技術(shù)特征：

1.基于大數(shù)據(jù)和可信計(jì)算的信息網(wǎng)絡(luò)安全自防御系統(tǒng)，包括基于可信的數(shù)據(jù)集儲(chǔ)模塊、基于可信的數(shù)據(jù)傳輸模塊、風(fēng)險(xiǎn)分析反饋模塊、風(fēng)險(xiǎn)檢測(cè)模塊、風(fēng)險(xiǎn)評(píng)估模塊、安全防御模塊和預(yù)警模塊；

所述基于可信的數(shù)據(jù)集儲(chǔ)模塊用于收集并加密存儲(chǔ)終端的含有用戶相關(guān)信息的有用數(shù)據(jù)，收集時(shí)對(duì)收集有用數(shù)據(jù)的網(wǎng)絡(luò)節(jié)點(diǎn)進(jìn)行認(rèn)證，確保數(shù)據(jù)采集環(huán)境可信任，建立信任關(guān)系；

所述基于可信的數(shù)據(jù)傳輸模塊用于實(shí)現(xiàn)各模塊的有用數(shù)據(jù)的加密傳遞，確保有用數(shù)據(jù)不會(huì)被任意獲取；

所述風(fēng)險(xiǎn)分析反饋模塊根據(jù)傳遞的有用數(shù)據(jù)和已經(jīng)驗(yàn)證的風(fēng)險(xiǎn)管理經(jīng)驗(yàn)進(jìn)行風(fēng)險(xiǎn)分析并輸出反饋信息，包括：

(1)數(shù)據(jù)預(yù)處理子模塊，用于對(duì)所述有用數(shù)據(jù)進(jìn)行數(shù)據(jù)清理和清洗，過濾掉包含噪音和異常的數(shù)據(jù)，形成用戶行為分析的有效數(shù)據(jù)集；

(2)基于改進(jìn)K-means聚類方法的數(shù)據(jù)分析子模塊，用于對(duì)所述有效數(shù)據(jù)集進(jìn)行分類整理和分析，并對(duì)用戶的行為進(jìn)行分析，輸出用戶行為分析結(jié)果，其包括依次連接的數(shù)據(jù)準(zhǔn)備單元、數(shù)據(jù)挖掘單元和用戶行為分析單元；

所述數(shù)據(jù)準(zhǔn)備單元用于對(duì)剔除效數(shù)據(jù)集中的缺失值和異常值，并進(jìn)一步進(jìn)行歸一化處理，其中異常值采用統(tǒng)計(jì)學(xué)中的常用異常點(diǎn)判別方法GESR進(jìn)行判別；

所述數(shù)據(jù)挖掘單元用于采用改進(jìn)K-means聚類方法對(duì)由數(shù)據(jù)準(zhǔn)備單元處理過的有效數(shù)據(jù)集進(jìn)行聚類，并建立用戶分群模型；

所述用戶行為分析單元用于采用決策樹算法對(duì)所述分群模型進(jìn)行標(biāo)識(shí)區(qū)分，識(shí)別用戶身份，并根據(jù)標(biāo)識(shí)區(qū)分識(shí)別結(jié)果建立人工神經(jīng)網(wǎng)絡(luò)模型，進(jìn)而對(duì)用戶行為進(jìn)行預(yù)測(cè)并輸出用戶行為分析結(jié)果；

(3)反饋?zhàn)幽K，用于根據(jù)用戶行為分析結(jié)果，識(shí)別風(fēng)險(xiǎn)操作，并從知識(shí)庫提取相應(yīng)的安全策略，再匯總風(fēng)險(xiǎn)操作和相應(yīng)的安全策略打包成反饋信息；

所述風(fēng)險(xiǎn)檢測(cè)模塊用于在已驗(yàn)證的安全網(wǎng)絡(luò)環(huán)境下根據(jù)反饋信息對(duì)正在運(yùn)行的終端進(jìn)行實(shí)時(shí)檢測(cè)并輸出檢測(cè)結(jié)果；

所述風(fēng)險(xiǎn)評(píng)估模塊用于對(duì)風(fēng)險(xiǎn)檢測(cè)模塊的輸出結(jié)果進(jìn)行評(píng)估并輸出評(píng)估結(jié)果，具體為：

(1)確定風(fēng)險(xiǎn)等級(jí)：將風(fēng)險(xiǎn)劃分為藍(lán)色風(fēng)險(xiǎn)、黃色風(fēng)險(xiǎn)、橙色風(fēng)險(xiǎn)和紅色風(fēng)險(xiǎn)四個(gè)等級(jí)，檢測(cè)結(jié)果根據(jù)相應(yīng)閾值范圍確定風(fēng)險(xiǎn)等級(jí)；

(2)輸出評(píng)估結(jié)果：進(jìn)一步地，在相應(yīng)風(fēng)險(xiǎn)等級(jí)內(nèi)確定風(fēng)險(xiǎn)破壞度和可修復(fù)程度，并輸出評(píng)估結(jié)果；

所述安全防御模塊對(duì)反饋信息、檢測(cè)結(jié)果和評(píng)估結(jié)果進(jìn)行綜合分析，得到相應(yīng)的綜合風(fēng)險(xiǎn)，調(diào)用相應(yīng)且合適的安全策略，具體為：

(1)定義綜合風(fēng)險(xiǎn)函數(shù)Z：

Z＝f×δ₁+j×δ₂+p×δ₃

式中，f表示反饋信息,對(duì)應(yīng)權(quán)重為δ₁，j表示檢測(cè)結(jié)果，對(duì)應(yīng)權(quán)重為δ₂，p表示評(píng)估結(jié)果，對(duì)應(yīng)權(quán)重為δ₃，δ₁+δ₂+δ₃＝1；

(2)根據(jù)Z值范圍確定相應(yīng)的安全策略；

所述預(yù)警模塊包括安全開關(guān)和報(bào)警器，當(dāng)風(fēng)險(xiǎn)超過自防御系統(tǒng)防御能力或者安全防御模塊出現(xiàn)故障時(shí)，安全開關(guān)會(huì)自動(dòng)將切斷電源，同時(shí)報(bào)警器發(fā)出警報(bào)。

2.根據(jù)權(quán)利要求1所述的基于大數(shù)據(jù)和可信計(jì)算的信息網(wǎng)絡(luò)安全自防御系統(tǒng)，其特征在于，所述數(shù)據(jù)挖掘單元采用改進(jìn)K-means聚類方法對(duì)由數(shù)據(jù)準(zhǔn)備單元處理過的有效數(shù)據(jù)集進(jìn)行聚類的具體操作為：

1)設(shè)所述有效數(shù)據(jù)集具有n個(gè)樣本，對(duì)n個(gè)樣本進(jìn)行向量化，通過夾角余弦函數(shù)計(jì)算所有樣本兩兩之間的相似度，得到相似度矩陣XS；

2)對(duì)相似度矩陣XS的每一行進(jìn)行求和，計(jì)算出每一個(gè)樣本與整個(gè)有效數(shù)據(jù)集的相似度，設(shè)XS＝[sim(a_i,a_j)]_n×n，i,j＝1,…,n，其中sim(a_i,a_j)表示樣本a_i,a_j間的相似度，求和公式為：

${\mathrm{XS}}_p=\underset{j=1}{\overset{n}{\Σ}}sim(a_i,a_j),p=1,...,n$

3)按降序排列XS_p,p＝1,…,n，設(shè)XS_p按從大到小排列的前4個(gè)值為XS_max,XS_max-1,XS_max-2,XS_max-3，若選擇與最大值XS_max相對(duì)應(yīng)的樣本作為第一個(gè)初始的聚簇中心,否則選擇與XS_max,XS_max-1,XS_max-2,XS_max-3對(duì)應(yīng)的四個(gè)樣本的均值作為第一個(gè)初始的簇中心；

4)將最大值為XS_max對(duì)應(yīng)的矩陣中行向量的元素進(jìn)行升序排列，假設(shè)前k-1個(gè)最小的元素為XS_pq,q＝1,…,k-1，選擇前k-1個(gè)最小的元素XS_pq相對(duì)應(yīng)的文檔a_q作為剩余的k-1個(gè)初始的聚簇中心，其中所述k值的設(shè)定方法為：設(shè)定k值可能取值的區(qū)間，通過測(cè)試k的不同取值，并對(duì)區(qū)間內(nèi)的各個(gè)值進(jìn)行聚類，通過比較協(xié)方差,確定聚類之間的顯著性差異,從而來探査聚類的類型信息,并最終確定合適的k值；

5)計(jì)算剩余樣本與各初始的聚簇中心之間的相似度，將剩余樣本分發(fā)到相似度最高的聚簇中，形成變化后的k個(gè)聚簇；

6)計(jì)算變化后的聚簇中各樣本的均值，將其作為更新后的聚簇中心代替更新前的聚簇中心；

7)若更新前的聚簇中心與更新后的聚簇中心相同，或者目標(biāo)函數(shù)達(dá)到了最小值，停止更新，所述目標(biāo)函數(shù)為：

$J=\underset{l=1}{\overset{k}{\Σ}}\underset{a_x\∈C_l}{\Σ}\left|\right|a_x-\stackrel{\‾}{a_{xl}}|{|}^2$

其中，C_l表示k個(gè)聚簇中的第l個(gè)聚簇，a_x為第l個(gè)聚簇中的樣本，為第l個(gè)聚簇的中心。