计算机安全审核中大数据技术的应用
前言：想要写出一篇引人入胜的文章？我们特意为您整理了计算机安全审核中大数据技术的应用范文，希望能给你带来灵感和参考，敬请阅读。
摘要：笔者以计算机信息安全为研究对象，分析大数据技术在信息安全系统中的具体应用，并尝试将系统优化，结合Apriori算法的应用理念，通过算法的应用流程展现大数据技术在计算机中的具体应用，分析大数据技术维护信息安全的能力，实现网络安全的目标。
关键词：Apriori算法；遗传算法；信息安全
引言
在大数据时代，网络信息安全问题来自多重因素，具体包括网络环境的开放性、人为操作的失误问题、黑客入侵、垃圾信息干扰等。为保障网络信息安全，可以采取的防护措施包括：增强计算机应用人员的安全防护意识、搭建防火墙、提升黑客的防护能力等。在防护措施中，以大数据技术为主导，具有良好的应用效果。
安全审核系统中包括多个模块，如图1所示，笔者分别从主机网络、集中式与分布式、智能3个方面建设安全审核系统。由图1可知，主机网络安全审核包括基于主机的安全审核和基于网络的安全审核。集中式安全审核系统和分布式审核系统，包括集中式安全审核和分布式安全审核。基于智能技术的分布式安全审核系统包括AAFID系统结构和AAFID的过滤器。主机视角开展的信息安全审核：依据系统日志识别入侵信息，针对入侵类型开展系统修复。网络安全审核：分析网络传输数据信息，保障数据安全。集中式与分布式开展的安全审核：将多个系统中的数据，实行数据采集与整合方式，加以数据分析，此方式极易引起网络传输容量不足、计算能力不佳等问题；在分布式信息审核系统中，借助网络检测器，融合于系统环节中，实现了采集数据完整传输至主机的技术目标，良好解决了集中计算产生的并发性能不足、传输效率不佳等问题，提升了安全审核的效率。分布式信息审核运行劣势为：引起中心系统单点失效问题、系统扩展能力不佳。由此发现，安全审核功能，在一定程度上保障了数据信息的完整性与安全性，能够为系统运行提供数据保障。
2大数据技术的应用
2.1系统优化
大数据应用系统的模块包括数据收集（采集）、数据保存（存储）、数据分析（挖掘）和数据应用（展示）。安全审核系统如图2所示。由图2可知，大数据计算支持的安全审核系统中，数据收集模块由日志、用户行为等8个部分组成，以此保障数据收集来源，有效获取多种结构的数据，包括结构化、半结构、非结构3种，并且从系统各模块中获取相关数据，包括流量类、行为类、检测类数据信息。当数据收集完成时，应将数据完整保存在分布式层级中。存储数据选择的技术有多种，具体包括MySQL、HDFS等，此类数据库能够有效保存数据。在数据分析模块中，采用的大数据技术为Mahout、遗传算法等计算方式，针对数据异常事件加以分析。
2.2Apriori算法
2.2.1算法理念Apriori算法属于应用较为广泛的数据分析计算方式，此算法理念为：假定数据库中含有n项数据，并用数据集符号S加以表示，即S={S1，S2，...，Sn}。与其相关联的数据T，作为数据库事务中的数据集合。为此，数据库中任意事务F，均作为数据集S的分项子集，存在T∈S的关系式。其中X、Y存在关联关系，并且满足X被包含于I、Y，包含于Y、X与Y的交集结果为空集[1]。在总事务占比中，以D作为符号，X与Y之间的关联支持度数值为P（X合并Y），在X占比置信度的计算中，X与Y关联关系的置信度数值为P（X|Y）。集合处理期间，针对数据集的多重性，有效集成数据，使之形成项集。如果数据集基数为m个，即称为m项集。如果数据集中存在支持度较高的一项，并且其设定的支持度最小阈值以min为表示方式，将此数据集作为频率较高的项集，即将序列全部的高频项集有序整合，形成新的项集，并以Lm为表示方式。Apriori算法开展的数据分析流程为：①以迭代方式，查询数据库中现存的高频数据集，此程序中计算数值的支持度＞设定阈值；②依据用户日志中提取的置信度的最小值分析数据价值。
2.2.2算法流程由数据分析可知：在Apriori算法的运行理念中，将每层搜索的数据，配合迭代的计算方式，有效获取了高频数据集，以数据分析技术为基础，获取高频数据集，以此确定数据集之间存在的关联关系。如图3所示，为Apriori算法的信息核算流程。Apriori算法的图解流程：①初始化操作，在数据库中搜索全部数据，并确定高频项集合S1；②将Sn-2（其中n不小于2）以自连接方式获取n阶数据，设定候选项目集合为Cn；③在备选高频项目中，将任意子集作为剔除对象，如果n阶备选项目中存在关系式为Cn-1∈Cn，并且Cn-1∉Sn-1，此种关系说明备选数据中不包含项频数，可将其剔除；④在②、③中执行流程，对于尚未发现高阶层次的项目数据，获取数据分析序列。Apriori算法的应用实例如下，获取了6组数据。序列1的数据集为：1、2、3、4、5、6、7。序列2的数据集为：2、5、6、9。序列3的数据集为：2、4、5。序列4的数据集为：1、3、7。序列5的数据集为：1、2、6。序列6的数据集为：2、3、6、7。结合实例的Apriori算法流程：遍历数据集，获取1阶项目数据集，即S1={1=3，2=5，……，9=1}，S2={12，13，14，15，……，46，47，49}，令S2自主连接，获取C3项目数据集[2]。
2.2.3遗传算法遗传算法的组成元素包括基因、染色体、适应度等，此类元素通过交叉与变异，逐渐形成算法元素。（1）基因。在遗传学论述中，基因指DN段，基因含有基数较大的遗传信息，基因作为遗传算法中的基础性计算单位。在遗传算法中开展基因计算流程，可选择二进制与整数的计算方式。（2）染色体。染色体包含多组基因，作为信息承载的介质。染色体编码形式包括浮点数与二进制两种方式。浮点数编码形式指：假设种群基数为m，符号表示为xii，表示数据更迭期间，i个数据个体，基因长度设为n，则个体表示为xii属于Rn，以xii作为n维行向量的表示方式，即可表示为xii={xii1，xii2，...，xii3}。在更迭期间，数据种群xii表示方式矩阵为主，即n×m。在种群中的矩阵以X0为表示方式，则有X0={x01，x02，...，x0n}，在矩阵中尚未发现两行相同的数据，表示种群存在互异性。在二进制程序中，如若种群基数为m，表示方式为xii，代表数据更迭期间存在第i个数据个体，并且每个数据个体位数表示方式为1。其中，基因基数的计算可表示为L=ml。数据个体xii以ml作为表示方式，获取其行向量数值，即xii={xii1，xii2，...，xii3}，最终以二进制编码为计算方式，将编程转化为实际，应采取的计算流程为：11/212)tjljfxiikmkmkvkx−=(,)=+(−)(−)(∑×（1）（3）种群。进化论中的种群概念指多组物种通过排列方式形成的群体结构。此概念融合于遗传算法流程中，以此可知，遗传算法种群表示的是某代染色体数量总和。在计算过程中，设定种群初始数值不小于100[3]。
2.2.4算法改良在进行全局数据搜索时，遗传算法性能良好，得到广泛应用。Apriori算法的应用优势在于计算流程实现过程较为简单，不足在于数据量基数较大时，数据处理能力不佳。为改善Apriori算法的应用性能，采取以遗传算法与Apriori算法相结合的方式。数据中的有限数据集以D为表示方式，即D={d1，d2，...，dn}，此类数据集在系统中获取了良好运行，依据Apriori算法的运行理念，开展强项集合的计算分析。在强项结合求解期间，借助遗传算法理念，解决算法读取数据问题，有效增强了算法性能。算法设计应遵循改良思想开展，采取二进制编码思想，将安全关联的相关信息，以二进制行为表示，并关联信息连接。同时，依据计算机安全审核所具有的关联能力，定义染色体的排列状态，采取二进制编码形式测定网络的数据流量。在完成编码的基础上，开展适应度关系式设定。在遗传算法中，针对Apriori算法对数据库读取过程存在效率不足、运行缓慢等问题，应在算法改良期间，予以解决。为此，在适应度关系式中，应包括两个变量，即支持度、置信度。关系式为：f(x)=aS(x)+bB(x)。其中，ab表示常用数值，S(x)代表支持度数值，B(x)指置信度数值。
2.2.5性能分析在试验过程中，运行系统为Windows7，内存为16GB，仿真系统为Python3.7。在试运行期间，数据来源为近阶段安全审核系统中现存的数据。安全审核系统所具有的数据保存容量为500MB。其中，种群基数设定为150，变异率设定为0.13，交叉率设定为0.9。性能分析方式如下。第一，划分次数对分析数据效率产生的影响。经试运行发现，改进算法与经典算法对比时，在划分次数累加时，改进算法所用的运算时间较短，划分次数对数据分析结果产生的影响较小。第二，数据分析基数对分析数据效率产生的影响。经试运行发现，在数据分析时间增加时，数据分析基数提升，改进算法数据分析所需的时间相对较少，由此说明，在调整数据分析基数中，其运算效率不变，尚未对其产生不良影响。
3结语
在物联网背景下，安全技术逐渐成为信息领域的关键性技术。本文以安全审核技术为基础，搭建具有信息安全防护与审核能力的应用型平台，以此完善大数据技术的审核系统，分别从数据收集、数据有效保存、数据信息分析、数据应用4个角度开展审核系统设计，并且借助Apriori算法提升系统安全审核能力，保障信息安全。
参考文献
[1]赵培琨.大数据时代计算机网络信息安全及防护策略[J].计算机产品与流通,2020(5):36,52.
[2]董伟.大数据技术在计算机安全审核中应用研究[J].现代计算机,2020(10):23-29.
[3]侯毅.大数据环境下计算机信息安全技术探讨[J].中国新通信,2020,22(6):135.
作者：古力米热·阿吾旦 单位：新疆财经大学
