海洋網(wǎng)絡(luò)安全風(fēng)險防御系統(tǒng)的制作方法
【專利摘要】本發(fā)明公開了海洋網(wǎng)絡(luò)安全風(fēng)險防御系統(tǒng)，包括海洋網(wǎng)絡(luò)數(shù)據(jù)采集設(shè)備、海洋網(wǎng)絡(luò)數(shù)據(jù)存儲設(shè)備、風(fēng)險實時分析服務(wù)器、顯示設(shè)備和預(yù)警設(shè)備，其中所述海洋網(wǎng)絡(luò)數(shù)據(jù)存儲設(shè)備與海洋網(wǎng)絡(luò)數(shù)據(jù)采集設(shè)備連接，用于將海洋網(wǎng)絡(luò)數(shù)據(jù)采集設(shè)備采集的信息數(shù)據(jù)經(jīng)過機(jī)密性篩選與整理后存儲到海洋網(wǎng)絡(luò)數(shù)據(jù)庫中，海洋網(wǎng)絡(luò)數(shù)據(jù)庫對存儲的信息數(shù)據(jù)進(jìn)行實時更新與監(jiān)測；所述風(fēng)險實時分析服務(wù)器用于對海洋網(wǎng)絡(luò)數(shù)據(jù)庫實時更新的信息數(shù)據(jù)進(jìn)行風(fēng)險分析并輸出反饋信息；所述預(yù)警設(shè)備根據(jù)反饋信息進(jìn)行選擇性防御和報警。本發(fā)明通過對信息數(shù)據(jù)進(jìn)行分析得出用戶潛在的風(fēng)險操作，并進(jìn)行選擇性防御和報警，保證了系統(tǒng)的安全，又避免了系統(tǒng)資源的閑置。
【專利說明】
海洋網(wǎng)絡(luò)安全風(fēng)險防御系統(tǒng)
技術(shù)領(lǐng)域
[0001] 本發(fā)明涉及網(wǎng)絡(luò)安全技術(shù)領(lǐng)域，具體涉及海洋網(wǎng)絡(luò)安全風(fēng)險防御系統(tǒng)。
【背景技術(shù)】
[0002] 海洋領(lǐng)域事關(guān)國計民生，尤其是部分涉海數(shù)據(jù)，成為國家的秘密級、甚至機(jī)密級保 護(hù)數(shù)據(jù)。海洋網(wǎng)絡(luò)，即各地海洋局內(nèi)傳輸海洋業(yè)務(wù)數(shù)據(jù)的網(wǎng)絡(luò)的安全性受到了各地海洋局 相關(guān)部門的密切關(guān)注。因此，有必要設(shè)計一種海洋網(wǎng)絡(luò)安全風(fēng)險防御系統(tǒng)。
[0003] 大數(shù)據(jù)分析是指對規(guī)模巨大的數(shù)據(jù)進(jìn)行分析。大數(shù)據(jù)分析基于數(shù)據(jù)可視化可以直 觀的展示數(shù)據(jù)，基于數(shù)據(jù)挖掘可讓我們深入數(shù)據(jù)內(nèi)部去挖掘價值，而基于數(shù)據(jù)預(yù)測性分析 可以根據(jù)可視化分析和數(shù)據(jù)挖掘的結(jié)果做出一些預(yù)測性的判斷。如何將大數(shù)據(jù)分析應(yīng)用到 海洋網(wǎng)絡(luò)的安全防護(hù)，已是學(xué)術(shù)研究的熱點。相關(guān)技術(shù)中，常使用k-means算法對數(shù)據(jù)進(jìn)行 聚類分析。k-means算法也稱為k-均值算法或者k-平均算法，是一種使用廣泛的迭代型劃分 聚類算法。其算法思想是將一個給定的數(shù)據(jù)集分為用戶指定的k個聚簇(類），將每個類的平 均值再作為聚類的中心從而來表示該類數(shù)據(jù)，再通過迭代求出每個聚簇(類)之內(nèi)誤差平方 和最小化時的劃分。該算法對于連續(xù)型屬性可以取得較好的聚類效果，但對于離散型屬性 處理效果不理想。

【發(fā)明內(nèi)容】

[0004] 針對上述問題，本發(fā)明提供海洋網(wǎng)絡(luò)安全風(fēng)險防御系統(tǒng)。
[0005] 本發(fā)明的目的采用以下技術(shù)方案來實現(xiàn)：
[0006] 海洋網(wǎng)絡(luò)安全風(fēng)險防御系統(tǒng)，包括海洋網(wǎng)絡(luò)數(shù)據(jù)采集設(shè)備、海洋網(wǎng)絡(luò)數(shù)據(jù)存儲設(shè) 備、風(fēng)險實時分析服務(wù)器、顯示設(shè)備和預(yù)警設(shè)備;所述海洋網(wǎng)絡(luò)數(shù)據(jù)采集設(shè)備，用于采集各 種與海洋網(wǎng)絡(luò)安全相關(guān)的信息數(shù)據(jù);所述海洋網(wǎng)絡(luò)數(shù)據(jù)存儲設(shè)備，與海洋網(wǎng)絡(luò)數(shù)據(jù)采集設(shè) 備連接，用于將海洋網(wǎng)絡(luò)數(shù)據(jù)采集設(shè)備采集的信息數(shù)據(jù)經(jīng)過機(jī)密性篩選與整理后存儲到海 洋網(wǎng)絡(luò)數(shù)據(jù)庫中，海洋網(wǎng)絡(luò)數(shù)據(jù)庫對存儲的信息數(shù)據(jù)進(jìn)行實時更新與監(jiān)測;所述風(fēng)險實時 分析服務(wù)器，與海洋網(wǎng)絡(luò)數(shù)據(jù)庫連接，用于對海洋網(wǎng)絡(luò)數(shù)據(jù)庫實時更新的信息數(shù)據(jù)進(jìn)行風(fēng) 險分析并輸出反饋信息;所述顯示設(shè)備，與風(fēng)險實時分析服務(wù)器連接，用于顯示風(fēng)險實時分 析服務(wù)器輸出的反饋信息，并形成日志文件;所述預(yù)警設(shè)備根據(jù)反饋信息進(jìn)行選擇性防御 和報警。
[0007]優(yōu)選地，所述海洋網(wǎng)絡(luò)數(shù)據(jù)采集設(shè)備包括視頻采集模塊、控制模塊和通信模塊，所 述視頻采集模塊用于采集與信息數(shù)據(jù)相關(guān)的視頻;所述控制模塊，與視頻采集模塊連接，用 于通過所述通信模塊控制所述視頻采集的視頻信息的無線發(fā)送。
[0008] 其中，所述海洋網(wǎng)絡(luò)數(shù)據(jù)庫中預(yù)先存儲有針對用戶行為風(fēng)險操作的安全策略。
[0009] 其中，所述風(fēng)險實時分析服務(wù)器包括：
[0010] (1)數(shù)據(jù)預(yù)處理模塊，用于對海洋網(wǎng)絡(luò)數(shù)據(jù)庫實時更新的信息數(shù)據(jù)進(jìn)行數(shù)據(jù)清理 和清洗，過濾掉包含噪音和異常的數(shù)據(jù)，形成用戶行為分析的有效數(shù)據(jù)集；
[0011] (2)基于改進(jìn)K-means聚類方法的數(shù)據(jù)分析模塊，用于對所述有效數(shù)據(jù)集進(jìn)行分類 整理和分析，并對用戶的行為進(jìn)行分析，輸出用戶行為分析結(jié)果；
[0012] (3)反饋模塊，用于根據(jù)用戶行為分析結(jié)果，識別用戶行為風(fēng)險操作，并從海洋網(wǎng) 絡(luò)數(shù)據(jù)庫中提取相應(yīng)的安全策略，再匯總風(fēng)險操作和相應(yīng)的安全策略打包成反饋信息。
[0013] 其中，所述基于改進(jìn)K-means聚類方法的數(shù)據(jù)分析模塊包括依次連接的數(shù)據(jù)準(zhǔn)備 單元、數(shù)據(jù)挖掘單元和用戶行為分析單元；
[0014] 所述數(shù)據(jù)準(zhǔn)備單元用于剔除有效數(shù)據(jù)集中的缺失值和異常值，并進(jìn)一步進(jìn)行歸一 化處理；
[0015] 所述數(shù)據(jù)挖掘單元用于采用改進(jìn)K-means聚類方法對由數(shù)據(jù)準(zhǔn)備單元處理過的有 效數(shù)據(jù)集進(jìn)行聚類，并建立用戶分群模型；
[0016] 所述用戶行為分析單元用于采用決策樹算法對所述分群模型進(jìn)行標(biāo)識區(qū)分，識別 用戶身份，并根據(jù)標(biāo)識區(qū)分識別結(jié)果建立人工神經(jīng)網(wǎng)絡(luò)模型，進(jìn)而對用戶行為進(jìn)行預(yù)測并 輸出用戶行為分析結(jié)果。
[0017] 其中，所述數(shù)據(jù)挖掘單元采用改進(jìn)K-means聚類方法對由數(shù)據(jù)準(zhǔn)備單元處理過的 有效數(shù)據(jù)集進(jìn)行聚類，具體為：
[0018] 1)設(shè)所述有效數(shù)據(jù)集具有η個樣本，對η個樣本進(jìn)行向量化，通過夾角余弦函數(shù)計 算所有樣本兩兩之間的相似度，得到相似度矩陣XS;
[0019] 2)對相似度矩陣XS的每一行進(jìn)行求和，計算出每一個樣本與整個有效數(shù)據(jù)集的相 似度，設(shè)XS = [ sim(ai，aj) ]ηχη，i，j = 1，…，η，其中sim(ai，aj)表示樣本ai，aj間的相似度，求 和公式為：
[0021] 3)按降序排列XSP，p = 1，…，η，設(shè)XSP按從大到小排列的前4個值為XSmax，XSmax-i，
，選擇與最大值xsmajg對應(yīng)的樣本作 為第一個初始的聚簇中心，否則選擇與xsmax，XSmtl·，XSmax-2，XS max-3對應(yīng)的四個樣本的均值 作為第一個初始的簇中心，T為設(shè)定的比例值；
[0022] 4)將最大值為XSmax對應(yīng)的矩陣中行向量的元素進(jìn)行升序排列，假設(shè)前k-Ι個最小 的元素為乂3 [)(1，(1=1，一，1^-1，選擇前1^-1個最小的元素乂5[)(1相對應(yīng)的樣本作為剩余的1^-1個 初始的聚簇中心，其中所述k值的設(shè)定方法為:設(shè)定k值可能取值的區(qū)間，通過測試k的不同 取值，并對區(qū)間內(nèi)的各個值進(jìn)行聚類，通過比較協(xié)方差，確定聚類之間的顯著性差異，從而 來探査聚類的類型信息，并最終確定合適的HI;
[0023] 5)計算剩余樣本與各初始的聚簇中心之間的相似度，將剩余樣本分發(fā)到相似度最 高的聚簇中，形成變化后的k個聚簇；
[0024] 6)計算變化后的聚簇中各樣本的均值，將其作為更新后的聚簇中心代替更新前的 聚簇中心；
[0025] 7)若更新前的聚簇中心與更新后的聚簇中心相同，或者目標(biāo)函數(shù)達(dá)到了最小值， 停止更新，所述目標(biāo)函數(shù)為：
[0027] 其中，C4表示k個聚簇中的第1個聚簇，ax為第1個聚簇中的樣本，S5為第1個聚簇的 中心。
[0028] 其中，所述設(shè)定的比例值T的取值范圍為[1.4,1.6]。
[0029] 本發(fā)明的有益效果為：
[0030] 1、設(shè)置風(fēng)險實時分析服務(wù)器和預(yù)警設(shè)備，對與海洋網(wǎng)絡(luò)安全相關(guān)的信息數(shù)據(jù)進(jìn)行 分析，得出用戶潛在的風(fēng)險操作，并針對風(fēng)險實時分析服務(wù)器輸出的反饋信息進(jìn)行選擇性 防御和報警，保證了系統(tǒng)的安全，又避免了系統(tǒng)資源的閑置；
[0031] 2、設(shè)置基于改進(jìn)K-means聚類方法的數(shù)據(jù)分析模塊，采用改進(jìn)K-means聚類方法對 由數(shù)據(jù)準(zhǔn)備單元處理過的有效數(shù)據(jù)集進(jìn)行聚類，有效避免單一采取隨機(jī)抽樣方法所帶來的 偶然性，解決原有算法在選取k值以及初始化聚類中心時所存在的問題，提高了聚類穩(wěn)定 性，進(jìn)一步提高了數(shù)據(jù)分析的準(zhǔn)確度；
[0032] 3、設(shè)置的用戶行為分析單元采用決策樹算法對分群模型進(jìn)行標(biāo)識區(qū)分，識別用戶 身份，并根據(jù)標(biāo)識區(qū)分識別結(jié)果建立人工神經(jīng)網(wǎng)絡(luò)模型，進(jìn)而對用戶行為進(jìn)行預(yù)測，識別效 果好，預(yù)測精度較高。
【附圖說明】
[0033]利用附圖對本發(fā)明作進(jìn)一步說明，但附圖中的實施例不構(gòu)成對本發(fā)明的任何限 制，對于本領(lǐng)域的普通技術(shù)人員，在不付出創(chuàng)造性勞動的前提下，還可以根據(jù)以下附圖獲得 其它的附圖。
[0034]圖1是本發(fā)明的結(jié)構(gòu)連接示意圖；
[0035] 圖2是本發(fā)明海洋網(wǎng)絡(luò)數(shù)據(jù)采集設(shè)備中各模塊的連接示意圖。
[0036] 附圖標(biāo)記：
[0037]海洋網(wǎng)絡(luò)數(shù)據(jù)采集設(shè)備1、海洋網(wǎng)絡(luò)數(shù)據(jù)存儲設(shè)備2、風(fēng)險實時分析服務(wù)器3、顯示 設(shè)備4、預(yù)警設(shè)備5。
【具體實施方式】
[0038]結(jié)合以下實施例對本發(fā)明作進(jìn)一步描述。
[0039] 實施例1
[0040]參見圖1、圖2,本實施例海洋網(wǎng)絡(luò)安全風(fēng)險防御系統(tǒng)，包括海洋網(wǎng)絡(luò)數(shù)據(jù)采集設(shè)備 1、海洋網(wǎng)絡(luò)數(shù)據(jù)存儲設(shè)備2、風(fēng)險實時分析服務(wù)器3、顯示設(shè)備4和預(yù)警設(shè)備5;所述海洋網(wǎng)絡(luò) 數(shù)據(jù)采集設(shè)備1，用于采集各種與海洋網(wǎng)絡(luò)安全相關(guān)的信息數(shù)據(jù);所述海洋網(wǎng)絡(luò)數(shù)據(jù)存儲設(shè) 備2,與海洋網(wǎng)絡(luò)數(shù)據(jù)采集設(shè)備1連接，用于將海洋網(wǎng)絡(luò)數(shù)據(jù)采集設(shè)備1采集的信息數(shù)據(jù)經(jīng)過 機(jī)密性篩選與整理后存儲到海洋網(wǎng)絡(luò)數(shù)據(jù)庫中，海洋網(wǎng)絡(luò)數(shù)據(jù)庫對存儲的信息數(shù)據(jù)進(jìn)行實 時更新與監(jiān)測;所述風(fēng)險實時分析服務(wù)器3,與海洋網(wǎng)絡(luò)數(shù)據(jù)庫連接，用于對海洋網(wǎng)絡(luò)數(shù)據(jù) 庫實時更新的信息數(shù)據(jù)進(jìn)行風(fēng)險分析并輸出反饋信息;所述顯示設(shè)備4,與風(fēng)險實時分析服 務(wù)器3連接，用于顯示風(fēng)險實時分析服務(wù)器輸出的反饋信息，并形成日志文件;所述預(yù)警設(shè) 備5根據(jù)反饋信息進(jìn)行選擇性防御和報警。
[0041] 其中，所述海洋網(wǎng)絡(luò)數(shù)據(jù)采集設(shè)備1包括視頻采集模塊、控制模塊和通信模塊，所 述視頻采集模塊用于采集與信息數(shù)據(jù)相關(guān)的視頻;所述控制模塊，與視頻采集模塊連接，用 于通過所述通信模塊控制所述視頻采集的視頻信息的無線發(fā)送。
[0042] 其中，所述海洋網(wǎng)絡(luò)數(shù)據(jù)庫中預(yù)先存儲有針對用戶行為風(fēng)險操作的安全策略。
[0043] 其中，所述風(fēng)險實時分析服務(wù)器3包括：
[0044] (1)數(shù)據(jù)預(yù)處理模塊，用于對海洋網(wǎng)絡(luò)數(shù)據(jù)庫實時更新的信息數(shù)據(jù)進(jìn)行數(shù)據(jù)清理 和清洗，過濾掉包含噪音和異常的數(shù)據(jù)，形成用戶行為分析的有效數(shù)據(jù)集；
[0045] (2)基于改進(jìn)K-means聚類方法的數(shù)據(jù)分析模塊，用于對所述有效數(shù)據(jù)集進(jìn)行分類 整理和分析，并對用戶的行為進(jìn)行分析，輸出用戶行為分析結(jié)果；
[0046] (3)反饋模塊，用于根據(jù)用戶行為分析結(jié)果，識別用戶行為風(fēng)險操作，并從海洋網(wǎng) 絡(luò)數(shù)據(jù)庫中提取相應(yīng)的安全策略，再匯總風(fēng)險操作和相應(yīng)的安全策略打包成反饋信息。
[0047] 其中，所述基于改進(jìn)K-means聚類方法的數(shù)據(jù)分析模塊包括依次連接的數(shù)據(jù)準(zhǔn)備 單元、數(shù)據(jù)挖掘單元和用戶行為分析單元；
[0048] 所述數(shù)據(jù)準(zhǔn)備單元用于剔除有效數(shù)據(jù)集中的缺失值和異常值，并進(jìn)一步進(jìn)行歸一 化處理；
[0049] 所述數(shù)據(jù)挖掘單元用于采用改進(jìn)K-means聚類方法對由數(shù)據(jù)準(zhǔn)備單元處理過的有 效數(shù)據(jù)集進(jìn)行聚類，并建立用戶分群模型；
[0050] 所述用戶行為分析單元用于采用決策樹算法對所述分群模型進(jìn)行標(biāo)識區(qū)分，識別 用戶身份，并根據(jù)標(biāo)識區(qū)分識別結(jié)果建立人工神經(jīng)網(wǎng)絡(luò)模型，進(jìn)而對用戶行為進(jìn)行預(yù)測并 輸出用戶行為分析結(jié)果。
[0051] 其中，所述數(shù)據(jù)挖掘單元采用改進(jìn)K-means聚類方法對由數(shù)據(jù)準(zhǔn)備單元處理過的 有效數(shù)據(jù)集進(jìn)行聚類，具體為：
[0052] 1)設(shè)所述有效數(shù)據(jù)集具有η個樣本，對η個樣本進(jìn)行向量化，通過夾角余弦函數(shù)計 算所有樣本兩兩之間的相似度，得到相似度矩陣XS;
[0053] 2)對相似度矩陣XS的每一行進(jìn)行求和，計算出每一個樣本與整個有效數(shù)據(jù)集的相 似度，設(shè)XS = [ sim(ai，aj) ]ηχη，i，j = 1，…，η，其中sim(ai，aj)表示樣本ai，aj間的相似度，求 和公式為：
[0055] 3)按降序排列XSP，p = 1，…，η，設(shè)XSP按從大到小排列的前4個值為XSmax，XSmd，
選擇與最大值XSmajg對應(yīng)的樣本作 為第一個初始的聚簇中心，否則選擇與XSmax，XSmti，XSmax-2，XS max-3對應(yīng)的四個樣本的均值 作為第一個初始的簇中心，T為設(shè)定的比例值；
[0056] 4)將最大值為XSmax對應(yīng)的矩陣中行向量的元素進(jìn)行升序排列，假設(shè)前k-Ι個最小 的元素為乂3 [)(1，(1=1，一，1^-1，選擇前1^-1個最小的元素乂5[)(1相對應(yīng)的樣本作為剩余的1^-1個 初始的聚簇中心，其中所述k值的設(shè)定方法為:設(shè)定k值可能取值的區(qū)間，通過測試k的不同 取值，并對區(qū)間內(nèi)的各個值進(jìn)行聚類，通過比較協(xié)方差，確定聚類之間的顯著性差異，從而 來探査聚類的類型信息，并最終確定合適的HI;
[0057] 5)計算剩余樣本與各初始的聚簇中心之間的相似度，將剩余樣本分發(fā)到相似度最 高的聚簇中，形成變化后的k個聚簇；
[0058] 6)計算變化后的聚簇中各樣本的均值，將其作為更新后的聚簇中心代替更新前的 聚簇中心；
[0059] 7)若更新前的聚簇中心與更新后的聚簇中心相同，或者目標(biāo)函數(shù)達(dá)到了最小值， 停止更新，所述目標(biāo)函數(shù)為：
[0061] 其中，C4表示k個聚簇中的第1個聚簇，ax為第1個聚簇中的樣本，lil為第1個聚簇的 中心。
[0062] 本實施例設(shè)置風(fēng)險實時分析服務(wù)器3和預(yù)警設(shè)備5,對與海洋網(wǎng)絡(luò)安全相關(guān)的信息 數(shù)據(jù)進(jìn)行分析，得出用戶潛在的風(fēng)險操作，并針對風(fēng)險實時分析服務(wù)器3輸出的反饋信息進(jìn) 行選擇性防御和報警，保證了系統(tǒng)的安全，又避免了系統(tǒng)資源的閑置;設(shè)置的用戶行為分析 單元采用決策樹算法對分群模型進(jìn)行標(biāo)識區(qū)分，識別用戶身份，并根據(jù)標(biāo)識區(qū)分識別結(jié)果 建立人工神經(jīng)網(wǎng)絡(luò)模型，進(jìn)而對用戶行為進(jìn)行預(yù)測，識別效果好，預(yù)測精度較高；設(shè)置基于 改進(jìn)K-means聚類方法的數(shù)據(jù)分析模塊，采用改進(jìn)K-means聚類方法對由數(shù)據(jù)準(zhǔn)備單元處理 過的有效數(shù)據(jù)集進(jìn)行聚類，有效避免單一采取隨機(jī)抽樣方法所帶來的偶然性，解決原有算 法在選取k值以及初始化聚類中心時所存在的問題，提高了聚類穩(wěn)定性，進(jìn)一步提高了數(shù)據(jù) 分析的準(zhǔn)確度，其中定的比例值T的取值為1.4，數(shù)據(jù)分析的準(zhǔn)確度提高了4.5%。
[0063] 實施例2
[0064] 參見圖1、圖2,本實施例海洋網(wǎng)絡(luò)安全風(fēng)險防御系統(tǒng)，包括海洋網(wǎng)絡(luò)數(shù)據(jù)采集設(shè)備 1、海洋網(wǎng)絡(luò)數(shù)據(jù)存儲設(shè)備2、風(fēng)險實時分析服務(wù)器3、顯示設(shè)備4和預(yù)警設(shè)備5;所述海洋網(wǎng)絡(luò) 數(shù)據(jù)采集設(shè)備1，用于采集各種與海洋網(wǎng)絡(luò)安全相關(guān)的信息數(shù)據(jù);所述海洋網(wǎng)絡(luò)數(shù)據(jù)存儲設(shè) 備2,與海洋網(wǎng)絡(luò)數(shù)據(jù)采集設(shè)備1連接，用于將海洋網(wǎng)絡(luò)數(shù)據(jù)采集設(shè)備1采集的信息數(shù)據(jù)經(jīng)過 機(jī)密性篩選與整理后存儲到海洋網(wǎng)絡(luò)數(shù)據(jù)庫中，海洋網(wǎng)絡(luò)數(shù)據(jù)庫對存儲的信息數(shù)據(jù)進(jìn)行實 時更新與監(jiān)測;所述風(fēng)險實時分析服務(wù)器3,與海洋網(wǎng)絡(luò)數(shù)據(jù)庫連接，用于對海洋網(wǎng)絡(luò)數(shù)據(jù) 庫實時更新的信息數(shù)據(jù)進(jìn)行風(fēng)險分析并輸出反饋信息;所述顯示設(shè)備4,與風(fēng)險實時分析服 務(wù)器3連接，用于顯示風(fēng)險實時分析服務(wù)器輸出的反饋信息，并形成日志文件;所述預(yù)警設(shè) 備5根據(jù)反饋信息進(jìn)行選擇性防御和報警。
[0065] 其中，所述海洋網(wǎng)絡(luò)數(shù)據(jù)采集設(shè)備1包括視頻采集模塊、控制模塊和通信模塊，所 述視頻采集模塊用于采集與信息數(shù)據(jù)相關(guān)的視頻;所述控制模塊，與視頻采集模塊連接，用 于通過所述通信模塊控制所述視頻采集的視頻信息的無線發(fā)送。
[0066] 其中，所述海洋網(wǎng)絡(luò)數(shù)據(jù)庫中預(yù)先存儲有針對用戶行為風(fēng)險操作的安全策略。
[0067] 其中，所述風(fēng)險實時分析服務(wù)器3包括：
[0068] (1)數(shù)據(jù)預(yù)處理模塊，用于對海洋網(wǎng)絡(luò)數(shù)據(jù)庫實時更新的信息數(shù)據(jù)進(jìn)行數(shù)據(jù)清理 和清洗，過濾掉包含噪音和異常的數(shù)據(jù)，形成用戶行為分析的有效數(shù)據(jù)集；
[0069] (2)基于改進(jìn)K-means聚類方法的數(shù)據(jù)分析模塊，用于對所述有效數(shù)據(jù)集進(jìn)行分類 整理和分析，并對用戶的行為進(jìn)行分析，輸出用戶行為分析結(jié)果；
[0070] (3)反饋模塊，用于根據(jù)用戶行為分析結(jié)果，識別用戶行為風(fēng)險操作，并從海洋網(wǎng) 絡(luò)數(shù)據(jù)庫中提取相應(yīng)的安全策略，再匯總風(fēng)險操作和相應(yīng)的安全策略打包成反饋信息。
[0071] 其中，所述基于改進(jìn)K-means聚類方法的數(shù)據(jù)分析模塊包括依次連接的數(shù)據(jù)準(zhǔn)備 單元、數(shù)據(jù)挖掘單元和用戶行為分析單元；
[0072] 所述數(shù)據(jù)準(zhǔn)備單元用于剔除有效數(shù)據(jù)集中的缺失值和異常值，并進(jìn)一步進(jìn)行歸一 化處理；
[0073] 所述數(shù)據(jù)挖掘單元用于采用改進(jìn)K-means聚類方法對由數(shù)據(jù)準(zhǔn)備單元處理過的有 效數(shù)據(jù)集進(jìn)行聚類，并建立用戶分群模型；
[0074]所述用戶行為分析單元用于采用決策樹算法對所述分群模型進(jìn)行標(biāo)識區(qū)分，識別 用戶身份，并根據(jù)標(biāo)識區(qū)分識別結(jié)果建立人工神經(jīng)網(wǎng)絡(luò)模型，進(jìn)而對用戶行為進(jìn)行預(yù)測并 輸出用戶行為分析結(jié)果。
[0075] 其中，所述數(shù)據(jù)挖掘單元采用改進(jìn)K-means聚類方法對由數(shù)據(jù)準(zhǔn)備單元處理過的 有效數(shù)據(jù)集進(jìn)行聚類，具體為：
[0076] 1)設(shè)所述有效數(shù)據(jù)集具有η個樣本，對η個樣本進(jìn)行向量化，通過夾角余弦函數(shù)計 算所有樣本兩兩之間的相似度，得到相似度矩陣XS;
[0077] 2)對相似度矩陣XS的每一行進(jìn)行求和，計算出每一個樣本與整個有效數(shù)據(jù)集的相 似度，設(shè)XS = [ sim(ai，aj) ]ηχη，i，j = 1，…，η，其中sim(ai，aj)表示樣本ai，aj間的相似度，求 和公式為：
[0079] 3)按降序排列XSP，p = l，…，n，設(shè)XSP按從大到小排列的前4個值為XSmax，XSmax-i，
，選擇與最大值xsmajg對應(yīng)的樣本作 為第一個初始的聚簇中心，否則選擇與xsmax，XSmtl·，XSmax-2，XS max-3對應(yīng)的四個樣本的均值 作為第一個初始的簇中心，T為設(shè)定的比例值；
[0080] 4)將最大值為XSmax對應(yīng)的矩陣中行向量的元素進(jìn)行升序排列，假設(shè)前k-i個最小 的元素為乂3 [)(1，(1=1，一，1^-1，選擇前1^-1個最小的元素乂5[)(1相對應(yīng)的樣本作為剩余的1^-1個 初始的聚簇中心，其中所述k值的設(shè)定方法為:設(shè)定k值可能取值的區(qū)間，通過測試k的不同 取值，并對區(qū)間內(nèi)的各個值進(jìn)行聚類，通過比較協(xié)方差，確定聚類之間的顯著性差異，從而 來探査聚類的類型信息，并最終確定合適的HI;
[0081] 5)計算剩余樣本與各初始的聚簇中心之間的相似度，將剩余樣本分發(fā)到相似度最 高的聚簇中，形成變化后的k個聚簇；
[0082] 6)計算變化后的聚簇中各樣本的均值，將其作為更新后的聚簇中心代替更新前的 聚簇中心；
[0083] 7)若更新前的聚簇中心與更新后的聚簇中心相同，或者目標(biāo)函數(shù)達(dá)到了最小值， 停止更新，所述目標(biāo)函數(shù)為：
[0085] 其中，Q表示k個聚簇中的第1個聚簇，ax為第1個聚簇中的樣本，S5為第1個聚簇的 中心。
[0086] 本實施例設(shè)置風(fēng)險實時分析服務(wù)器3和預(yù)警設(shè)備5,對與海洋網(wǎng)絡(luò)安全相關(guān)的信息 數(shù)據(jù)進(jìn)行分析，得出用戶潛在的風(fēng)險操作，并針對風(fēng)險實時分析服務(wù)器3輸出的反饋信息進(jìn) 行選擇性防御和報警，保證了系統(tǒng)的安全，又避免了系統(tǒng)資源的閑置;設(shè)置的用戶行為分析 單元采用決策樹算法對分群模型進(jìn)行標(biāo)識區(qū)分，識別用戶身份，并根據(jù)標(biāo)識區(qū)分識別結(jié)果 建立人工神經(jīng)網(wǎng)絡(luò)模型，進(jìn)而對用戶行為進(jìn)行預(yù)測，識別效果好，預(yù)測精度較高；設(shè)置基于 改進(jìn)K-means聚類方法的數(shù)據(jù)分析模塊，采用改進(jìn)K-means聚類方法對由數(shù)據(jù)準(zhǔn)備單元處理 過的有效數(shù)據(jù)集進(jìn)行聚類，有效避免單一采取隨機(jī)抽樣方法所帶來的偶然性，解決原有算 法在選取k值以及初始化聚類中心時所存在的問題，提高了聚類穩(wěn)定性，進(jìn)一步提高了數(shù)據(jù) 分析的準(zhǔn)確度，其中定的比例值T的取值為1.45，數(shù)據(jù)分析的準(zhǔn)確度提高了4.6%。
[0087] 實施例3
[0088] 參見圖1、圖2,本實施例海洋網(wǎng)絡(luò)安全風(fēng)險防御系統(tǒng)，包括海洋網(wǎng)絡(luò)數(shù)據(jù)采集設(shè)備 1、海洋網(wǎng)絡(luò)數(shù)據(jù)存儲設(shè)備2、風(fēng)險實時分析服務(wù)器3、顯示設(shè)備4和預(yù)警設(shè)備5;所述海洋網(wǎng)絡(luò) 數(shù)據(jù)采集設(shè)備1，用于采集各種與海洋網(wǎng)絡(luò)安全相關(guān)的信息數(shù)據(jù);所述海洋網(wǎng)絡(luò)數(shù)據(jù)存儲設(shè) 備2,與海洋網(wǎng)絡(luò)數(shù)據(jù)采集設(shè)備1連接，用于將海洋網(wǎng)絡(luò)數(shù)據(jù)采集設(shè)備1采集的信息數(shù)據(jù)經(jīng)過 機(jī)密性篩選與整理后存儲到海洋網(wǎng)絡(luò)數(shù)據(jù)庫中，海洋網(wǎng)絡(luò)數(shù)據(jù)庫對存儲的信息數(shù)據(jù)進(jìn)行實 時更新與監(jiān)測;所述風(fēng)險實時分析服務(wù)器3,與海洋網(wǎng)絡(luò)數(shù)據(jù)庫連接，用于對海洋網(wǎng)絡(luò)數(shù)據(jù) 庫實時更新的信息數(shù)據(jù)進(jìn)行風(fēng)險分析并輸出反饋信息;所述顯示設(shè)備4,與風(fēng)險實時分析服 務(wù)器3連接，用于顯示風(fēng)險實時分析服務(wù)器輸出的反饋信息，并形成日志文件;所述預(yù)警設(shè) 備5根據(jù)反饋信息進(jìn)行選擇性防御和報警。
[0089] 其中，所述海洋網(wǎng)絡(luò)數(shù)據(jù)采集設(shè)備1包括視頻采集模塊、控制模塊和通信模塊，所 述視頻采集模塊用于采集與信息數(shù)據(jù)相關(guān)的視頻;所述控制模塊，與視頻采集模塊連接，用 于通過所述通信模塊控制所述視頻采集的視頻信息的無線發(fā)送。
[0090] 其中，所述海洋網(wǎng)絡(luò)數(shù)據(jù)庫中預(yù)先存儲有針對用戶行為風(fēng)險操作的安全策略。
[0091 ]其中，所述風(fēng)險實時分析服務(wù)器3包括：
[0092] (1)數(shù)據(jù)預(yù)處理模塊，用于對海洋網(wǎng)絡(luò)數(shù)據(jù)庫實時更新的信息數(shù)據(jù)進(jìn)行數(shù)據(jù)清理 和清洗，過濾掉包含噪音和異常的數(shù)據(jù)，形成用戶行為分析的有效數(shù)據(jù)集；
[0093] (2)基于改進(jìn)K-means聚類方法的數(shù)據(jù)分析模塊，用于對所述有效數(shù)據(jù)集進(jìn)行分類 整理和分析，并對用戶的行為進(jìn)行分析，輸出用戶行為分析結(jié)果；
[0094] (3)反饋模塊，用于根據(jù)用戶行為分析結(jié)果，識別用戶行為風(fēng)險操作，并從海洋網(wǎng) 絡(luò)數(shù)據(jù)庫中提取相應(yīng)的安全策略，再匯總風(fēng)險操作和相應(yīng)的安全策略打包成反饋信息。
[0095] 其中，所述基于改進(jìn)K-means聚類方法的數(shù)據(jù)分析模塊包括依次連接的數(shù)據(jù)準(zhǔn)備 單元、數(shù)據(jù)挖掘單元和用戶行為分析單元；
[0096] 所述數(shù)據(jù)準(zhǔn)備單元用于剔除有效數(shù)據(jù)集中的缺失值和異常值，并進(jìn)一步進(jìn)行歸一 化處理；
[0097] 所述數(shù)據(jù)挖掘單元用于采用改進(jìn)K-means聚類方法對由數(shù)據(jù)準(zhǔn)備單元處理過的有 效數(shù)據(jù)集進(jìn)行聚類，并建立用戶分群模型；
[0098] 所述用戶行為分析單元用于采用決策樹算法對所述分群模型進(jìn)行標(biāo)識區(qū)分，識別 用戶身份，并根據(jù)標(biāo)識區(qū)分識別結(jié)果建立人工神經(jīng)網(wǎng)絡(luò)模型，進(jìn)而對用戶行為進(jìn)行預(yù)測并 輸出用戶行為分析結(jié)果。
[0099] 其中，所述數(shù)據(jù)挖掘單元采用改進(jìn)K-means聚類方法對由數(shù)據(jù)準(zhǔn)備單元處理過的 有效數(shù)據(jù)集進(jìn)行聚類，具體為：
[0100] 1)設(shè)所述有效數(shù)據(jù)集具有η個樣本，對η個樣本進(jìn)行向量化，通過夾角余弦函數(shù)計 算所有樣本兩兩之間的相似度，得到相似度矩陣XS;
[0101] 2)對相似度矩陣XS的每一行進(jìn)行求和，計算出每一個樣本與整個有效數(shù)據(jù)集的相 似度，設(shè)XS = [ sim(ai，aj) ]ηχη，i，j = 1，…，η，其中sim(ai，aj)表示樣本ai，aj間的相似度，求 和公式為：
[0103] 3)按降序排列XSP，p = l，…，n，設(shè)XSP按從大到小排列的前4個值為XSmax，XSmax-i，
選擇與最大值XSma4S對應(yīng)的樣本作 為第一個初始的聚簇中心，否則選擇與xsmax，XSmtl·，XSmax-2，XS max-3對應(yīng)的四個樣本的均值 作為第一個初始的簇中心，T為設(shè)定的比例值；
[0104] 4)將最大值為XSmax對應(yīng)的矩陣中行向量的元素進(jìn)行升序排列，假設(shè)前k-Ι個最小 的元素為乂3 [)(1，(1=1，一，1^-1，選擇前1^-1個最小的元素乂5[)(1相對應(yīng)的樣本作為剩余的1^-1個 初始的聚簇中心，其中所述k值的設(shè)定方法為:設(shè)定k值可能取值的區(qū)間，通過測試k的不同 取值，并對區(qū)間內(nèi)的各個值進(jìn)行聚類，通過比較協(xié)方差，確定聚類之間的顯著性差異，從而 來探査聚類的類型信息，并最終確定合適的HI;
[0105] 5)計算剩余樣本與各初始的聚簇中心之間的相似度，將剩余樣本分發(fā)到相似度最 高的聚簇中，形成變化后的k個聚簇；
[0106] 6)計算變化后的聚簇中各樣本的均值，將其作為更新后的聚簇中心代替更新前的 聚簇中心；
[0107] 7)若更新前的聚簇中心與更新后的聚簇中心相同，或者目標(biāo)函數(shù)達(dá)到了最小值， 停止更新，所述目標(biāo)函數(shù)為：
[0109] 其中，Q表示k個聚簇中的第1個聚簇，ax為第1個聚簇中的樣本，應(yīng):為第1個聚簇的 中心。
[0110] 本實施例設(shè)置風(fēng)險實時分析服務(wù)器3和預(yù)警設(shè)備5,對與海洋網(wǎng)絡(luò)安全相關(guān)的信息 數(shù)據(jù)進(jìn)行分析，得出用戶潛在的風(fēng)險操作，并針對風(fēng)險實時分析服務(wù)器3輸出的反饋信息進(jìn) 行選擇性防御和報警，保證了系統(tǒng)的安全，又避免了系統(tǒng)資源的閑置;設(shè)置的用戶行為分析 單元采用決策樹算法對分群模型進(jìn)行標(biāo)識區(qū)分，識別用戶身份，并根據(jù)標(biāo)識區(qū)分識別結(jié)果 建立人工神經(jīng)網(wǎng)絡(luò)模型，進(jìn)而對用戶行為進(jìn)行預(yù)測，識別效果好，預(yù)測精度較高；設(shè)置基于 改進(jìn)K-means聚類方法的數(shù)據(jù)分析模塊，采用改進(jìn)K-means聚類方法對由數(shù)據(jù)準(zhǔn)備單元處理 過的有效數(shù)據(jù)集進(jìn)行聚類，有效避免單一采取隨機(jī)抽樣方法所帶來的偶然性，解決原有算 法在選取k值以及初始化聚類中心時所存在的問題，提高了聚類穩(wěn)定性，進(jìn)一步提高了數(shù)據(jù) 分析的準(zhǔn)確度，其中定的比例值T的取值為1.5,數(shù)據(jù)分析的準(zhǔn)確度提高了5%。
[0111] 實施例4
[0112] 參見圖1、圖2,本實施例海洋網(wǎng)絡(luò)安全風(fēng)險防御系統(tǒng)，包括海洋網(wǎng)絡(luò)數(shù)據(jù)采集設(shè)備 1、海洋網(wǎng)絡(luò)數(shù)據(jù)存儲設(shè)備2、風(fēng)險實時分析服務(wù)器3、顯示設(shè)備4和預(yù)警設(shè)備5;所述海洋網(wǎng)絡(luò) 數(shù)據(jù)采集設(shè)備1，用于采集各種與海洋網(wǎng)絡(luò)安全相關(guān)的信息數(shù)據(jù);所述海洋網(wǎng)絡(luò)數(shù)據(jù)存儲設(shè) 備2,與海洋網(wǎng)絡(luò)數(shù)據(jù)采集設(shè)備1連接，用于將海洋網(wǎng)絡(luò)數(shù)據(jù)采集設(shè)備1采集的信息數(shù)據(jù)經(jīng)過 機(jī)密性篩選與整理后存儲到海洋網(wǎng)絡(luò)數(shù)據(jù)庫中，海洋網(wǎng)絡(luò)數(shù)據(jù)庫對存儲的信息數(shù)據(jù)進(jìn)行實 時更新與監(jiān)測;所述風(fēng)險實時分析服務(wù)器3,與海洋網(wǎng)絡(luò)數(shù)據(jù)庫連接，用于對海洋網(wǎng)絡(luò)數(shù)據(jù) 庫實時更新的信息數(shù)據(jù)進(jìn)行風(fēng)險分析并輸出反饋信息;所述顯示設(shè)備4,與風(fēng)險實時分析服 務(wù)器3連接，用于顯示風(fēng)險實時分析服務(wù)器輸出的反饋信息，并形成日志文件;所述預(yù)警設(shè) 備5根據(jù)反饋信息進(jìn)行選擇性防御和報警。
[0113]其中，所述海洋網(wǎng)絡(luò)數(shù)據(jù)采集設(shè)備1包括視頻采集模塊、控制模塊和通信模塊，所 述視頻采集模塊用于采集與信息數(shù)據(jù)相關(guān)的視頻;所述控制模塊，與視頻采集模塊連接，用 于通過所述通信模塊控制所述視頻采集的視頻信息的無線發(fā)送。
[0114] 其中，所述海洋網(wǎng)絡(luò)數(shù)據(jù)庫中預(yù)先存儲有針對用戶行為風(fēng)險操作的安全策略。
[0115] 其中，所述風(fēng)險實時分析服務(wù)器3包括：
[0116] (1)數(shù)據(jù)預(yù)處理模塊，用于對海洋網(wǎng)絡(luò)數(shù)據(jù)庫實時更新的信息數(shù)據(jù)進(jìn)行數(shù)據(jù)清理 和清洗，過濾掉包含噪音和異常的數(shù)據(jù)，形成用戶行為分析的有效數(shù)據(jù)集；
[0117] (2)基于改進(jìn)K-means聚類方法的數(shù)據(jù)分析模塊，用于對所述有效數(shù)據(jù)集進(jìn)行分類 整理和分析，并對用戶的行為進(jìn)行分析，輸出用戶行為分析結(jié)果；
[0118] (3)反饋模塊，用于根據(jù)用戶行為分析結(jié)果，識別用戶行為風(fēng)險操作，并從海洋網(wǎng) 絡(luò)數(shù)據(jù)庫中提取相應(yīng)的安全策略，再匯總風(fēng)險操作和相應(yīng)的安全策略打包成反饋信息。
[0119] 其中，所述基于改進(jìn)K-means聚類方法的數(shù)據(jù)分析模塊包括依次連接的數(shù)據(jù)準(zhǔn)備 單元、數(shù)據(jù)挖掘單元和用戶行為分析單元；
[0120] 所述數(shù)據(jù)準(zhǔn)備單元用于剔除有效數(shù)據(jù)集中的缺失值和異常值，并進(jìn)一步進(jìn)行歸一 化處理；
[0121] 所述數(shù)據(jù)挖掘單元用于采用改進(jìn)K-means聚類方法對由數(shù)據(jù)準(zhǔn)備單元處理過的有 效數(shù)據(jù)集進(jìn)行聚類，并建立用戶分群模型；
[0122] 所述用戶行為分析單元用于采用決策樹算法對所述分群模型進(jìn)行標(biāo)識區(qū)分，識別 用戶身份，并根據(jù)標(biāo)識區(qū)分識別結(jié)果建立人工神經(jīng)網(wǎng)絡(luò)模型，進(jìn)而對用戶行為進(jìn)行預(yù)測并 輸出用戶行為分析結(jié)果。
[0123] 其中，所述數(shù)據(jù)挖掘單元采用改進(jìn)K-means聚類方法對由數(shù)據(jù)準(zhǔn)備單元處理過的 有效數(shù)據(jù)集進(jìn)行聚類，具體為：
[0124] 1)設(shè)所述有效數(shù)據(jù)集具有η個樣本，對η個樣本進(jìn)行向量化，通過夾角余弦函數(shù)計 算所有樣本兩兩之間的相似度，得到相似度矩陣XS;
[0125] 2)對相似度矩陣XS的每一行進(jìn)行求和，計算出每一個樣本與整個有效數(shù)據(jù)集的相 似度，設(shè)XS = [ sim(ai，aj) ]ηχη，i，j = 1，…，η，其中sim(ai，aj)表示樣本ai，aj間的相似度，求 和公式為：
[0127] 3)按降序排列XSP，p = 1，…，η，設(shè)XSP按從大到小排列的前4個值為XSmax，XSmax-i，
'選擇與最大值XSma4S對應(yīng)的樣本作 為第一個初始的聚簇中心，否則選擇與xsmax，XSmtl·，XSmax-2，XS max-3對應(yīng)的四個樣本的均值 作為第一個初始的簇中心，T為設(shè)定的比例值；
[0128] 4)將最大值為XSmax對應(yīng)的矩陣中行向量的元素進(jìn)行升序排列，假設(shè)前k-Ι個最小 的元素為乂3 [)(1，(1=1，一，1^-1，選擇前1^-1個最小的元素乂5[)(1相對應(yīng)的樣本作為剩余的1^-1個 初始的聚簇中心，其中所述k值的設(shè)定方法為:設(shè)定k值可能取值的區(qū)間，通過測試k的不同 取值，并對區(qū)間內(nèi)的各個值進(jìn)行聚類，通過比較協(xié)方差，確定聚類之間的顯著性差異，從而 來探査聚類的類型信息，并最終確定合適的HI;
[0129] 5)計算剩余樣本與各初始的聚簇中心之間的相似度，將剩余樣本分發(fā)到相似度最 高的聚簇中，形成變化后的k個聚簇；
[0130] 6)計算變化后的聚簇中各樣本的均值，將其作為更新后的聚簇中心代替更新前的 聚簇中心；
[0131] 7)若更新前的聚簇中心與更新后的聚簇中心相同，或者目標(biāo)函數(shù)達(dá)到了最小值， 停止更新，所述目標(biāo)函數(shù)為：
[0133] 其中，Q表示k個聚簇中的第1個聚簇，ax為第1個聚簇中的樣本，.為第1個聚簇的 中心。
[0134] 本實施例設(shè)置風(fēng)險實時分析服務(wù)器3和預(yù)警設(shè)備5,對與海洋網(wǎng)絡(luò)安全相關(guān)的信息 數(shù)據(jù)進(jìn)行分析，得出用戶潛在的風(fēng)險操作，并針對風(fēng)險實時分析服務(wù)器3輸出的反饋信息進(jìn) 行選擇性防御和報警，保證了系統(tǒng)的安全，又避免了系統(tǒng)資源的閑置;設(shè)置的用戶行為分析 單元采用決策樹算法對分群模型進(jìn)行標(biāo)識區(qū)分，識別用戶身份，并根據(jù)標(biāo)識區(qū)分識別結(jié)果 建立人工神經(jīng)網(wǎng)絡(luò)模型，進(jìn)而對用戶行為進(jìn)行預(yù)測，識別效果好，預(yù)測精度較高；設(shè)置基于 改進(jìn)K-means聚類方法的數(shù)據(jù)分析模塊，采用改進(jìn)K-means聚類方法對由數(shù)據(jù)準(zhǔn)備單元處理 過的有效數(shù)據(jù)集進(jìn)行聚類，有效避免單一采取隨機(jī)抽樣方法所帶來的偶然性，解決原有算 法在選取k值以及初始化聚類中心時所存在的問題，提高了聚類穩(wěn)定性，進(jìn)一步提高了數(shù)據(jù) 分析的準(zhǔn)確度，其中定的比例值T的取值為1.55，數(shù)據(jù)分析的準(zhǔn)確度提高了4.7%。
[0135] 實施例5
[0136] 參見圖1、圖2,本實施例海洋網(wǎng)絡(luò)安全風(fēng)險防御系統(tǒng)，包括海洋網(wǎng)絡(luò)數(shù)據(jù)采集設(shè)備 1、海洋網(wǎng)絡(luò)數(shù)據(jù)存儲設(shè)備2、風(fēng)險實時分析服務(wù)器3、顯示設(shè)備4和預(yù)警設(shè)備5;所述海洋網(wǎng)絡(luò) 數(shù)據(jù)采集設(shè)備1，用于采集各種與海洋網(wǎng)絡(luò)安全相關(guān)的信息數(shù)據(jù);所述海洋網(wǎng)絡(luò)數(shù)據(jù)存儲設(shè) 備2,與海洋網(wǎng)絡(luò)數(shù)據(jù)采集設(shè)備1連接，用于將海洋網(wǎng)絡(luò)數(shù)據(jù)采集設(shè)備1采集的信息數(shù)據(jù)經(jīng)過 機(jī)密性篩選與整理后存儲到海洋網(wǎng)絡(luò)數(shù)據(jù)庫中，海洋網(wǎng)絡(luò)數(shù)據(jù)庫對存儲的信息數(shù)據(jù)進(jìn)行實 時更新與監(jiān)測;所述風(fēng)險實時分析服務(wù)器3,與海洋網(wǎng)絡(luò)數(shù)據(jù)庫連接，用于對海洋網(wǎng)絡(luò)數(shù)據(jù) 庫實時更新的信息數(shù)據(jù)進(jìn)行風(fēng)險分析并輸出反饋信息;所述顯示設(shè)備4,與風(fēng)險實時分析服 務(wù)器3連接，用于顯示風(fēng)險實時分析服務(wù)器輸出的反饋信息，并形成日志文件;所述預(yù)警設(shè) 備5根據(jù)反饋信息進(jìn)行選擇性防御和報警。
[0137] 其中，所述海洋網(wǎng)絡(luò)數(shù)據(jù)采集設(shè)備1包括視頻采集模塊、控制模塊和通信模塊，所 述視頻采集模塊用于采集與信息數(shù)據(jù)相關(guān)的視頻;所述控制模塊，與視頻采集模塊連接，用 于通過所述通信模塊控制所述視頻采集的視頻信息的無線發(fā)送。
[0138] 其中，所述海洋網(wǎng)絡(luò)數(shù)據(jù)庫中預(yù)先存儲有針對用戶行為風(fēng)險操作的安全策略。
[0139] 其中，所述風(fēng)險實時分析服務(wù)器3包括：
[0140] (1)數(shù)據(jù)預(yù)處理模塊，用于對海洋網(wǎng)絡(luò)數(shù)據(jù)庫實時更新的信息數(shù)據(jù)進(jìn)行數(shù)據(jù)清理 和清洗，過濾掉包含噪音和異常的數(shù)據(jù)，形成用戶行為分析的有效數(shù)據(jù)集；
[0141] (2)基于改進(jìn)K-means聚類方法的數(shù)據(jù)分析模塊，用于對所述有效數(shù)據(jù)集進(jìn)行分類 整理和分析，并對用戶的行為進(jìn)行分析，輸出用戶行為分析結(jié)果；
[0142] (3)反饋模塊，用于根據(jù)用戶行為分析結(jié)果，識別用戶行為風(fēng)險操作，并從海洋網(wǎng) 絡(luò)數(shù)據(jù)庫中提取相應(yīng)的安全策略，再匯總風(fēng)險操作和相應(yīng)的安全策略打包成反饋信息。
[0143] 其中，所述基于改進(jìn)K-means聚類方法的數(shù)據(jù)分析模塊包括依次連接的數(shù)據(jù)準(zhǔn)備 單元、數(shù)據(jù)挖掘單元和用戶行為分析單元；
[0144] 所述數(shù)據(jù)準(zhǔn)備單元用于剔除有效數(shù)據(jù)集中的缺失值和異常值，并進(jìn)一步進(jìn)行歸一 化處理；
[0145] 所述數(shù)據(jù)挖掘單元用于采用改進(jìn)K-means聚類方法對由數(shù)據(jù)準(zhǔn)備單元處理過的有 效數(shù)據(jù)集進(jìn)行聚類，并建立用戶分群模型；
[0146] 所述用戶行為分析單元用于采用決策樹算法對所述分群模型進(jìn)行標(biāo)識區(qū)分，識別 用戶身份，并根據(jù)標(biāo)識區(qū)分識別結(jié)果建立人工神經(jīng)網(wǎng)絡(luò)模型，進(jìn)而對用戶行為進(jìn)行預(yù)測并 輸出用戶行為分析結(jié)果。
[0147] 其中，所述數(shù)據(jù)挖掘單元采用改進(jìn)K-means聚類方法對由數(shù)據(jù)準(zhǔn)備單元處理過的 有效數(shù)據(jù)集進(jìn)行聚類，具體為：
[0148] 1)設(shè)所述有效數(shù)據(jù)集具有η個樣本，對η個樣本進(jìn)行向量化，通過夾角余弦函數(shù)計 算所有樣本兩兩之間的相似度，得到相似度矩陣XS;
[0149] 2)對相似度矩陣XS的每一行進(jìn)行求和，計算出每一個樣本與整個有效數(shù)據(jù)集的相 似度，設(shè)XS = [ sim(ai，aj) ]ηχη，i，j = 1，…，η，其中sim(ai，aj)表示樣本ai，aj間的相似度，求 和公式為：
[0151] 3)按降序排列XSP，p = 1，…，η，設(shè)XSP按從大到小排列的前4個值為XSmax，XSmax-i，
選擇與最大值xsmajg對應(yīng)的樣本作 為第一個初始的聚簇中心，否則選擇與xsmax，XSmtl·，XSmax-2，XS max-3對應(yīng)的四個樣本的均值 作為第一個初始的簇中心，T為設(shè)定的比例值；
[0152] 4)將最大值為XSmax對應(yīng)的矩陣中行向量的元素進(jìn)行升序排列，假設(shè)前k-Ι個最小 的元素為乂3 [)(1，(1=1，一，1^-1，選擇前1^-1個最小的元素乂5[)(1相對應(yīng)的樣本作為剩余的1^-1個 初始的聚簇中心，其中所述k值的設(shè)定方法為:設(shè)定k值可能取值的區(qū)間，通過測試k的不同 取值，并對區(qū)間內(nèi)的各個值進(jìn)行聚類，通過比較協(xié)方差，確定聚類之間的顯著性差異，從而 來探査聚類的類型信息，并最終確定合適的HI;
[0153] 5)計算剩余樣本與各初始的聚簇中心之間的相似度，將剩余樣本分發(fā)到相似度最 高的聚簇中，形成變化后的k個聚簇；
[0154] 6)計算變化后的聚簇中各樣本的均值，將其作為更新后的聚簇中心代替更新前的 聚簇中心；
[0155] 7)若更新前的聚簇中心與更新后的聚簇中心相同，或者目標(biāo)函數(shù)達(dá)到了最小值， 停止更新，所述目標(biāo)函數(shù)為：
[0157] 其中，Q表示k個聚簇中的第1個聚簇，ax為第1個聚簇中的樣本，％:為第1個聚簇的 中心。
[0158] 本實施例設(shè)置風(fēng)險實時分析服務(wù)器3和預(yù)警設(shè)備5,對與海洋網(wǎng)絡(luò)安全相關(guān)的信息 數(shù)據(jù)進(jìn)行分析，得出用戶潛在的風(fēng)險操作，并針對風(fēng)險實時分析服務(wù)器3輸出的反饋信息進(jìn) 行選擇性防御和報警，保證了系統(tǒng)的安全，又避免了系統(tǒng)資源的閑置;設(shè)置的用戶行為分析 單元采用決策樹算法對分群模型進(jìn)行標(biāo)識區(qū)分，識別用戶身份，并根據(jù)標(biāo)識區(qū)分識別結(jié)果 建立人工神經(jīng)網(wǎng)絡(luò)模型，進(jìn)而對用戶行為進(jìn)行預(yù)測，識別效果好，預(yù)測精度較高；設(shè)置基于 改進(jìn)K-means聚類方法的數(shù)據(jù)分析模塊，采用改進(jìn)K-means聚類方法對由數(shù)據(jù)準(zhǔn)備單元處理 過的有效數(shù)據(jù)集進(jìn)行聚類，有效避免單一采取隨機(jī)抽樣方法所帶來的偶然性，解決原有算 法在選取k值以及初始化聚類中心時所存在的問題，提高了聚類穩(wěn)定性，進(jìn)一步提高了數(shù)據(jù) 分析的準(zhǔn)確度，其中定的比例值T的取值為1.6,數(shù)據(jù)分析的準(zhǔn)確度提高了3%。
[0159]最后應(yīng)當(dāng)說明的是，以上實施例僅用以說明本發(fā)明的技術(shù)方案，而非對本發(fā)明保 護(hù)范圍的限制，盡管參照較佳實施例對本發(fā)明作了詳細(xì)地說明，本領(lǐng)域的普通技術(shù)人員應(yīng) 當(dāng)理解，可以對本發(fā)明的技術(shù)方案進(jìn)行修改或者等同替換，而不脫離本發(fā)明技術(shù)方案的實 質(zhì)和范圍。
【主權(quán)項】
1. 海洋網(wǎng)絡(luò)安全風(fēng)險防御系統(tǒng)，其特征在于，包括海洋網(wǎng)絡(luò)數(shù)據(jù)采集設(shè)備、海洋網(wǎng)絡(luò)數(shù) 據(jù)存儲設(shè)備、風(fēng)險實時分析服務(wù)器、顯示設(shè)備和預(yù)警設(shè)備;所述海洋網(wǎng)絡(luò)數(shù)據(jù)采集設(shè)備，用 于采集各種與海洋網(wǎng)絡(luò)安全相關(guān)的信息數(shù)據(jù);所述海洋網(wǎng)絡(luò)數(shù)據(jù)存儲設(shè)備，與海洋網(wǎng)絡(luò)數(shù) 據(jù)采集設(shè)備連接，用于將海洋網(wǎng)絡(luò)數(shù)據(jù)采集設(shè)備采集的信息數(shù)據(jù)經(jīng)過機(jī)密性篩選與整理后 存儲到海洋網(wǎng)絡(luò)數(shù)據(jù)庫中，海洋網(wǎng)絡(luò)數(shù)據(jù)庫對存儲的信息數(shù)據(jù)進(jìn)行實時更新與監(jiān)測;所述 風(fēng)險實時分析服務(wù)器，與海洋網(wǎng)絡(luò)數(shù)據(jù)庫連接，用于對海洋網(wǎng)絡(luò)數(shù)據(jù)庫實時更新的信息數(shù) 據(jù)進(jìn)行風(fēng)險分析并輸出反饋信息;所述顯示設(shè)備，與風(fēng)險實時分析服務(wù)器連接，用于顯示風(fēng) 險實時分析服務(wù)器輸出的反饋信息，并形成日志文件;所述預(yù)警設(shè)備根據(jù)反饋信息進(jìn)行選 擇性防御和報警。2. 根據(jù)權(quán)利要求1所述的海洋網(wǎng)絡(luò)安全風(fēng)險防御系統(tǒng)，其特征在于，所述海洋網(wǎng)絡(luò)數(shù)據(jù) 采集設(shè)備包括視頻采集模塊、控制模塊和通信模塊，所述視頻采集模塊用于采集與信息數(shù) 據(jù)相關(guān)的視頻;所述控制模塊，與視頻采集模塊連接，用于通過所述通信模塊控制所述視頻 采集的視頻信息的無線發(fā)送。3. 根據(jù)權(quán)利要求1所述的海洋網(wǎng)絡(luò)安全風(fēng)險防御系統(tǒng)，其特征在于，所述海洋網(wǎng)絡(luò)數(shù)據(jù) 庫中預(yù)先存儲有針對用戶行為風(fēng)險操作的安全策略。4. 根據(jù)權(quán)利要求1所述的海洋網(wǎng)絡(luò)安全風(fēng)險防御系統(tǒng)，其特征在于，所述風(fēng)險實時分析 服務(wù)器包括： (1) 數(shù)據(jù)預(yù)處理模塊，用于對海洋網(wǎng)絡(luò)數(shù)據(jù)庫實時更新的信息數(shù)據(jù)進(jìn)行數(shù)據(jù)清理和清 洗，過濾掉包含噪音和異常的數(shù)據(jù)，形成用戶行為分析的有效數(shù)據(jù)集； (2) 基于改進(jìn)K-means聚類方法的數(shù)據(jù)分析模塊，用于對所述有效數(shù)據(jù)集進(jìn)行分類整理 和分析，并對用戶的行為進(jìn)行分析，輸出用戶行為分析結(jié)果； (3) 反饋模塊，用于根據(jù)用戶行為分析結(jié)果，識別用戶行為風(fēng)險操作，并從海洋網(wǎng)絡(luò)數(shù) 據(jù)庫中提取相應(yīng)的安全策略，再匯總風(fēng)險操作和相應(yīng)的安全策略打包成反饋信息。5. 根據(jù)權(quán)利要求1所述的海洋網(wǎng)絡(luò)安全風(fēng)險防御系統(tǒng)，其特征在于，所述基于改進(jìn)K- means聚類方法的數(shù)據(jù)分析模塊包括依次連接的數(shù)據(jù)準(zhǔn)備單元、數(shù)據(jù)挖掘單元和用戶行為 分析單元； 所述數(shù)據(jù)準(zhǔn)備單元用于剔除有效數(shù)據(jù)集中的缺失值和異常值，并進(jìn)一步進(jìn)行歸一化處 理； 所述數(shù)據(jù)挖掘單元用于采用改進(jìn)K-means聚類方法對由數(shù)據(jù)準(zhǔn)備單元處理過的有效數(shù) 據(jù)集進(jìn)行聚類，并建立用戶分群模型； 所述用戶行為分析單元用于采用決策樹算法對所述分群模型進(jìn)行標(biāo)識區(qū)分，識別用戶 身份，并根據(jù)標(biāo)識區(qū)分識別結(jié)果建立人工神經(jīng)網(wǎng)絡(luò)模型，進(jìn)而對用戶行為進(jìn)行預(yù)測并輸出 用戶行為分析結(jié)果。6. 根據(jù)權(quán)利要求1所述的海洋網(wǎng)絡(luò)安全風(fēng)險防御系統(tǒng)，其特征在于，所述數(shù)據(jù)挖掘單元 采用改進(jìn)K-means聚類方法對由數(shù)據(jù)準(zhǔn)備單元處理過的有效數(shù)據(jù)集進(jìn)行聚類，具體為： 1) 設(shè)所述有效數(shù)據(jù)集具有η個樣本，對η個樣本進(jìn)行向量化，通過夾角余弦函數(shù)計算所 有樣本兩兩之間的相似度，得到相似度矩陣XS; 2) 對相似度矩陣XS的每一行進(jìn)行求和，計算出每一個樣本與整個有效數(shù)據(jù)集的相似 度，設(shè)XS= [sim(ai，aj) ]ηΧη，i，j = l，…，η，其中sim(ai，aj)表示樣本ai,aj間的相似度，求和 公式為：3 )按降序排列XSp，P = 1，…，η，設(shè)XSp按從大到小排列的前4個值為XSmax，XSmax-1，XSmax-2， XSmax-3,若選擇與最大值XSmax相對應(yīng)的樣本作為第一 個初始的聚簇中屯、，否則選擇與XSmax，XSmax-1，XSmax-2，XSmax-3對應(yīng)的四個樣本的均值作為第 一個初始的簇中屯、，T為設(shè)定的比例值； 4) 將最大值為XSmax對應(yīng)的矩陣中行向量的元素進(jìn)行升序排列，假設(shè)前k-1個最小的元 素為XSpq，q=l，···，k-l，選擇前k-1個最小的元素 XSpq相對應(yīng)的樣本作為剩余的k-1個初始 的聚簇中屯、，其中所述k值的設(shè)定方法為:設(shè)定k值可能取值的區(qū)間，通過測試k的不同取值， 并對區(qū)間內(nèi)的各個值進(jìn)行聚類，通過比較協(xié)方差，確定聚類之間的顯著性差異，從而來探査 聚類的類型信息，并最終確定合適的HI; 5) 計算剩余樣本與各初始的聚簇中屯、之間的相似度，將剩余樣本分發(fā)到相似度最高的 聚簇中，形成變化后的k個聚簇； 6) 計算變化后的聚簇中各樣本的均值，將其作為更新后的聚簇中屯、代替更新前的聚簇 中屯、； 7) 若更新前的聚簇中屯、與更新后的聚簇中屯、相同，或者目標(biāo)函數(shù)達(dá)到了最小值，停止 更新，所述目標(biāo)函數(shù)為：其中，Cl表示k個聚簇中的第1個聚簇，ax為第1個聚簇中的樣本，馬^為第1個聚簇的中 屯、。7.根據(jù)權(quán)利要求1所述的海洋網(wǎng)絡(luò)安全風(fēng)險防御系統(tǒng)，其特征在于，所述設(shè)定的比例值 T的取值范圍為[1.4,1.6]。
【文檔編號】H04L29/06GK106096060SQ201610540831
【公開日】2016年11月9日
【申請日】2016年7月6日
【發(fā)明人】不公告發(fā)明人
【申請人】吳本剛