針對(duì)傳統(tǒng)的模糊評(píng)價(jià)系統(tǒng)存在評(píng)價(jià)沖突和主觀偏差,造成網(wǎng)絡(luò)安全態(tài)勢(shì)預(yù)測(cè)出現(xiàn)精度和魯棒性較低等問(wèn)題,提出一種結(jié)合Dempster-Shafer(D-S)證據(jù)理論與循環(huán)神經(jīng)網(wǎng)絡(luò)的網(wǎng)絡(luò)安全態(tài)勢(shì)預(yù)測(cè)算法;首先以專家評(píng)價(jià)為基礎(chǔ)構(gòu)建網(wǎng)絡(luò)安全的系統(tǒng)角色,由三角模糊函數(shù)獲取專家評(píng)估指標(biāo);然后引入D-S證據(jù)理論進(jìn)行評(píng)估指標(biāo)的篩選、推理和校正,構(gòu)建網(wǎng)絡(luò)安全態(tài)勢(shì)損失矩陣和可能性矩陣;最后,以損失矩陣和可能性矩陣為特征輸入至循環(huán)神經(jīng)網(wǎng)絡(luò)中,獲取網(wǎng)絡(luò)安全態(tài)勢(shì)預(yù)測(cè)結(jié)果。仿真實(shí)驗(yàn)結(jié)果表明,D-S證據(jù)理論有效地解決了評(píng)價(jià)沖突和主觀偏差問(wèn)題,循環(huán)神經(jīng)網(wǎng)絡(luò)使得網(wǎng)絡(luò)安全態(tài)勢(shì)預(yù)測(cè)結(jié)果的精度和魯棒性都得到了提升。

【文章頁(yè)數(shù)】：9 頁(yè)

【部分圖文】：

圖1循環(huán)神經(jīng)網(wǎng)絡(luò)(RNN)結(jié)構(gòu)及長(zhǎng)短時(shí)記憶(LSTM)單元結(jié)構(gòu)

將LSTM單元作為RNN隱含層,可以有效地保證梯度的變化。該記憶單元由4個(gè)受限門組成,分別是輸入門、記憶門、輸出門和狀態(tài)單元,這4個(gè)結(jié)構(gòu)經(jīng)過(guò)一些限制算法來(lái)保留誤差梯度。LSTM需要進(jìn)行公式組合,給出各個(gè)門對(duì)信息傳遞的限制。1)輸入門,

圖2MITDARPA數(shù)據(jù)集網(wǎng)絡(luò)拓?fù)浣Y(jié)構(gòu)圖

實(shí)驗(yàn)中邀請(qǐng)30位網(wǎng)絡(luò)安全專家對(duì)網(wǎng)絡(luò)架構(gòu)的安全等級(jí)進(jìn)行評(píng)估。為了驗(yàn)證雙重模糊評(píng)價(jià)系統(tǒng)的有效性,從中提取3位具有代表性的專家進(jìn)行驗(yàn)證,這3位專家在評(píng)估等級(jí)上的沖突較大,使用傳統(tǒng)D-S證據(jù)推理難以獲得更好的結(jié)果。假設(shè)資產(chǎn)集合為M={m1,m2},威脅信息角色為Th={th....

圖3本文中提出的算法的輸出值與實(shí)際輸出值的對(duì)比

為了比較本文中提出的算法與傳統(tǒng)的淺層學(xué)習(xí)方法的預(yù)測(cè)結(jié)果,在實(shí)驗(yàn)條件相同的情況下,分別采用BPNN、GA、ACO等3種方法進(jìn)行網(wǎng)絡(luò)安全態(tài)勢(shì)預(yù)測(cè),結(jié)果如圖4所示。表5所示為10個(gè)關(guān)鍵威脅點(diǎn)的網(wǎng)絡(luò)安全態(tài)勢(shì)在不同算法下的對(duì)比值,表6所示為不同算法的迭代時(shí)間與均方誤差。圖4不同算法的....

圖4不同算法的網(wǎng)絡(luò)安全態(tài)勢(shì)預(yù)測(cè)對(duì)比

圖3本文中提出的算法的輸出值與實(shí)際輸出值的對(duì)比從實(shí)驗(yàn)結(jié)果的對(duì)比可以看出:1)在關(guān)鍵威脅時(shí)間點(diǎn)的網(wǎng)絡(luò)安全評(píng)估上,雙重模糊評(píng)價(jià)體系具有更全面的優(yōu)勢(shì),特別是在處理專家預(yù)測(cè)結(jié)果沖突的情況下,結(jié)合深度預(yù)測(cè)模型后能夠獲得更精確、魯棒性更好的安全評(píng)估預(yù)測(cè)結(jié)果,因此該模型在網(wǎng)絡(luò)安全評(píng)估預(yù)測(cè)上....

本文編號(hào)：3983412