改进RBF模型的医院网络异常信息入侵意图预测

由于在医院网络异常信息入侵意图预测过程中,没有对医院网络数据降维处理,导致预测时间较长、预测准确率较低,为此提出基于改进RBF(Radical Basis Function)模型的医院网络异常信息入侵意图预测算法。通过相关性分析去除医院网络数据冗余并排序,采用RBF多层神经网络对排序后的数据属性进行选择,完成医院网络数据降维处理;根据数据预处理结果,构建贝叶斯攻击图,获取网络潜在入侵攻击路径;在该路径中计算警报关联强度,提取入侵警报证据数据,通过警报证据的监测判断信息入侵概率,获得医院网络的异常信息入侵意图的预测结果。实验结果表明,所提方法的网络异常信息入侵意图预测效率快、准确率高、整体效果好。

无线网络异常信息入侵攻击意图预测仿真

无线网络异常信息入侵攻击意图的预测,可以有效保障网络安全稳定性。对异常信息入侵攻击意图的预测,需要根据意图实现的最大概率,给出入侵者在攻击过程中得到的最大化收益,完成网络入侵信息攻击意图的预测。传统方法先组建入侵状态转移矩阵,给出全部报警信息的相对权重,但忽略了给出攻击过程中的最大化收益,导致预测精度偏低。提出基于攻击图的无线网络异常信息入侵攻击意图预测方法。融合于攻击路径图表述入侵行为在节点之间的转移关系,映射出攻击从一个主机或弱点转移到下一个主机或弱点的过程,获取意图实现的最大概率,给出攻击意图实现的最短路径,计算出入侵信息的时效性,引入攻击效用的概念,给出入侵者在攻击过程中得到的最大化收益,并完成对无线网络异常信息入侵攻击意图预测。实验结果表明,所提方法预测精度高,可以为保障网络安全稳定运行奠定结实的基础。