長久以來,網絡安全態(tài)勢感知技術的研究取得了長足的進展,但是隨著大數據時代的來臨,先前的研究顯示出其局限性和不足之處,人工神經網絡的出現促進了網絡安全態(tài)勢感知技術的進一步發(fā)展。著重分析了神經網絡在網絡安全態(tài)勢中的應用,解決了網絡安全態(tài)勢的特征提取和預測問題,為神經網絡技術與網絡安全態(tài)勢感知技術的結合奠定了基礎。 

【文章來源】：科技與創(chuàng)新. 2020,(14)

【文章頁數】：5 頁

【部分圖文】：

基于LR-IPSO的安全態(tài)勢要素提取模型

針對網絡安全態(tài)勢預測模型，傳統神經網絡解決方案可能會產生一些偏差。因此，引入人工智能優(yōu)化算法優(yōu)化了人工神經網絡的參數，普遍適用于各種人工神經網絡模型。一些學者開始逐步研究智能優(yōu)化算法與人工神經網絡的結合，并取得了較好的效果。為了預測網絡安全態(tài)勢，有的學者提出了一種基于小波神經網絡（WNN）的網絡安全狀況定量預測方法，其網絡結構如圖2所示。其中采用梯度下降法來訓練和優(yōu)化WNN參數[33]。范九倫等人[34]依據網絡安全態(tài)勢值之間的非線性映射關系進行態(tài)勢預測，采用布谷鳥搜索算法對RBF神經網絡的結構參數進行優(yōu)化，并在其間引入模擬退火算法思想和動態(tài)發(fā)現概率機制，以提升預測精度。仿真實驗顯示，改進后的布谷鳥搜索算法搜索效率更高，尋優(yōu)結果更精確。孟錦等人[35]針對網絡安全態(tài)勢感知中的預測問題，提出了采用徑向基函數（RBF）神經網絡對態(tài)勢值進行預測的方法，為了提高RBF神經網絡的預測精度，使用混合遞階遺傳算法（HHGA）對RBF神經網絡進行訓練，獲得了神經網絡結構參數。實驗結果說明了此預測方法的有效性，并通過與已有的預測方法進行對比實驗，驗證了所提算法在精度方面的優(yōu)越性。

王宇飛[36]從本質上深入剖析網絡安全態(tài)勢感知和網絡安全態(tài)勢預測的異同點，進而結合兩者在工作原理上的相似性，利用人工智能理論提出基于集成學習Boosting算法的一體化NSSE模型，實現了對目標網絡當前及未來安全態(tài)勢的全方位評估，其結果如圖3～圖5和表1所示，從圖中可知，相對比于BPNN和SVM,Boosting的預測精度較高。圖4 SVM預測NSSV與NSSV真實值比較

【參考文獻】：
期刊論文
[1]基于RBF神經網絡的網絡安全態(tài)勢預測方法[J]. 范九倫,伍鵬.  西安郵電大學學報. 2017(02)
[2]網絡空間安全態(tài)勢感知研究[J]. 趙淦森,吳杰超,陳梓豪,任雪琦,譚昊翔,馬朝輝.  網絡與信息安全學報. 2016(10)
[3]網絡空間態(tài)勢感知模型及應用研究[J]. 李明,脫永軍,黃云霞.  通信技術. 2016(09)
[4]網絡安全態(tài)勢認知融合感控模型[J]. 劉效武,王慧強,呂宏武,禹繼國,張淑雯.  軟件學報. 2016(08)
[5]基于隱馬爾可夫模型的網絡安全態(tài)勢預測方法[J]. 文志誠,陳志剛.  中南大學學報(自然科學版). 2015(10)
[6]基于能力機會意圖模型的網絡安全態(tài)勢感知方法[J]. 賈雪飛,劉玉嶺,嚴妍,吳迪.  計算機應用研究. 2016(06)
[7]基于本體的網絡安全態(tài)勢知識庫模型[J]. 華輝有,陳啟買.  計算機應用. 2014(S2)
[8]一種實時網絡安全態(tài)勢預測方法[J]. 黃同慶,莊毅.  小型微型計算機系統. 2014(02)
[9]網絡態(tài)勢預測的廣義回歸神經網絡模型[J]. 卓瑩,張強,龔正虎.  解放軍理工大學學報(自然科學版). 2012(02)
[10]基于HHGA-RBF神經網絡的網絡安全態(tài)勢預測模型[J]. 孟錦,馬馳,何加浪,張宏.  計算機科學. 2011(07)

碩士論文
[1]基于卷積神經網絡的入侵檢測技術的研究[D]. 趙昱博.哈爾濱工程大學 2018
[2]基于集成學習的網絡安全態(tài)勢評估模型研究[D]. 王宇飛.華北電力大學 2012



本文編號：3510325