模糊关联规则及其应用研究(7)
图一 隶属函数的定义
用相同的方法，我们分别对其余的属性进行模糊化，并对相应的隶属函数进行定义，把原数据库中的数据转化为隶属度的新数据库及相应的模糊属性集。对于这个数据库中的纪录，采用相关的模糊关联规则挖掘算法，定义最小信任度0.4，最小支持度0.1，通过DARPA2000 数据集的属性所定义的模糊属性及每小时获取的记录库T得出初始矩阵，依次求出长度为1，2，……的所有模糊频繁属性集，根据所定义的最小信任度和最小支持度，对全部模糊频繁属性集最终得出安全事件关联规则(下面为部分示例)：
规则1：TelnetTerminaltype.high Email_Echo.high
规则2：Email_Almail_Overflow.high Email_Echo.high
规则3：FTP_User.high Email_Echo.high
规则4：TelnetEnvAll.high Mastream_Zombie.high
规则5：Mastream_Zombie.high Stream_Dos.high
规则6：TelnetEnvAll.high，Mastream_Zombie.high Stream_Dos.high
........
以规则1为例，表示当事件TelnetTerminaltype在一段时间内发生次数为高时，在相同的时间，事件Email_Echo发生的次数也为高的概率相当大。而规则4、5、6则反映了在DOS攻击过程中，一种比较常见的攻击步骤。由于当某个属性为低时，即表示此安全事件发生次数较少，较为安全，因此这类规则就可以过滤掉。对模糊关联规则挖掘，能够对网络中各类安全事件全面的进行分析，得出的关联结果不仅能验证以往已知的攻击场景，同时又能发现未知的变化的攻击事件，从而有效地预防和发现网络攻击。
5.结论及展望
实验证明，对于不可预知性强、重复性高的各类网络安全事件，利用相应模糊关联规则能够有效地将其抽象成定性的描述，并寻找出其中存在的规律，重构出攻击场景，有效地提高了网络的安全性。
模糊的关联规则能够有效挖掘出数据中蕴含的模糊关系，并且挖掘出的结果使用户理解起来更容易，模糊关联规则可以用于专家系统等应用中，而且在利用规则进行推理时，比其他数据挖掘的关联规则，模糊关联规则将能够得出更准确更详细的答案。其发现内容还可以拓展到周期关系的发现,序列关系的发现；其算法还可以扩展到多概念层次的关系规则挖掘，事务数据库增量文护，分布式环境下关联规则采集等方面。将模糊数学与数据挖掘技术相结合是一项非常有意义的工作。将模糊关联规则应用于信息处理这一领域是一个很有意义的课题，有着广泛的使用价值。