基于数据挖掘的网络信息安全策略研究

   【 摘 要 】 随着互联网技术的不断发展，云计算技术的不断得到运用，我们已经步入了大数据的时代。数据挖掘技术的产生使得人们对于数据的处理分析能力上了一个新的台阶。本文研究了数据挖掘的流程及主要任务，分析了网络信息安全的各项技术，提出了基于数据挖掘的网络信息安全策略，改进了网络信息安全策略中对于大数据量的处理困难问题。
　　【 关键词 】 数据挖掘；网络信息安全；策略
　　1 引言
　　近年来，网络技术的飞速发展，互联网上的数据以每天数千万条的速度迅速增长，数据的产生、传输、存储、访问和处理方式都发生了翻天覆地的变化。在这样的一个大背景下，数据挖掘孕育而生。另一方面，各种网络安全检测技术、设备和产品会生成大量的关于网络安全及流量的检测数据，单单依靠传统人工处理以及简单查询统计方法的数据处理模式已经无法适应新时代的需要了，如何从海量网络信息安全检测数据中挖掘发现有价值的信息，需要在网络信息安全策略中运用到数据挖掘的技术。
　　2 数据挖掘的相关概念
　　2.1 数据挖掘的定义
　　数据挖掘就是在一些没有规律、异构结构并且熟练庞大的数据中，通过相关的计算机方法及算法，提炼出具有不确定和未知性的信息的一种方法。数据挖掘的数据源应该是大量且真实的，所寻找出的信息应该是对我们有用的、具有价值的。理论上来说，数据量越大、越随机，数据挖掘所得到的结果就越准确、越具有代表性、越有价值，这就对数据挖掘的相关算法与技术的效率提出了很高的要求。数据挖掘是一门交叉学科，融合了数据库、人工智能、统计学、机器学习等多领域的理论与技术。数据库、人工智能与数理统计为数据挖掘的研究提供了三大技术支持。数据挖掘是将一些离散的、底层的、无序的大规模数据利用相关的技术手段提升到有序的、可接受的、有价值的知识，从而为决策提供帮助的一个过程。具体的说，数据挖掘是通过对大规模的海量数据进行分析，从中找出一些数据间的内在规律与联系。具体过程包括了数据准备、信息挖掘和结果表达三个阶段。
　　2.2 数据挖掘的主要任务
　　数据挖掘的主要任务包括有监督学习（Supervised Learning）、关联分析或频繁模式分析（Frequent Pattern Analysis）、聚类分析（Clustering Analysis）、异常检测（Anomaly Detection）等。
　　有监督学习包括两种形式：分类（Classification）和预测（Prediction），是指根据已知样本的大小、类型来预测新到样本。关联分析或频繁模式分析指的是找到某一事件发生时，另一事件也会发生的这样一种规律性的联系模式。聚类分析指的是将找出所有数据的一些内在规律及特征，并且按照这些特征将数据源划分成若干个数据簇。异常检测通过建立一个数据样本的范本，并将数据源中的数据与其进行比对分析，找出里面存在的异常样本。
　　3 网络信息安全的相关概念
　　3.1 网络信息安全的概念
　　网络信息安全问题的解决方案包括数据挖掘信息安全技术的应用和数据挖掘信息的安全的管理。管理是指根据事物发展的客观规律，通过综合运用人力资源和其他相关的资源，以便有效地实现组织目标的过程，是指在集体活动中，为了完成一定的任务，或者实现一个具体目标，针对特定的对象，遵循既定的原则，依照完善的程序，使用适当的方法，所进行的计划、组织、指挥、协调和控制的活动。比如，在网络安全控制方面，防火墙技术已被广泛应用，为了更好地发挥防火墙的安全保护作用，就必须考虑如何设置防火墙的安全策略，并对它的物理保护和访问控制进行设置。
　　3.2 网络信息安全的相关技术
　　3.2.1爬虫技术
　　Web 爬虫（Crawler）通常也被称为机器人（Robot）或者蜘蛛（Spider），它是一个能够自动下载网页的程序。互联网上有数以万计的网页，这些网页存在于分布在全球各地的各个服务器上。用户可以通过网页链接进行各个网页直接的切换和浏览，而爬虫正是模仿人的行为，将多个站点或者网页下载或存取，然后交给数据处理模块。
      3.2.2结构化数据抽取
　　Web信息收取指的是从一个网页中分析目标信息。通常包括两个问题，第一个是从自然语言文本中抽取信息，第二个就是从网页的结构化数据中抽取信息。我们称抽取这种数据的程序为包装器（Wrapper），包装器有三种方法，分别是手工方法、包装器归纳、自动抽取。
　　3.2.3规则引擎技术