融合经验模态分解与改进时域Transformer的网络安全态势预测

针对网络安全态势预测任务复杂且真实环境下数据噪声较大等问题,提出一种融合经验模态分解与改进时域Transformer的网络安全态势预测方法,通过“分解-重构”方式使用完全自适应噪声集合经验模态分解方法对真实环境下网络安全态势数据进行去噪预处理;提出改进时域Transformer,使用时域Transformer模块提取网络安全态势数据序列的时间深层全局特征,并提出Attention Fusion机制实现时序特征的自适应融合,以更加稳健的特征融合方式完成预测任务。实验结果表明,本文提出的方法相较其他方法在预测精度方面具有显著提高,其拟合优度决定系数达到0.997860,拟合效果较好。

ACCQPSO:一种改进的量子粒子群优化算法及其应用

针对量子粒子群优化算法前期易陷入局部极值点、后期寻优精度不高等问题,文章提出一种自适应交叉算子的混沌量子粒子群优化算法,并将其应用于BP神经网络超参数寻优。首先,利用Logistics映射初始种群为混沌序列进行最优解搜索,增强初始种群的随机性与遍历性,提高算法寻优能力;然后,通过纵向交叉操作进行种群中个体的信息交换,并引入自适应交叉概率公式,增加种群多样性,提高算法的寻优精度;最后,在实验中,一方面,选取8个函数在高低两个维度进行验证,同时进行Wilcoxon秩和检验分析以及消融实验,验证该算法相较其他算法的有效性;另一方面,通过算法优化BP神经网络应用到网络安全态势预测任务中,实验结果表明该算法收敛速度相较于对比算法有大幅度提升。

基于TCN-BiLSTM的网络安全态势预测

针对现有网络安全态势预测模型预测精确度低和收敛速度慢的问题,提出一种基于时域卷积网络(temporal convolution network,TCN)和双向长短期记忆(bi-directional long short-term memory,BiLSTM)网络的预测方法。首先,将TCN处理时间序列问题的优势应用到态势预测上学习态势值的序列特征;随后,引入注意力机制动态调整属性的权值;然后,利用BiLSTM模型学习态势值的前后状况,以提取序列中更多的信息进行预测;利用粒子群优化(particle swarm optimization,PSO)算法进行超参数寻优,提升预测能力。实验结果表明,所提预测方法的拟合度可达0.9995,其拟合效果和收敛速度均优于其他模型。

基于注意力机制的SSA-TCN-GRU的网络安全态势预测

传统的网络安全态势预测方法依赖于历史态势值的准确性,各种网络安全因素之间存在相关性和重要性差异。针对上述问题,提出了一种基于注意力机制的奇异谱分析(SSA)和时域卷积网络(TCN)与门控循环单元(GRU)的组合预测模型。该模型通过对网络安全态势数据进行奇异谱分析,分解并重构为一系列子序列;对每个子序列建立TCN-GRU神经网络的预测模型,并引入注意力机制动态调整属性的权值;将子序列的预测结果进行叠加,得到最终的预测值。实验结果表明,所提预测方法的拟合度为0.997,其拟合效果和收敛速度均优于其他模型。