摘要：本文通过分析生成式对抗网络的相关理论以及算法，研究了如何利用生成式对抗网络技术生成模拟攻击数据，最后对GAN在不同领域中的应用进行了阐述。

关键词：生成式对抗网络;通信网络;安全技术;信息安全

在整个网络大空间中，人们将任何试图或者已经危害到网络安全的恶意活动或者行为称之为网络攻击，对此定义进行分析后发现，其中包含了非常广泛的网络行为，生活中比较常见的有网络稳定性的破坏、获得未授权文件的访问权等。目前，计算机网络安全技术在实际应用的过程中面临着巨大的威胁，比如网络空间中信息数据安全性的威胁、网络空间中所参与的网络设备的安全性威胁。用户在使用网络信息技术的过程中，不但要求网络系统及数据信息的安全，还要要求信息基础设备的安全，只有这样，才能实现网络信息数据的保密性、完整性和有效性。随着计算机网络技术的普及，不但是我国，甚至全球相关学者都在进行实现网络安全问题的研究。在这个过程中，生成式对抗网络（Generative Adversarial Network，GANs）得到了人们的重视，此种技术主要是对通信网络加密算法进行研究的一项新技术。

1 生成式对抗网络的相关理论以及算法分析

1.1 生成式对抗网络的理论

生成式对抗网络是在基于“二人零和博弈”的思想上进行研发的，此种网络中包括了生成模型和判别模型等两个模型，有两个模型分别作为参与博弈的双方，在同样的条件下，由其进行互相竞争，如果一方胜利，则另一方失败，在此网络中，生成模型和判别模型进行互相竞争，如果生成模型有所收益，则代表判别模型出现损失，相反，如果判别模型有所收益，则代表生成模型出现损失，在这样的环境下，不论生成模型与判别模型怎样竞争，一方的收益和另一方的损失相加后永远是0，这也与物理中的能量守恒定律相似。但是通过生成模型和判别模型的互相博弈，其双方均能够达到强化、并且自觉进行优化的目的。将这种技术应用在网络通信安全中，尤其是基于生成式对抗网络的攻击数据生成有着极佳的效果。将经过处理的数据与模型进行比较和优化，就可以得到一个能够对攻击和正常连接进行区分的模型，通过此模型能够对恶意攻击行为进行识别，从而为网络的安全做好了保障。生成是对抗网络实际上是将博弈论与学习进行了结合，最后得到了生成模型和判别模型，生成模型主要是能够将数据以假乱真，而判别模型则是能够对数据的增加进行判别。

1.2 Wasserstein生成式对抗网络的算法分析

在上述提到的生成式对抗网络相关理论中，其是利用了处理后的数据对得到的生成模型和判别模型进行了训练，并且这一训练已经取得了较好的效果，但是在此过程中可能存在着最优判别器其目标函数不能对网络训练过程、或者训练崩溃导致生成样本减少、生成样本单一等相关的问题进行预测。为了更好的解决这一问题，目前我国研究人员在生成式对抗网络的基础上又提出了深度卷积生成对抗网络（Deep convolution generation countermeasure network，DCGAN），这一网络实际上是非监督学习的生成式对抗网络（Unsupervised Learning Generative Antagonistic Network， GAN）与监督学习的卷积神经网络（Convolutional neural network，CNN）的深度结合，研究人员通过相应的实践研究后发现，与单纯的非监督学习的生成式对抗网络相比较，经结合后生成的深度卷积生成对抗网络其图像生成效果得到了极大的提升，但是还是没有从本质上解决上述提到的不能对网络训练过程、样本单一等问题进行预测。

Wasserstein生成式对抗网络实际上是非监督学习的生成式对抗网络的升级版，与非监督学习的生成式对抗网络相比较，升级后的Wasserstein生成式对抗网络其稳定性更高，并且最主要的是能够有效解决非监督学习的生成式对抗网络中存在的不能对网络训练过程、训练模型崩溃等导致的样本单一、样本量减少等问题进行预测的情况，更好的保证了生成样本的多样性，图像的清晰率也得到了提高。

2 利用生成式对抗网络技术生成模拟攻击数据

2.1 基于非监督学习的生成式对抗网络的方法改进策略

在网络大空间中，只要是由恶意行为所产生的所有数据均被称作攻击数据，从攻击行为开始一直到攻击行为结束，所产生的攻击数据会非常多，其包括了由传输控制协议（Transmission ControlProtocol，TCP）的协议包所连接的从源IP地址一直到目标IP地址，这期间所产生的所有数据流。再经过生成式对抗网络技术思想构造出一个大概的非监督学习的生成式对抗网络模型，由此模型对所得到的生成模型和判別模型进行不断的优化和改进，最后所得到的最优判别器D则能够对网络中的恶意攻击行为进行识别，进而为网络通信信息的安全做好保障。

在非监督学习的生成式对抗网络中，最后所得到的最优判别器D其训练的效果越好，与其对应的数据生成器G其梯度消失的也就越严重，这也正好与生成式对抗网络理论中提到的生成模型与判别模型得到的利益与损失相加为0，这一理念思想相符合。并且当非监督学习的生成式对抗网络中，最优判别器D训练效果越差，与其对应的数据生成器G其梯度也更加不准确。所以一般来说，只有将生成式对抗网络中得到的最优判别器D训练的恰到好处，才能促使非监督学习的生成式对抗网络其效果发挥到最大。

2.2 生成式对抗网络加密算法的实现

与非监督学习的生成式对抗网络相比较而言，Wasserstein生成式对抗网络其性能更优，这可能是因为Wasserstein生成式对抗网络中的Wasserstein距离能够对KL散度、JS散度的远近进行准确的描述，通过相应的算法进一步实现了Wasserstein生成式对抗网络优的优越性。在对Wasserstein生成式对抗网络算法进行分析后，发现其与非监督学习的生成式对抗网络相比较，有了如下几个方面的改进：

（1）最优判别器D最后一层省略掉了Sigmoid;

（2）最优判别器D和与其对应的生成器G在计算其损失函数时，均不需要进行log计算;

（3）每一次对最优判别器D得到的参数进行更新或者优化后，它们的绝对值被截断到了固定常数c之内。

对Wasserstein生成式对抗网络模型进行训练时，可依照如下步骤进行：

（1）首先要构造一个基于Wasserstein生成式对抗网络的网络模型，此模型中需要包括判别器D和与其对应的生成器G，但是在正常情况下，与判别器D相比较，生成器G中所包含的卷积神经网络层数与其相同，因此，技术人员可以将判别器D的卷积核与生成器G的卷积核进行互用转置;

（2）为了保证Wasserstein生成式对抗网络模型训练的便捷性，可以通过编码器对预备文本数据库中的数据进行编码训练;

（3）将训练过程中所构造出的随机噪声定期输入到生成器G模型中;

（4）对数据生成器G模型中生成的新数据与原始数据分别进行编码后，再输入到判别器D模型中，由判别器D输出判别结果，技术人员可根据判别结果对各个参数进行修改，以此种方式进行多次迭代，促使判别器D的判别水平得到提升。

总之，通过对深度卷积生成式对抗网络、非监督学习的生成式对抗网络、Wasserstein生成式对抗网络其之间的性能进行比较后发现，非监督学习的生成式对抗网络中存在着网络不稳定、结果不可控等一系列安全问题，而深度卷积生成式对抗网络只有通过大量的实验测试才能得到相对较好的效果，但是依旧没有从本质上解决上述提到的不能对网络训练过程、样本单一等问题进行预测。与上述两种生成式对抗网络相比较，Wasserstein生成式对抗网络更好的解决了上述存在的问题，且性能得到了提升，在Wasserstein生成式对抗网络模型建立成功后，其能够对网络中可能出现的攻击数据进行自觉的监督，加上其能够对自身模型进行不断的改进和优化，因此认为Wasserstein生成式对抗网络对检测恶意攻击，保证数据信息的安全有着较好的效果。

3 GAN在不同领域中的应用

3.1 在高分辨率图像中的应用

高分辨率技术也就是从低分辨率图像重建出与其相对应的高分辨率图像，当系统无法采集到比较清晰的图像时，采用高分辨率技术有着重要的现实意义。比如目前比较常用的监控设备、医学影像等。但是传统的基于深度学习的方法则是通过DCGAN对原始的图像信息进行采集，此时所生成的高分辨率图像并不具备纹理细节，从而比较模糊。GAN是一种生成模型，其能够有效的解决此种问题。其刚好利用了残差网络，对相似性损失的感知，進而生成了细节比较丰富的图像。在此过程中对相似性损失进行感知的过程中，重点需要关注的是判别器中间层的特征所表现出来的误差。高分辨率技术重建的图像质量需要采用峰值信噪比进行衡量和评估，如果分值信噪比值越大，则提示高分辨率重建的图像质量越好，如果增值信噪比值超过20dB则符合高分辨率技术重建图像的标准。

3.2 在目标检测和变形中的应用

对目标图像进行检测的过程中所存在的问题实际上也是分辨率较低，因此比较直观的解决方法就是，将低分辨率图像扩大成高分辨率图像，通过此种方法来加强对图像的判别能力。由于判别器分为对抗分支和感知分支，生成大图像的任务一般由对抗分支负责，而保证大图像在检测中的效用则一般由感知分支负责。目标变形与场景转换程序刚好相反，目标变形则是需要在背景不变的情况下，采用一种特定的条件将图像中的对象进行替换，通过采用GAN编码解码器，将图像分解为背景特征和目标对象特征，然后解码器再对要变形的对象特征和背景特征进行重新整合构成一个新的图像。在此过程中比较重要的是，为了保证背景特征与要变形对象的特征在空间上进行分离，一般需要一个具有此种图像的图像集和不具有此种图像特征的图像集这两个分离的训练集。GAN还可以充分地应用于图像的混合任务中，也就是我们常用的将一个图像置入另一个图像的背景中。

3.3 在视频生成过程中的应用

由于GAN有着极强的生成能力，其不但能够生成一种全新的视频，还能对已经存在的视频进行修改。比如视频的后期处理，GAN在这些领域中的应用极大的提高了此类行业的效率，降低了人力成本，节省了大量的时间，并且效果还较为准确。一般情况下，我们看到的一种视频都是由相对比较静止的背景和动态的运动目标所组成，GAN则使用了一种包括两个阶段的生成器，3DCGAN生成器主要负责运动前景的生成，2DCGAN生成器则主要负责禁止背景的生成，DCGAN与GAN技术结合以后生成了视频。

4 结束语

近年来，随着我国移动通信技术的快速发展，通信设备的不断更新和优化，使得更多的通信设备被应用在了人们的生活和工作中，甚至成了人们社会生活中及工作中不可缺少的一部分，移动互联网中也存储了越来越多的信息，为数据的提取和使用提供了便利的条件，但是与此同时，人们在对数据信息进行提取和使用的过程中，所遇到的安全问题也逐渐增多，因此，在使用通信网络安全的过程中，安全隐患不可小觑。人们在享受移动通信网络技术带来的便捷的同时，实际上网络攻击无处不在，病毒的攻击、人为的恶意破坏使得人们不得不对防火墙技术进行随时更新。通过建立新的生成式对抗网络模型，对网络中可能存在的恶意攻击数据进行了自动检测可识别，保证了数据信息的安全性。在未来，这种生成对抗式网络有着很大的利用价值，但是为了给移动通信网络营造一个安全的环境，还需要相关技术人员进行更加深入的研究。

参考文献

[1]宋岩，胡志成，郝丽等，基于生成对抗式网络的Modbus协议安全性测试方法[J].电网与清洁能源，2019，35 （8）：8-15，24.

[2]郑阳，努尔布力，基于生成式对抗网络的恶意URL数据生成与检测[J].计算机科学与应用，2020，10 （05）：935-943.

[3]刘恒，吴德鑫，徐剑.基于生成式对抗网络的通用性对抗扰动生成方法[J].信息网络安全，2020 （5）：57-64.

作者简介

朱威（1981-），男，福建省福州市人。大学本科学历，工程师。研究方向为网络安全。