董良杰

（安徽城市管理职业学院实验实训中心，安徽 合肥230000）

0 引言

随着光纤通信技术的发展，采用迁移学习式多模光纤通信技术进行网络数据传输，提高网络传输的稳定性和可靠性，在进行迁移学习式多模光纤网络通信过程中，受到网络通信环境因素的影响，导致迁移学习式多模光纤网络通信容易受到攻击，需要进行迁移学习式多模光纤网络通信的入侵检测设计［1]，构建迁移学习式多模光纤网络入侵检测模型，结合病毒入侵的嵌入式检测技术，进行迁移学习式多模光纤网络通信的病毒入侵检测，提高网络通信稳定性［2]，相关的迁移学习式多模光纤网络的病毒入侵检测方法在网络安全设计中具有重要意义.本文提出基于多模式匹配算法的网络安全入侵检测方法.构建迁移学习式多模光纤网络入侵序列统计分析模型，提取迁移学习式多模光纤网络入侵信号的关联特征量，采用谱分析方法，实现对迁移学习式多模光纤网络的多模式入侵序列特征匹配，实现基于多模式匹配算法的网络安全入侵检测，最后进行仿真测试分析，得出有效性结论.

1 入侵大数据采样和特征分析

1.1 迁移学习式多模光纤网络入侵大数据采样 为了实现对迁移学习式多模光纤网络入侵检测，首先构建迁移学习式多模光纤网络入侵的大数据分析模型，采用大数据挖掘和信息融合方法，进行迁移学习式多模光纤网络入侵的可靠性检测和特征提取［3]，结合干扰滤波方法，进行迁移学习式多模光纤网络入侵的有效检测，构建迁移学习式多模光纤网络入侵节点分布模型，如图1所示.

采用空间欠采样方法进行迁移学习式多模光纤网络入侵大数据采样，假设在高负载网络通信环境下迁移学习式多模光纤网络的传输数据集构建迁移学习式多模光纤网络的拓扑结构模型，采用SN、sink作为随机采样节点，在跳数d×L的控制下，进行迁移学习式多模光纤网络的输出转换控制［4]，构建迁移学习式多模光纤网络的入侵节点采样模型，得到迁移学习式多模光纤网络入侵的图模型G(A)、G(B)，在恶意入侵环境下迁移学习式多模光纤网络的锚点为＜x,y＞，以A、B作为迁移学习式多模光纤网络入侵的根节点，得到网络入侵信息分布的有向图模型满足(u,v)∈E，构建迁移学习式多模光纤网络入侵大数据采样的子空间重构模型［5]，得到迁移学习式多模光纤网络入侵检测的寻优参数Φ，Ω，Λ 分别为：

根据上述统计分析结果，计算迁移学习式多模光纤网络空间分布的簇首节点模型，在初始状态寻优控制下，进行迁移学习式多模光纤网络入侵大数据采样［6].

1.2 网络入侵特征分析

在迁移学习式多模光纤网络入侵数据信源分布域中提取网络入侵的信息特征参数，采用图2所示的网络拓扑结果进行网络入侵检测，构建迁移学习式多模光纤网络的多维空间拓扑结构模型.

为了实现对迁移学习式多模光纤网络入侵数据的有效检测，采用向量量化分解方法进行迁移学习式多模控制，采用分组量化寻优检测方法，进行迁移学习式网络的安全入侵检测［7]，建立迁移学习式多模光纤网络的信息传输链路模型，采用传输链路均衡控制方法，得到迁移学习式多模光纤网络入侵检测的统计特征信息：

设a(t)为迁移学习式多模光纤网络入侵信号的包络幅值，结合波束空域集成方法，进行迁移学习式多模光纤网络入侵信号的衰减抑制，当满足0 ≤m,n≤P-1，结合量化寻优方法，进行迁移学习式多模光纤网络的模糊约束控制，得到输出统计特征量为：

其中，A是一个维数为P×L的迁移学习式多模光纤网络入侵信号分量，采用模糊约束方法进行迁移学习式多模光纤网络入侵检测的参数融合，构建网络入侵的统计特征量，采用判决反馈调节方法进行迁移学习式多模光纤网络入侵信号的特征匹配和信息挖掘.

2 入侵检测优化

2.1 入侵特征提取

在构建迁移学习式多模光纤网络入侵序列统计分析模型的基础上，进行迁移学习式多模光纤网络入侵检测，本文提出基于多模式匹配算法的网络安全入侵检测方法.在多模式匹配算法下，得到迁移学习式多模光纤网络入侵特征分布空间中的第i列矢量可表示为：

采用深度学习的方法，进行迁移学习式多模光纤网络入侵数据融合处理，x（t）表示迁移学习式多模光纤网络入侵数据的矢量，则：

从我院选取的350名经过CT检查确认脑出血且有高血压病史的患者,其中有180例男性,女性170例;年龄都在36-81岁之间,平均年龄为64.5岁,其中年龄大于60岁的有174例,60-70岁有124例,年龄大于70岁的53例。这些患者的出血量均大于15ml。单侧瞳孔放大69例,双侧瞳孔放大有19例。

其中：

其中，1 ≤i≤I，迁移学习式多模光纤分布式入侵序列s（t）的第i列向量a(θi,ri)称为信源i在入侵方向上的特征分布向量.结合模糊向量特征分解方法，进行迁移学习式多模光纤网络入侵特征提取［8].

2.2 入侵检测的多模式匹配优化

提取迁移学习式多模光纤网络入侵信号的关联特征量，采用谱分析方法，实现对迁移学习式多模光纤网络的多模式入侵序列特征匹配，迁移学习式多模光纤网络入侵源的节点分布距离为：

如果x1（t）和x2（t）表示迁移学习式多模光纤网络的固有模态特征分量，则有：

式中，ε1（t）为方差为的关联特征分布集，ε2（t）为方差为的高斯白噪声.采用多模式匹配算法，进行迁移学习式多模光纤网络入侵检测中的收敛性控制，构建检测统计判决算式：

采用多模式匹配方法，得到迁移学习式多模光纤网络入侵检测的统计分析过程，表示为：

3 系统的软件开发设计

以SQLServer数据库作为迁移学习式多模光纤网络入侵数据检测模块的数据管理引擎，采用Revit软件进行迁移学习式多模光纤网络入侵数据检测系统的检测模块开发设计，在Visual DSP＋＋4.5开发平台中进行入侵检测系统的软件开发设计，基于多模式匹配算法的网络安全入侵检测系统的总体构架如图3所示.

以ADSP-BF537作为核心处理器进行迁移学习式多模光纤网络入侵数据检测系统的总线开发设计，采用ISA/EISA 扩充总线进行迁移学习式多模光纤网络入侵信息检测，实现网络入侵安全检测系统的优化开发设计.

4 仿真实验与结果分析

为了验证本文方法在实现迁移学习式多模光纤网络入侵安全检测中的应用性能，进行仿真测试，实验采用Matlab 设计，多模光纤网络入侵的时宽0.01 s，相对带宽0.48 Bps，原始的入侵信息采样的长度为1200，采样频率为120 kHz，根据上述参数设定，进行迁移学习式多模光纤网络入侵检测仿真，得到原始数据的入侵序列及特征提取输出如图4所示.

分析图4可知，网络入侵序列及谱特征的提取结果，以上述传输序列为研究对象，进行入侵检测，得到迁移学习式多模光纤网络入侵检测输出如图5所示.

分析图5 可知，本文方法检测到的入侵数据幅值与实际入侵幅值大小相仿，而EMD 检测方法检测到的幅值与实际幅值略有偏差，由此可知，本文方法进行网络安全入侵检测的准确性较高，特征分辨能力较好.

为深入分析本文方法的应用性能，本文将进行方法的抗攻击性能检测.该实验将分别向本文系统与EMD系统中输入大小为256 MB的攻击信息，输入后检测两个系统中留有的攻击数据大小，为避免得到主观性结果，设置检测次数为5次，实验结果如表1所示.

表1 不同方法的抗攻击性能检测Tab. 1 Anti-attack performance testing of different methods

分析表1可知，本文系统中存留攻击数据大小一定程度上低于EMD系统，故本文具有较好的抗攻击能力.这是由于本文分析了迁移学习式多模光纤网络入侵特征分布空间矢量，得到入侵序列矩阵的特征分布向量，通过对入侵序列矩阵特征的研究，获取入侵源信息，向网络系统发送警报信号，拒绝该类信息的访问，以此提升本文方法的抗攻击性能.

5 结语

本文提出基于多模式匹配算法的网络安全入侵检测方法.分析得知，本文方法进行迁移学习式多模光纤网络入侵检测的准确概率较高，抗攻击能力较强，具有较好的网络入侵信息挖掘和特征辨识能力，提高网络的安全性.