Page 34 - 网络电信2022年9/10月刊

解 决 方 案

(2) 设置BP神经网络的基本结构，通过梯度下降算法对 BP (2) 大数据驱动的光通信网络攻击模式识别正确率均值为
神经网络进行优化，得到最优的BP神经网络结构; 94.93%，拒识率、误识率分别为2.87%和2.20%，获得了十分理
(3) 从光通信网络攻击数据中提取光通信网络攻击模式识 想的光通信网络攻击模式识别结果，解决了对比方法存在的光
别的特征，并将它们作为BP神经网络输入层神经元节点的输出 通信网络攻击模式识别弊端，光通信网络攻击模式识别效果的
数据; 优势显著。
(4) 将光通信网络攻击类型作为BP神经网络的期望输出，
图2 光通信网络攻击模式的识别正确率
通过不断训练和学习拟合输入和输出之间的联系，建立光通信
网络攻击模式识别的分类器。

三．光通信网络攻击模式识别效果分析
1. 识别对象和实验环境设置
为了分析基于大数据驱动的光通信网络攻击模式识别效
果，对一个光通信网络一年时间的攻击数据进行采集，该数据
集包括了5种攻击行为，每一种攻击行为的样本数量不同，具体
如表1所示。
单一大数据驱动的光通信网络攻击模式识别结果没有说服
力，为此选择文献 ［15］ 、文献 ［16］ 的光通信网络攻击模式识别方
法作为对照方法，在同样的仿真环境，进行光通信网络攻击模
图3 光通信网络攻击模式的识别正确率
式识别实验，实验环境设置见表2所示。采用光通信网络攻击模
式识别的正确率、拒识率、误识率作为实验结果的好坏分析。
2. 光通信网络攻击模式识别效果对比
表1 5种光网络的攻击行为的样本数量

图4 光通信网络攻击模式识别的误识率
表2 实验环境的具体设计

所有方法的光通信网络攻击模式识别正确率、拒识率、误
识率如图2～图4所示。对光通信网络攻击模式识别效果进行分
析可知:
(1) 文献［15］、文献［16］的光通信网络攻击模式识别 识别时间对光通信网络攻击在线、实时拦截十分关键，计
正确率的均值分别为 84.96%和87.96%，拒识率分别为8. 00%和 算所有方法的光通信网络攻击识别时间，见图5。从图5可知，
7.05%、误识率分别为 7.04%和6.19%，光通信网络攻击模式识 文献［15］、文献［16］的光通信网络攻击模式识别时间平均
别效果较差，不能满足光通信网络安全对正确率的要求，这是 值分别为 7.75 s 和 8.77 s，而大数据驱动的光通信网络攻击
因为他们无法描述光通信网络攻击的变化特点，导致光通信网 模式识别时间平均值为 6.03 s，缩短了光通信网络攻击模式识
络攻击模式识别成功的概率相对较低，光通信网络攻击模式识 别时间，可以更加有效地保证光通信网络攻通信安全。
别的拒检率和误检率高。

58 网络电信 二零二二年九，十月