以支持向量機（SVM）為基礎提出一種網(wǎng)絡安全態(tài)勢預測方法.SVM可以借助于已有的網(wǎng)絡安全態(tài)勢值對未來安全進行預測,并引入了遺傳算法對SVM進行參數(shù)優(yōu)化,進而提升其預測效率.仿真結果表明,此模型在預測網(wǎng)絡安全態(tài)勢變化趨勢方面有著很好的前景,能夠顯著提升預測精度,相較于傳統(tǒng)預測技術優(yōu)勢顯著,更契合當前的互聯(lián)網(wǎng)環(huán)境. 

【文章來源】：湖南工程學院學報(自然科學版). 2020,30(01)

【文章頁數(shù)】：4 頁

【部分圖文】：

網(wǎng)絡安全態(tài)勢樣本數(shù)據(jù)圖

首先將該態(tài)勢時延設定為1,然后利用以上的試湊法不斷提升嵌入的維數(shù),通過分析獲得8維,對應的SVM為7個輸入變量與1個輸出變量,該態(tài)勢數(shù)據(jù)的重構就可以利用該時延與嵌入維數(shù)來實現(xiàn),然后完成該SVM的訓練與測試樣本集.隨后基于前者數(shù)據(jù)集來進行SVM學習,同時利用遺傳算法對此模型參量加以優(yōu)化.設置的參量包括進化代數(shù)、初始種群、變異與交叉概率,它們的值依次為100、40、0.01、0.05與0.95.該系統(tǒng)在運行至50.55 s之時出現(xiàn)目標誤差,此時的SVM完成的訓練步數(shù)達到5000,借助于該態(tài)勢的適應度曲線可以得知,在30代遺傳之后,該染色體的適應度開始逐漸穩(wěn)定,據(jù)此就能得到該預測模型的最優(yōu)參量:亦即高斯核函數(shù)寬度、不敏感損失函數(shù)與懲罰參數(shù),依次為5、0.001與100.隨機對該安全態(tài)勢進行相應的預測,得到圖2的適應度曲線.分析該圖可知通過約30代的遺傳,該染色體適應度開始漸穩(wěn),由此得到該模型的最優(yōu)參量為:c=100,ε=0.001,σ=5.借助于該預測模型就可以得出預測誤差整體較小,預測精度得到了明顯的提升.3.3 網(wǎng)絡安全態(tài)勢預測

在使用最優(yōu)參量c=100,ε=0.001,σ=5構筑相應的安全態(tài)勢預測模型時,可以選用最優(yōu)模型對這30個態(tài)勢值進行預測,并得到圖3的結果,而通過圖3給出的預期曲線可以得知該預測模型整體預測誤差較小,有著較高的預測精度.為了進行對比分析,運用BP與RBF這兩種神經(jīng)網(wǎng)絡算法來進行預測,并借助于均方(MSE)與平均相對誤差(MAE)來用作模型的評價指標,得到表2對比結果.

【參考文獻】：
期刊論文
[1]一種基于混合核函數(shù)PSOSVR的網(wǎng)絡安全態(tài)勢預測方法[J]. 李方偉,羅嘉,朱江,張海波.  微電子學與計算機. 2015(12)
[2]組合核函數(shù)相關向量機的網(wǎng)絡安全態(tài)勢預測[J]. 劉付民,王靜詠,張治斌.  計算機應用研究. 2016(08)
[3]相關向量機超參數(shù)優(yōu)化的網(wǎng)絡安全態(tài)勢預測[J]. 肖漢杰,桑秀麗.  計算機應用. 2015(07)
[4]網(wǎng)絡安全態(tài)勢預測方法的仿真研究[J]. 曾斌,鐘萍.  計算機仿真. 2012(05)
[5]網(wǎng)絡安全態(tài)勢預測方法的應用研究[J]. 王庚,張景輝,吳娜.  計算機仿真. 2012(02)



本文編號：3312146