基于粗糙集理论的网络信息安全风险等级分类方法

针对大数据背景下网络信息安全威胁呈现的多元化、复杂化、频发高发的趋势,提出一种新的网络信息安全风险等级分类方法。该方法考虑到了现实应用中数据的不完备性以及各系统之间的不平等性,在引入粗糙集合容差关系的同时,基于成对比较矩阵,定义了一种新的系统权重的确定办法,给出一种多源不完备信息系统下的加权多粒度粗糙决策分析模型。应用实例表明,该模型可以提高网络信息安全风险等级的分类速度与精度,为实现网络信息安全快速预警提供了新的实践方法和理论基础。

基于邻域粗糙集的极限学习机恶意DoH流量预警

在对网络安全发起攻击的恶意DoH流量数据中,存在属性特征影响恶意DoH流量攻击目标达成,使用基于邻域粗糙集的极限学习机决策分析方法建立恶意DoH流量预警模型,可为恶意DoH流量预警提供决策支持。首先运用邻域粗糙集属性约简算法对高维DoH流量特征进行降维,并得到约简后的属性重要度,然后利用极限学习机算法测试评估约简后的属性特征对数据样本的分类正确率。应用实例表明,在保证样本类别比例与原数据集一致的前提下,约简后的属性特征对样本数据具有足够高的分类准确率,验证了文中所提基于邻域粗糙集的极限学习机决策分析方法能有效地简化恶意DoH流量安全评价的复杂度。

混合信息系统的邻域多粒度决策粗糙集及应用

为进一步有效处理混合型数据,在混合信息系统中引入邻域多粒度决策粗糙集;鉴于欧氏距离只考虑到数据之间的绝对距离,因此在模型中以卡方距离作为替代;在给定邻域半径之下,提出了混合信息系统的邻域多粒度决策粗糙集模型,对其相关性质进行了证明;实例分析结果表明,该模型具有更好的分类能力,并可通过调整相关参数使模型具有一定的容错性。