LTE网络安全数据采集与组合算法研究

　　[摘要]: LTE（长期演进）是一种广泛用于4G的通信技术. 它以带宽，频谱利用率，网络吞吐量等优势进入市场，受到越来越多用户的喜爱，引起了研究者的广泛关注. 但是，随着LTE技术的普及，利用LTE技术构建的移动通信网络（称为“ LTE网络”）中的安全性问题也不容忽视. 在过去的几年中，对LTE网络安全性的研究主要集中在提出有效的安全认证方案或安全访问控制策略的领域. 但是，随着数据分析方法的兴起，出现了基于LTE网络数据的研究. 由于数据是数据分析方法中知识发现和决策过程的基础，因此人们将通过处理和分析相关数据来获得有价值的结论，例如处理和分析LTE网络数据以识别网络中是否存在某种攻击. . 数据分析的关键是机器学习算法. 它可以通过学习训练数据集来发现数据中存在的规律，然后根据先前学习的经验和知识来预测未知数据，以获得相应的结论. 考虑到LTE网络安全研究的重要性，数据分析的重要性以及机器学习算法在数据处理过程中的作用，本文研究了如何使用机器学习方法快速，准确和自适应地采集LTE网络安全性数据，并结合，处理和分析采集的数据. 在现有工作中，已经进行了很多有关LTE网络入侵检测的研究.

　　首先采集一些指定的LTE网络安全数据，然后使用机器学习算法来预测网络中是否存在某种攻击. 但是，据我们所知，在*敏*感*词*的LTE网络数据环境中，几乎没有文献专门讨论如何采集LTE网络安全数据，以避免由于重复采集或造成重复采集而浪费资源和时间. 采集不完整. 数据中收录的信息不够完整，无法获得准确的结果. 很少有文档讨论如何将采集的LTE网络安全数据组合在一起以分析整个LTE网络的安全状态. 为了弥补LTE网络安全研究中数据采集与组合方法中存在的上述问题，在LTE网络安全数据采集与组合设计的基础上，提出了一种自适应LTE网络安全数据采集算法和LTE网络安全数据. 框架. 组合算法. 我们的工作与传统方法之间的区别在于获取策略的反馈过程和串并结构的数据处理过程. 提出的两种算法与机器学习算法相结合. 机器学习中使用的主要核心算法是特征选择算法和分类算法. 基于这两个核心算法，我们设计了基于LTE网络安全数据的设计. 基于串行-并行结构的局部互信息增益特征选择算法和支持向量机算法. 其中，特征选择算法用于计算LTE网络安全数据对分类结果的影响程度，然后根据特征选择结果制定相应的采集策略，并反馈给网络采集器以指导将来的数据. 采集;分类算法用于串行和并行在网络数据处理的结构中，有必要识别并预测不同安全类别的组合数据所反映的安全问题，然后评估LTE网络中的安全问题.

　　为了验证设计框架和算法的性能，我们使用NS3网络仿真工具来仿真正常LTE网络环境和异常LTE网络环境，并在物理层模拟信号干扰攻击，带宽窃取攻击在多媒体访问层和应用程序层进行拒绝服务攻击，并在模拟LTE网络的不同层中部署网络安全数据采集器以采集网络数据. 然后，本文提出的数据采集和组合算法是用Python语言编程实现的. 最后，设计了一个测试实验来测试本文提出的数据采集和组合算法的性能. 测试结果证明了该方法在LTE网络安全分析中的优势.