本发明涉及通信监测领域，尤其涉及基于机器学习的加密隐蔽隧道通信行为智能检测系统。
背景技术：
1、在当今高度互联的世界中，网络安全已经成为各行各业关注的焦点。随着互联网的普及和企业数字化转型的推进，网络攻击的手段和规模也在不断演变。特别是加密通信技术的普及，使得攻击者可以更隐蔽地进行恶意活动，传统的基于规则和签名的检测方法面临前所未有的挑战。加密隐蔽隧道通信是指攻击者利用合法的加密通道隐藏其恶意流量，从而绕过网络防御系统。这种技术的广泛使用，使得检测和防御工作变得更加复杂和困难。因此，如何有效检测和识别加密隐蔽隧道通信行为，成为网络安全领域亟待解决的问题。
2、经现有的加密隐蔽隧道通信行为智能检测系统容易陷入局部最优解，降低检测系统的整体性能，增加人工干预的需求，降低检测的准确性和可靠性；此外，现有的加密隐蔽隧道通信行为智能检测系统系统的响应速度较慢，cpu和内存的占用较高，增加用户的等待时间，降低用户体验和满意度，为此，我们提出基于机器学习的加密隐蔽隧道通信行为智能检测系统。
技术实现思路
1、本发明的目的是为了解决现有技术中存在的缺陷，而提出的基于机器学习的加密隐蔽隧道通信行为智能检测系统。
2、为了实现上述目的，本发明采用了如下技术方案：
3、基于机器学习的加密隐蔽隧道通信行为智能检测系统，包括分布式采集模块、提取选择模块、通信检测模块、参数优化模块、选择优化模块、异常识别模块、加密隧道识别模块、报警响应模块、日志管理模块以及缓存优化模块；
4、所述分布式采集模块用于从各种网络设备收集网络流量数据；
5、所述提取选择模块用于从各网络流量数据中提取并选择用于检测的特征信息；
6、所述通信检测模块用于识别潜在的加密隐蔽隧道通信行为；
7、所述参数优化模块用于优化检测系统的参数设置；
8、所述选择优化模块用于对特征空间进行搜索和优化；
9、所述异常识别模块用于分析网络通信行为模式，识别异常通信活动和潜在的威胁；
10、所述加密隧道识别模块用于根据加密协议特征库，识别和检测加密隧道通信行为；
11、所述报警响应模块用于对检测到的可疑通信行为进行报警和响应；
12、所述日志管理模块用于记录系统运行日志和检测结果日志；
13、所述缓存优化模块用于在数据处理和推理过程中，动态优化各组数据缓存。
14、作为本发明的进一步方案，所述提取选择模块特征信息提取选择具体步骤如下：
15、步骤一：提网络流量数据通过数据清洗、格式转换和归一化处理后，利用matplotlib库绘制箱线图，并通过箱线图显示数据的中位数、四分位数、数据范围和异常值；
16、步骤二：检查箱线图是否对称，若箱子和数据范围的一端明显较长，则数据存在存在偏态，并检查超出箱线图数据范围的网络流量数据，同时将其标记为异常值，统计标记的异常值数量，若未超出预设数量阈值，则直接删除异常数据点，否则，用中位数替换异常值；
17、步骤三：通过箱线图筛选后数据特征之间的皮尔逊相关系数，并提取每组数据特征与目标变量的相关系数，同时根据预设阈值筛选出与目标变量相关性较高的特征，依据筛选出数据特征绘制相关性热力图；
18、步骤四：根据相关性热力图，删除超过设定的相关性阈值的特征，并通过特征组合或降维方法减少特征数量，记录筛选出的数据特征及其对应系数，以及选择阈值和筛选结果的理由。
19、作为本发明的进一步方案，所述通信检测模块行为识别具体步骤如下：
20、步骤1：将选择的数据特征按照70％训练集、15％验证集和15％测试集进行划分，将训练集、验证集以及测试集数据进行标准化处理后，通过tensorflow构建并初始化检测模型，并确定模型输入层、多组卷积层、池化层、全连接层和输出层；
21、步骤2：将训练集数据输入检测模型中，输入层接收筛选后的数据特征，并通过卷积层滤波器提取特征，之后池化层使用最大池化或平均池化进行下采样，全连接层将卷积和池化层提取的特征进行整合，输出层使用softmax激活函数进行分类，并输出识别结果；
22、步骤3：通过均方根误差函数计算识别结果与真实值之间的损失，sgd优化器依据依据计算的损失对识别模型参数进行调整，并在每个训练周期结束后用验证集评估模型性能，并根据验证结果调整模型参数，在训练完成后，使用测试集评估模型的最终性能，计算准确率、精确率、召回率以及f1分数；
23、步骤4：根据评估结果增加或减少卷积层、池化层和全连接层的数量和参数，并调整学习率以及批次大小，将训练好的模型保存为可加载的格式，同时持续监控模型的运行表现，并定期更新和优化模型；
24、步骤5：将最新的预处理后的网络流量数据输入识别模型中，识别模型对网络流量数据进行推理，并输出各加密隐蔽隧道通信行为概率预测结果，若预测结果大于预设阈值，则判断为加密隐蔽隧道通信行为，并将模型输出的概率分布转换为具体的分类结果，将检测结果记录在日志文件中，并对潜在的加密隐蔽隧道通信行为，发送实时报警通知。
25、作为本发明的进一步方案，所述参数优化模块参数设置优化具体步骤如下：
26、步骤ⅰ：收集系统各模块参数信息，并接收运维人员预设的的系统性能指标，为每组需要优化的系统参数初始化信息素矩阵，之后生成随机数量的蚂蚁，同时各组蚂蚁根据初始的信息素和启发式信息随机生成初始参数；
27、步骤ⅱ：评估每组参数设置的质量，同时每只蚂蚁在构建新的参数解的过程中，实时更新路径上的信息素，在每轮迭代结束后，依据本轮迭代中找到的最佳解，更新全局信息素；
28、步骤ⅲ：每轮迭代结束后，按照预设的蒸发率对信息素进行衰减，同时在下一轮迭代中，每只蚂蚁根据更新后的信息素和启发式信息生成新一组参数设置，重复进行迭代，直至达到最大迭代次数后停止；
29、步骤ⅳ：选取在所有迭代中找到的最佳参数设置，同时将找到的最优参数设置应用到检测系统中，记录整个优化过程，包括蚁群算法的参数设置、每轮迭代的最佳参数和对应的性能指标，并生成报告说明优化前后的系统性能对比。
30、作为本发明的进一步方案，所述选择优化模块搜索优化具体步骤如下：
31、步骤①：依据提取选择模块生成对应特征搜索空间，并随机生成多组参与搜索的蝙蝠，将每组特征子集作为蝙蝠位置，再为每只蝙蝠随机初始化位置和速度；
32、步骤②：基于提取选择模块性能指标，评估每只蝙蝠的位置的质量，记录最佳适应度值和对应的特征子集，根据各蝙蝠的脉冲发射率进行局部搜索，同时依据搜索结果更新每只蝙蝠的速度和位置；
33、步骤③：评估每只蝙蝠更新后的位置的质量，并比较新解和当前最佳解的适应度值，如果新解更优，则更新最佳解，在每轮迭代结束后，所有蝙蝠共享当前找到的最佳解，当达到预设迭代时间后停止搜索；
34、步骤③：选取在所有迭代中找到的最佳特征子集，并将找到的最优特征子集应用到提取选择模块中，同时记录后续特征提取过程，并进行实时更新。
35、作为本发明的进一步方案，所述缓存优化模块数据缓存动态优化具体步骤如下：
36、第一步：缓存优化模块根据检测系统需求和硬件资源，确定缓存的大小，并使用哈希值以及双向链表初始化缓存，当缓存优化模块检测到有新数据插入缓存时，检查数据是否已经在缓存中；
37、第二步：若数据不在缓存中，且缓存未满，则将数据插入缓存，若缓存已满，首先淘汰双向链表尾部的数据，再将新数据插入到双向链表的头部，以表示最近访问；
38、第三步：实时接收工作人员访问请求，当需要访问缓存中的数据时，在哈希表中查找数据，若数据在缓存中，将该数据移动到双向链表的头部，表示最近访问，再将数据返回给请求方；
39、第四步：定期统计双向链表中的数据，若缓存已满且需要插入新数据时，则从双向链表的尾部删除最久未使用的数据，并从哈希表中删除对应的数据条目。
40、相比于现有技术，本发明的有益效果在于：
41、1、本发明收集系统各模块参数信息，并接收运维人员预设的的系统性能指标，为每组需要优化的系统参数初始化信息素矩阵，之后生成随机数量的蚂蚁，同时各组蚂蚁根据初始的信息素和启发式信息随机生成初始参数，评估每组参数设置的质量，同时每只蚂蚁在构建新的参数解的过程中，实时更新路径上的信息素，在每轮迭代结束后，依据本轮迭代中找到的最佳解，更新全局信息素，每轮迭代结束后，按照预设的蒸发率对信息素进行衰减，同时在下一轮迭代中，每只蚂蚁根据更新后的信息素和启发式信息生成新一组参数设置，重复进行迭代，直至达到最大迭代次数后停止，选取在所有迭代中找到的最佳参数设置，同时将找到的最优参数设置应用到检测系统中，记录整个优化过程，包括蚁群算法的参数设置、每轮迭代的最佳参数和对应的性能指标，并生成报告说明优化前后的系统性能对比，能够有效避免陷入局部最优解，提高检测系统的整体性能，减少人工干预的需求，降低人力成本和配置错误的风险，提高检测的准确性和可靠性，保持检测能力的持续提升。
42、2、本发明通过缓存优化模块根据检测系统需求和硬件资源，确定缓存的大小，并使用哈希值以及双向链表初始化缓存，当缓存优化模块检测到有新数据插入缓存时，检查数据是否已经在缓存中，若数据不在缓存中，且缓存未满，则将数据插入缓存，若缓存已满，首先淘汰双向链表尾部的数据，再将新数据插入到双向链表的头部，以表示最近访问，实时接收工作人员访问请求，当需要访问缓存中的数据时，在哈希表中查找数据，若数据在缓存中，将该数据移动到双向链表的头部，表示最近访问，再将数据返回给请求方，定期统计双向链表中的数据，若缓存已满且需要插入新数据时，则从双向链表的尾部删除最久未使用的数据，并从哈希表中删除对应的数据条目，减少数据从存储到内存的读取时间，提高系统的响应速度，有效利用缓存，减少了cpu和内存的占用，提高整体系统的性能，减少用户的等待时间，提升用户体验和满意度。
1.基于机器学习的加密隐蔽隧道通信行为智能检测系统，其特征在于，包括分布式采集模块、提取选择模块、通信检测模块、参数优化模块、选择优化模块、异常识别模块、加密隧道识别模块、报警响应模块、日志管理模块以及缓存优化模块；
2.根据权利要求1所述的基于机器学习的加密隐蔽隧道通信行为智能检测系统，其特征在于，所述提取选择模块特征信息提取选择具体步骤如下：
3.根据权利要求2所述的基于机器学习的加密隐蔽隧道通信行为智能检测系统，其特征在于，所述通信检测模块行为识别具体步骤如下：
4.根据权利要求3所述的基于机器学习的加密隐蔽隧道通信行为智能检测系统，其特征在于，所述参数优化模块参数设置优化具体步骤如下：
5.根据权利要求2所述的基于机器学习的加密隐蔽隧道通信行为智能检测系统，其特征在于，所述选择优化模块搜索优化具体步骤如下：
6.根据权利要求1所述的基于机器学习的加密隐蔽隧道通信行为智能检测系统，其特征在于，所述缓存优化模块数据缓存动态优化具体步骤如下：
