchaotic Cloud Networks，PMM-HCN机制）、社区网络大数据峰值安全迁移机制（Peak Security Migration Mechanism of Large Data in Community Network，PSMM-LDCN机制）相比，本文算法具有网络迁移时间少、网络迁移数据误码率小、网络抖动时间短、网络瘫痪频率低等特性，具有很强的实际部署价值。

人工网络；收敛启发；社区网络；数据迁移；启发映射；网络瘫痪频率

0 引言

人工网络安全迁移算法作为社区网络管理技术的组成部分之一，正在随着社区网络逐步走入聚类化、高流动性应用场景的不断变革，呈现日新月异的发展态势[1]。由于人工网络安全迁移算法主要应用于社区网络应对高流量攻击、大面积网瘫等安全领域，因此需要针对社区网络的新变化进行有针对性的调整，以便能够实现对网络变迁新态势的充分适应，促进相关领域及产业的可持续性发展[2]。

针对当前社区网络部署中出现的一些新情况，人们提出了若干具有前瞻性的人工网络安全迁移算法，在治理社区网络高流量攻击、大面积网瘫等方面起到了一定的作用。Ze等[3]提出了一种基于热点度-聚类切换机制的人工网络安全迁移算法，通过周期连通度捕捉机制构建区域热点并形成热点聚类，能够在社区网络出现大面积网瘫时实现功能切换，且收敛速度较快；不过，该算法实现过程极其复杂，需要通过大数据匹配的方式实现对热点的实时捕捉，难以适应高并发环境下的网络资源安全迁移。Shu等[4]提出了一种基于流量指纹动态预测机制的人工网络安全迁移算法，主要通过实时监测异常流量的方式对网络运行状况进行预估，能够实时切断高攻击流量对网络的攻击，有效确保网络运行高效问题；不过，该算法耗费资源较多，实时性较差，难以胜任突发攻击激增情况下网络状况。Tzy等[5]提出了一种基于冗余度资源调度机制的人工网络安全迁移算法，通过动态核算机制计算各种防御资源的实时冗余度，能够有效避免因资源受限而导致出现严重网络故障，具有实现方式简单的优势；不过，该算法也存在一定的不足，特别是进行网络切换过程中需要暂停网络运行，难以做到网络平滑切换，制约了算法在实际中的运用。

针对当前研究中存在的不足，本研究提出了一种基于收敛启发机制的人工网络安全迁移算法。算法首先针对数据迁移中存在的迁移性能较低的不足，采用带宽函数均值起伏率和网络存储冗余率两个指标进行数据采集，大大改善数据迁移过程中因网络抖动产生的误比特，促进了迁移效率的提高。随后，考虑到误差评估中存在的困难，采用启发映射机制进行二次迁移，增强了网络迁移效率，改善了超带宽条件下网络传输性能，增强了网络安全系数。最后通过MATLAB仿真实验环境，证明了本文算法的有效性。

1 网络及数据模型

当前社区网络技术可隶属于数据挖掘及云数据范畴，由于实践中进行人工网络安全迁移需要考虑一些必要的前提条件，本文方案中对此作出如下规范[6]：

1）网络需要迁移前必须进行资源迁移，即当前网络中的数据、用户、拓扑结构等数据需要在灾难发生前迁移到备用节点中，若当前选定的备用节点难以承担相应功能，则必须再次进行迁移[7]；

2）网络安全迁移过程具有一定的时效性，即网络安全迁移中负责迁移的资源池与网络参数存储的资源池需要保持高连通状态[8]；

承担迁移任务的资源池，需要通过迁移数据带宽的形式实现网络资源备份，期间带宽传输模型满足[9]：

式（1）中，为数据迁移过程中带宽函数；B为迁移过程中数据带宽开销；表示数据带宽开销与时间之间的函数关系，一般为波动关系，见图1。

当资源池进行并发数据迁移过程时，带宽传输模型满足：

相关参数同模型（1），数据带宽开销与时间之间的函数关系一般为不断增长的线性波动关系，见图2。

由上文分析可得，社区网络在进行迁移过程中需要花费较大规模的数据带宽开销，且若以并发方式进行数据迁徙时，数据带宽开销将呈现波动上升的态势。

2 本文算法设计

社区网络进行安全迁移时，若对迁移过程中的数据带宽、转存带宽、网络存储冗余等制约条件考虑不足，则会导致迁移过程中出现严重的网络抖动乃至大面积网瘫现象，因此需要综合考虑这些制约条件，以便高效完成迁移工作[10]，过程如下：

1）按带宽函数均值起伏率()和网络存储冗余率()进行数据启发收敛

资源池进行数据前移时，迁移效率由带宽函数均值起伏率()和网络存储冗余率()确定，因此带宽函数均值起伏率()的时间均值满足：

式（4）中的参数定义同模型（3）。

使用模型（3）可求得带宽函数均值起伏率的一阶矩，若该一阶矩小于0，说明社区网络进行迁移过程中迁移成本较低，无须额外付出成本进行网络资源迁移；反之，说明迁移效率很低，需要追加资源进行数据迁移。

参数同式（3）、式（8）。

本文算法的详细过程如下：

Step 1：获取网络存储冗余带宽，转Step2；

Step 2：网络持续运行，若需要进行网络迁移，则转Step 3，反之则回到Step 1并持续监控网络存储冗余带宽；

Step 3：当仅当带宽函数均值起伏率的一阶矩小于0，转Step 4，否则返回Step1；

Step 5 ：算法结束。

图 3 所提算法的安全迁移过程

3 仿真实验

为便于对比本文算法的优越性能，采用MATLAB仿真实验环境[12]进行测试。同时，为了突出所提方法的优势，将超混沌云网络预估迁移机制[13]（Predictive Migration Mechanism of Hyperchaotic Cloud Networks，PMM-HCN机制）、社区网络大数据峰值安全迁移机制[14]（Peak Security Migration Mechanism of Large Data in Community Network，PSMM-LDCN机制）作为对照组。评估指标采用网络迁移时间、网络迁移数据误码率、网络抖动时间、网络瘫痪频率四个指标，仿真参数如下：

表1 仿真参数表

首先，采用文献[14]所提及的初始环境部署方案：单个网络存储容量不低于1T，数据迁移速率不低于96 M，资源池按随机模式进行分布，数量不低于100。资源按拷贝模式进行迁移，时间不低于36 h。

随后，根据带宽函数均值起伏率()和网络存储冗余率()的变化，对网络传输进行收敛：当仅当满足模型（3）的要求时启动迁移过程，反之进入休眠状态。

3.1 网络迁移时间

图4为网络迁移时间仿真对比，由图可知：本文算法对应的网络迁移时间始终较低，且波动情况较低，PMM-HCN机制和PSMM-LDCN机制的网络迁移时间均要高于本文算法，且具有较高的不稳定性。这是由于本文算法考虑到网络迁移过程中的带宽及冗余资源等因素，能够从多个维度同时进行网络迁移质量控制，特别是本文算法能够有效抑制带宽函数均值起伏率的波动，因此网络迁移时间波动极为平缓，具有很好的迁移性能。PMM-HCN机制主要通过预估网络传输带宽的最大值进行迁移控制，虽然能够应对网络传输带宽的波动，但由于该算法未针对带宽具有的时变特性进行抑制，难以控制带宽起伏，网络突遭大流量冲击时极易发生迁移失败的事件，因此网络迁移时间要高于本文算法。PSMM-LDCN机制针对PMM-HCN机制的不足，对网络带宽的时变特性进行抑制。然而由于该算法并未考虑网络资源冗余，容易因资源池过载而出现一定概率的网络瘫痪现象，因此该算法的网络迁移时间亦要高于本文算法。

图 4 网络迁移时间

3.2 网络迁移数据误码率

图5为网络迁移数据误码率仿真对比，由图可知：本文算法对应的网络迁移数据误码率较低，且波动情况要远远低于对照组算法。这是由于本文算法通过多个维度同时进行网络数据迁移，特别是考虑到网络存储冗余带宽具有的梯变特性动态进行网络数据迁移，因此数据误码率较低。PMM-HCN机制仅可通过网络传输带宽控制机制进行数据迁移，网络传输带宽实时获取性能较低，容易导致网络拥塞现象，因此具有较高的数据误码率。PSMM-LDCN机制由于网络迁移时间较长，容易导致资源过载出现迁移错误，因此网络迁移数据误码率也要高于本文算法。

图 5 网络迁移数据误码率

3.3 网络抖动时间

图6为网络抖动时间仿真对比，由图可知：本文算法对应的网络抖动时间要显著低于对照组算法，且抖动曲线较为平缓。这是由于本文算法具有较低的网络迁移数据误码率及网络迁移时间，产生网络抖动的时间窗口较短，因此网络抖动时间也较低。由节3.1和3.2可知，PMM-HCN机制和PSMM-LDCN机制在网络迁移数据误码率及网络迁移时间的性能上要差于本文算法，由此带来的网络抖动产生频率也要高于本文算法，故而网络抖动时间较高。

图 6 网络抖动时间

3.4 网络瘫痪频率

图7为网络瘫痪频率仿真对比，由图可知：本文算法对应的网络瘫痪频率始终较低，具有显著的优势。这是由于本文算法考虑到网络迁移过程中的带宽及冗余资源等因素，能够有效抑制网络迁移时间，降低网络迁移数据误码率，控制网络抖动，因此网络瘫痪频率发生概率较低，与PMM-HCN机制和PSMM-LDCN机制相比，具有显著的优势。

图 7 网络瘫痪频率

4 结束语

针对当前人工网络安全迁移算法存在的迁移性能较低等不足，提出了一种基于收敛启发机制的人工网络安全迁移算法。算法通过启发收敛方式，采用多个维度进行数据迁移及质量判断，能够有效改善网络迁徙过程中存在的抖动现象，减少拥塞情况的发生，提高网络迁移质量，实现数据迁移的高鲁棒性，具有很好的实际部署价值。

下一步，将考虑到本文算法在网络规模扩大情况下存在的迁移效率受限的问题，重点考虑引入立体拓扑迁移映射机制，提升算法的迁移效率，更好地适应实际部署环境，促进本文算法的推广应用。

[1] 乔少杰,郭俊,韩楠,等. 大规模复杂网络社区并行发现算法[J]. 计算机学报,2017,40(3):687-700.

[2] 周创,王红林. 基于超宽带集中管控机制的物联网数据传输算法[J].井冈山大学学报:自然科学版,2019,40(1): 57-62.

[3] Ze X Z, Xia J, Richard N. Discovering Causal Interactions Using Bayesian Network Scoring and Information Gain[J]. BMC Bioinformatics,2016,17(1): 1021-1036.

[4] Shu Y, Zhang L W, Liang L. Discovering Similar Chinese Characters in Online Handwriting with Deep Convolutional Neural Networks[J]. International Journal on Document Analysis and Recognition (IJDAR), 2016,19(3): 237-252.

[5] Tzy S W, Hui T L, Ping W. Weighted-Spectral Clustering Algorithm for Detecting Community Structures in Complex networks[J]. Artificial Intelligence Review,2017,47(4): 463-48.

[6] Yi C, Xiao L W, Xin X, et al. Overlapping Community Detection in Weighted Networks Via a Bayesian Approach[J]. Physica A: Statistical Mechanics and its Applications, 2017,468(12): 790-801.

[7] Claudio M R. Effects of Multi-state Links in Network Community Detection[J]. Reliability Engineering and System Safety,2017,163(12): 46-56.

[8] Wei Z, Xiao K Z, Zhao K. Analysis of Associtivity and Community Structure in Mobile Social Networks[J]. Procedia Computer Science,2017,107(6): 630-635.

[9] Yang J L, Huang T, Song W M. Discover the Network Mechanisms Underlying the Connections Between Aging and Age-Related Diseases[J]. Scientific reports, 2016, 23(6): 32-56.

[10] Sotirios K. Optimization of Power Consumption in 4G LTE Networks Using a Novel Barebones Self-Adaptive Differential Evolution Algorithm[J]. Telecommunication Systems, 2017, 66(1): 109-120.

[11] Guo J, Feng C. Implementation of Envelope Analysis on a Wireless Condition Monitoring System for Bearing Fault Diagnosis[J]. International Journal of Automation and Computing,2015,12(01):14-24.

[12] Chun C L, Jia R K, Jyun Y C. An Integer Programming Approach and Visual Analysis for Detecting Hierarchical Community Structures in Social Networks[J]. Information Sciences, 2015, 299(3): 25-33.

[13] Zhi Z Z, Zhen Y W. Mining Overlapping and Hierarchical Communities in Complex Networks[J]. Physica A: Statistical Mechanics and its Applications,2015,421(41): 296-311.

[14] Kai L, Zhi G. Image Segmentation with Fuzzy Clustering Based on Generalized Entropy[J]. Journal of Computers, 2014, 9(7): 1678-1683.

Research and Simulation of artificial network security migration algorithm based on convergence heuristic mechanism

*CHEN Qian1, XU Yuan2

(1. Huangshan Vocational and Technical College, Huangshan, Anhui 245000, China; 2. Huangshan University, Huangshan, Anhui 242700, China)

In order to overcome the shortcomings of longmigration time, high bit error rate and easy to cause network paralysis in the current research of artificial network security migration algorithm, a new artificial network security migration algorithm based on convergence heuristic mechanism is proposed. Firstly, by using the fluctuation characteristics of community network in network migration, the migration decision is made through two indicators: the fluctuation rate of bandwidth function mean and the redundancy rate of network storage, which greatly reduces the probability of network congestion in the migration process, realizes data migration efficiently, and improves the robustness in the process of network security migration. Then, aiming at the shortcomings of error evaluation in current algorithm migration process, a method of network storage redundant bandwidth migration is designed through heuristic mapping mechanism to improve the jitter in the process of network data transmission, improve the efficiency of network migration, and have a strong migration quality. The simulation results show that the proposed algorithm has less network migration time than the commonly used Predictive Migration Mechanism of Hyperchaotic Cloud Networks and Peak Security Migration Mechanism of Large Data in Community Network. The characteristics of network migration, such as lowbit error rate, short network jitter time and lower network paralysis frequency, make it have great practical deployment value.

artificial network; convergence heuristics; community network; data migration; heuristic mapping; network paralysis

TP393

A

10.3969/j.issn.1674-8085.2019.05.008

1674-8085(2019)05-0040-04

2019-03-07；

2019-06-13

安徽省高校自然科学基金项目(KJH2015B02)；安徽省教育厅自然科学研究项目(KJ2018A0953)

*陈 倩(1982-)，女，安徽黄山人，讲师，主要从事人工智能、计算机应用等方面研究(chenqian198211@sina.com);

许 媛(1982-)，女，安徽黄山人，讲师，硕士，主要从事数值模拟、计算机应用等方面研究(XuYn1982dot@126.com).