1、基于GMM聚类的铁路网络数据风险等级分类方法商婧1，王佳宁1，刘旭1，李琪2，王健1（1.北京交通大学计算机与信息技术学院，北京100044；2.北京经纬信息技术有限公司，北京100081）摘 要：铁 路 行 业 信 息 基 础 设 施 及 重 要 信 息 系 统 产 生 的 数 据 种 类 繁 多、数 量 庞 大 且 价 值 密 度 高，而不 同 类 型 或 等 级 的 铁 路 网 络 数 据 存 在 不 同 级 别 的 安 全 风 险。为 了 完 善 铁 路 网 络 数 据 风 险 评 估 机 制，设 计一 种 基 于 高 斯 混 合 模 型（GMM，GaussianMixtureMode
2、l）聚 类 的 铁 路 网 络 数 据 风 险 等 级 分 类 方 法。从数 据 和 风 险 角 度 提 取 关 键 信 息，构 建 风 险 信 息 数 据 集；通过K-means聚 类 获 得 初 始 聚 类 中 心；基 于 混 合距 离 计 算 进行GMM聚 类，实 现 数 据 风 险 等 级 划 分。经 实 验 验 证，与 传统K-means聚 类、谱 聚 类 算 法 相比，GMM聚 类 算 法 对 铁 路 网 络 数 据 的 聚 类 效 果 更 优，能 够 更 加 准 确 地 对 铁 路 网 络 数 据 进 行 风 险 等 级 分类，从而为进一步落实铁路网络数据安全管理要求提供重要的技
3、术支撑。关 键 词：高 斯 混 合 模 型（GMM）聚 类；K-means聚 类；最 大 期 望（EM）算 法；铁 路 网 络；数 据 风险；风险等级分类中图分类号：U285.49:TP393文献标识码：A DOI：10.3969/j.issn.1005-8451.2023.11.09Risk level classification method for railway network databased on GMM clusteringSHANGJing1，WANGJianing1，LIUXu1，LiQi2，WANGJian1(1.SchoolofComputerandInformati
4、onTechnology,BeijingJiaotongUniversity,Beijing 100044,China；2.BeijingJingweiInformationTechnologiesCo.Ltd.,Beijing 100081,China)Abstract:Theinformationinfrastructureandimportantinformationsystemsintherailwayindustrygenerateawidevarietyofdatatypes,largequantities,andhighvaluedensity,anddifferenttypes
5、orlevelsofrailwaynetworkdatahavedifferent levels of security risks.In order to improve the risk assessment mechanism for railway network data,thispaper designed a risk level classification method for railway network data based on GMM clustering.The paperextractedkeyinformationfromtheperspectivesofda
6、taandrisk,andconstructsariskinformationdataset,obtainedinitialclustercentersthroughK-meansclustering,performedGMMclusteringbasedonmixeddistancecalculation,andimplemented data risk level classification.Through experimental verification,compared with traditional K-meansclusteringandspectralclusteringa
7、lgorithms,theGMMclusteringalgorithmhasabetterclusteringeffectonrailwaynetworkdataandcanmoreaccuratelyclassifytherisklevelofrailwaynetworkdata,whichprovideimportanttechnicalsupportforfurtherimplementingtherequirementsofrailwaynetworkdatasecuritymanagement.Keywords:Gaussian Mixture Model(GMM)clusterin
8、g；K-means clustering；Expectation Maximization(EM)algorithm；railwaynetwork；datarisk；risklevelclassification随 着 铁 路 的 高 速 发 展，铁 路 行 业 已 经 进 入 了 大数 据 时 代1；逐 步 成 熟 的 大 数 据 技 术 能 够 为 铁 路 运 输组 织 的 各 个 环 节 予 以 高 效 指 导2-3。铁 路 网 络 业 务 场景 众 多，数 据 资 产 规 模 庞 大、类 型 繁 杂、价 值 密 度高，因 此 对 关 键 信 息 基 础 设 施、重 要 数 据、个 人
9、信息、数 据 跨 境 流 动 等 方 面 有 较 高 的 安 全 保 护 需 求。研 究 并 形 成 铁 路 网 络 数 据 风 险 等 级 分 类 方 法，对 落实 铁 路 网 络 数 据 安 全 管 理 要 求，确 保 铁 路 网 络 数 据安全风险可控、在控具有重大意义。目 前，已 有 众 多 学 者 对 风 险 等 级 分 类 技 术 进 行收稿日期：2023-07-31基金项目：中 国 国 家 铁 路 集 团 有 限 公 司 科 技 研 究 开 发 计 划 课 题（K2022W006）作者简介：商婧，在读博士研究生；王佳宁，在读硕士研究生。第32卷 第11期Vol.32 No.11数据安全Data Security文章编号：1005-8451（2023）11-0039-06RCA 2023.11总第320期39
