前言：想要寫出一篇引人入勝的文章？我們特意為您整理了機器學習多元異構網絡數據安全淺析范文，希望能給你帶來靈感和參考，敬請閱讀。

摘要:為了減少多元異構網絡數據安全傳輸時延，設計一個基于機器學習的多元異構網絡數據安全傳輸技術。通過選擇數據源與數據屬性的重要性定義，對多元異構網絡數據預處理，并建立多徑并行傳輸架構，在此基礎上，采用機器學習方法進行有效帶寬估計與參數濾波處理，最后進行帶寬調度與信道安全協議體系建立，從而完成基于機器學習的多元異構網絡數據安全傳輸。實驗結果表明，此次研究的基于機器學習的多元異構網絡數據安全傳輸有效減少了數據傳輸時延，并減少了數據傳輸中斷情況與數據丟包率，滿足數據傳輸技術的設計需求。

關鍵詞:機器學習；多元異構網絡；數據安全傳輸；網絡數據預處理；并行傳輸構架

1引言

當前，通信技術發展迅速，多種網絡特點明顯，并經過多年的改革創新，使無線接入技術的傳輸速率逐漸逼近極限。在這種背景下，為滿足多種業務需求，需要進行多網寫作。但是，傳統的寫作機制在網絡傳輸資源使用上，不能同時、高效的使用，不能有效保證高效傳輸業務，并且會增加傳輸中的能耗問題，從而導致傳輸過程中發生干擾問題。因此，很多學者開展了關于多元網絡數據傳輸方法的研究。文獻[1]中，石玲玲,李敬兆研究了異構網絡中安全數據傳輸機制，該機制主要采用一種基于優化的AES-GCM認證加密算法和基于SHA的數字簽名算法相結合的安全數據傳輸機制進行數據的傳輸；文獻[2]中，周靜,陳琛研究了基于異構網的一種數據安全模型，該模型預先對數據加密處理，然后建立安全傳輸信道進行了數據的傳輸。上述兩種方法能夠獲得一定的效果，但是還存在一定的不足。針對上述的不足，為此本文將機器學習方法應用到多元異構網絡數據安全傳輸中，以解決目前存在的問題。實驗結果表明，此次研究的多元異構網絡數據安全傳輸技術有效解決了目前存在的問題，具備一定的實際應用意義。

2多元異構網絡數據預處理

在多元異構網絡數據安全傳輸中，有很多數據是沒有用的，為此需要從多元網絡數據中選取相關的數據源進行傳輸，從而提高數據傳輸的準確率與效率。在有效數據源選擇過程中，采用重要性衡量數據屬性之間的關系[3-4]，捕獲關聯性較強的數據，其計算表達式如下所示：(1)公式(1)中，T表示所有數據源的綜合表數，(i,j)表示示例源類間的相關性。根據對數據源重要性的判斷，可以選擇關聯程度最高的數據表集合，減少不相關表。在上述重要數據源選擇完成后，分析數據屬性，由于一個數據源是有一組數據屬性組成的，通過這些屬性特征能夠反映出待傳輸數據的基本信息。主要通過數據元組的相關性進行衡量，分析元組數據出現的次數，即通過元組數據密度進行定義，數據元組密度圖如圖1所示。圖1中，ε表示指定鄰域的半徑。按照這種思路，對上述數據集中的每個元組數據進行權重的分配[5-7]，它的表達式如下：(2)公式(2)中，w(C)表示屬性權重，w(tk)表示核心元組的數目，δ表示異常值，w(tb)表示邊的元組數目。

3多徑并行傳輸架構

在上述預處理完成后，建立多徑并行傳輸架構，主要內容如下：預先對流量分割，通信流分割是發送端用來將大型數據塊分割成不同大小或相同大小的數據單元[8]，其大小由通信流分割的粒度決定，主要分為以下幾類：第一，在分組級業務分割中，分組是數據流的最小構成單元，因此，分割方法粒度最小，且分組概率相互獨立，可以發送到發送端；第二，流層面的流量分割[9]，將特定目標地址封裝在包頭部，然后將具有相同目標地址的包聚合為數據流，這些不同的數據流彼此獨立，并通過唯一的流標識符加以區別。利用流級分割技術可以有效地解決數據失真對多徑傳輸的影響[10]。第三，子流層面的流量分割，同一目的地頭部的數據流被分成多個子流，所有子流中的包都有相同的目的地地址，在一定程度上解決了流分割算法中的負載不平衡問題。多徑并行傳輸架構如圖2所示。除此之外，在帶寬聚合體系結構中，調度算法是決定業務傳輸方式和業務子流調度次序[11]，確保業務子流有序到達接收端的核心，接下來我們將討論數據調度。

4帶寬調度方案制定

對于多元異構網絡的數據傳輸，當某個路徑的帶寬達到一定值時，網絡的帶寬會不斷增加，傳輸性能會相對穩定。為提高吞吐量，分配過多帶寬會降低頻譜利用率，從而導致頻譜資源的浪費。在當前頻譜資源日益緊張的情況下，對多徑并行傳輸中各路帶寬進行調度和管理，不僅能保證多徑并行傳輸的傳輸性能，而且能有效地利用資源。為此進行處理，實現的主要步驟如下：第一，采用機器學習方法進行有效帶寬估計，合理地估計每個子流可充分利用的無線帶寬資源，以及以較少的帶寬資源達到高吞吐率的要求，是帶寬調度算法的關鍵。為此采用耦合擁塞控制算法，對各個子流聯合控制，其表達式如下：(3)公式(3)中，MSS表示報文最大長度的常數，由協議設置，RTTi、PLRi分別表示子流所處路徑的往返延遲和丟包率。第二，參數濾波處理，因為無線信道的多樣性和時變特性，鏈路參數和路徑有效帶寬都會發生動態變化，且存在誤差。為去除誤差，對網絡參數進行卡爾曼濾波器濾波，以獲得精確的估計值。卡爾曼濾波是一種離散時間遞推估計算法，通過對當前時刻的差分遞推，根據當前狀態的測量值、最后時刻的狀態以及預測誤差，計算出更精確的當前時刻狀態作為輸出。研究離散控制系統時，采用線性隨機微分方程如下：(4)公式(4)中，xk、xk-1分別代表k時刻與k-1時刻的狀態參數，Ak、Bk分別代表系統參數，在多模型系統中為矩陣，分別表示狀態轉移矩陣和輸入矩陣，uk表示控制的輸入參數，wk表示計算時的噪聲。第三，帶寬調度，假設一多徑連接C包含n條子流，每個子流都彼此獨立，每條子流占用一個路徑進行數據傳輸，下面是它的調度過程如圖3所示。依據上述過程對帶寬調度，最后建立信道安全協議，以保證多元異構數據安全傳輸。安全協議由SSL協議、規則建立協議、隧道信息協議等構成。其中，SSL協議主要包括認證算法和加密算法兩大部分，所有服務器端的數據包都將通過SSL協議進行加密，以保證消息通信的安全性，規則建立協議包括連接信息和消息識別，記錄表匹配成功生成socket，轉發布保證數據信息在VPN技術通道上的轉發和應用。采用OpenVPN編程是實現隧道消息協議的主要方法。客戶端發送請求命令消息，以建立與服務器的連接。通過連接后，服務器根據SSL協議將經過加密驗證的數據信息寫入隧道信息數據區，實現與客戶端的數據交換和傳輸。信道安全協議結構如圖4所示。在數據傳輸過程中，按照上述信道安全協議進行傳輸，以此完成基于機器學習的多元異構網絡數據安全傳輸。

5實驗對比

為了驗證所設計的基于機器學習的多元異構網絡數據安全傳輸技術的有效性，進行實驗分析，并將文獻[1]的異構網絡中安全數據傳輸機制、文獻[2]的基于異構網的一種數據安全模型做對比，對比三種系統的有效性。此次實驗中的實驗數據集如表1所示。通過上述采集的實驗數據能夠看出，實驗選取的數據是越來越多的，從而更好的驗證三種方法的有效性，主要對比三種方法的傳輸時延、數據傳輸中斷情況以及鏈路丟包率，具體內容如下所示。

5.1傳輸時延對比

分別對比三種方法的傳輸時延，其對比結果如圖5所示。通過分析圖5發現，在谷歌公開數據集傳輸上，三種方法傳輸時延均較小，隨著傳輸數據量的增加三種方法的數據傳輸時延都有所增加，但經過對比能夠發現，此次研究的基于機器學習的多元異構網絡數據安全傳輸技術傳輸時延最小，少于傳統的兩種方法。

5.2數據傳輸中斷情況對比

分別對比應用三種傳輸技術后，數據傳輸中斷情況，其對比結果如圖6所示。通過圖6能夠發現，此次研究的傳輸技術發生數據傳輸中斷情況最少，在幾次實驗中均少于傳統兩種傳輸技術。

5.3鏈路丟包率對比

分別采用此次研究的基于機器學習的多元異構網絡數據安全傳輸技術與傳統兩種傳輸技術進行數據傳輸，三種方法的丟包率對比結果如圖7所示。通過分析圖7能夠發現，傳統的異構網絡中安全數據傳輸機制的鏈路丟包率最高，高于基于異構網的一種數據安全模型與此次研究的傳輸技術。綜上所述，此次研究的基于機器學習的多元異構網絡數據安全傳輸技術較傳統兩種傳輸技術傳輸時延少，丟包率少。其原因在于該研傳輸技術預先對多元異構網絡數據進行了預處理，并制定帶寬調度方案，建立了安全傳輸協議，從而提高了多元異構網絡數據安全傳輸效果。

6結束語

本文設計了一個基于機器學習的多元異構網絡數據安全傳輸技術，并通過實驗驗證此次研究技術的有效性。該技術能夠提高數據傳輸的效率，還能夠減少數據傳輸丟包率，實際應用意義較強。但由于研究時間的限制，此次研究的多元異構網絡數據安全傳輸技術還存在一定的不足，為此在后續研究中，還需要進一步優化。

作者:方國強 吳雪霽 包森成 單位:中國移動通信集團浙江有限公司