基于原子搜索优化深度神经网络的网络安全态势预测

为提高网络安全态势预测准确度,将深度卷积神经网络(CNN)运用于安全态势预测,并借助原子搜索算法改进深度卷积神经网络,以提高其在网络安全态势预测方面的适应度。首先,提取网络样本流量特征并完成初始化,接着建立深度CNN网络攻击检测模型,并采用原子搜索优化(ASO)算法对CNN网络参数进行优化求解。通过原子适应度、质量及加速度的计算,不断更新原子的速度和位置,以获得最高适应度的CNN网络参数原子个体。然后采用最优参数进行CNN网络攻击类型检测训练,确定网络攻击类型。最后根据攻击类型权重和主机权重计算网络安全态势预测值。实验证明,在合理设置主机权重的情况下,通过ASO-CNN算法获得的网络安全态势预测值精度高,且稳定性强。

基于CS-RBF神经网络的网络安全态势预测方法研究

为了提高网络安全态势预测精度,帮助企业组织保护自身隐私数据,研究提出将布谷鸟算法与径向基神经网络算法融合设计出网络安全态势预测算法,并采用三角模糊数计算指标权重,设计出基于模糊层次分析法的网络安全态势感知指标体系,用于给预测模型提供输入数据。仿真实验结果显示,此次研究设计的网络安全态势预测模型在训练收敛后的损失函数值为0.82,对于对比模型,且在测试集上的平均绝对误差值与绝对误差标准差分别为1.82与4.57,也明显低于对比模型。此次研究设计出的网络安全态势预测模型具有良好的预测精度,对于提升我国企业数据安全水平具有应用潜力。

利用神经网络预测的空气质量态势可视分析方法

当前空气质量预测结果难以从时空多维展示分析结合深度学习与大数据分析技术,提出一种基于神经网络预测的空气质量变化态势多维表达的交互式可视分析方法。首先,提出多层二维卷积与长短时记忆神经网络模型(2D-CNN+LSTM),用于提取空气质量时空特征进行空气质量指数(AQI)预测;其次,从实际需求出发,设计空气质量态势多维表达可视化视图与交互方法;最后,构建可视分析系统,利用大气污染数据集进行案例研究与分析。实验结果表明,该方法能通过时序可视化、空间可视化及属性关联可视化等多视图协同交互,实现空气质量态势时空多维表达与分析,为空气质量防范治理问题提供新思路与方法。

基于卷积神经网络的网络安全态势感知研究

本文提出了一种基于网络攻击影响的态势量化评估指标,旨在精确衡量网络安全状况。基于此,设计了相应的态势值计算方法,并通过新小型学习-知识发现和数据挖掘(New Smaller Learning-Knowledge Discovery and Data Mining,NSL-KDD)数据集的验证,充分证明了所提出的选择性卷积神经网络模型在攻击识别方面拥有更高的准确度。实验结果显示,其态势评估结果与真实网络环境中的情况更为一致。

基于神经网络算法的网络安全态势评估研究

针对网络安全态势评估中存在的评估指标不统一、时空复杂度高、准确性偏差较大等问题,本文引入神经网络算法,提出一种新的网络安全态势评估方法。首先,阐述神经网络算法与网络安全态势评估技术基础;其次,建立网络安全态势评估模型,涉及构建评估指标体系、数据采集与预处理、提取态势特征、多通道特征融合及态势评估等;最后,通过实验与分析,验证了该方法在实际安全态势评估中具有较好的准确性与性能。

基于深度神经网络的配电自动化网络安全态势辨识

在进行配电网络安全态势自动辨识时,现有方法主要通过单隐藏层神经网络提取数据特征,使得辨识结果标准误差较大。为此,提出一种基于深度神经网络的配电自动化网络安全态势自动辨识算法。从静态安全性、动态安全性两方面入手建立完整的评价指标体系,描述电网运行状态。结合层次分析法和改进熵权法计算网络安全态势评估值,合理划分风险等级。使用深度神经网络构建辨识模型,提取多层级网络数据的深层次特征,得到网络安全态势辨识结果。根据引力函数和适应度函数,搜索最优安全态势辨识结果。实验结果表明,所提算法的安全态势自动辨识结果与BP神经网络辨识算法、RBP神经网络辨识算法相比,标准误差降低了27个百分点、29个百分点,安全态势辨识准确性可达99.55%。

改进的MVO-GRNN神经网络岩爆预测模型研究

准确预测岩爆烈度等级能有效指导岩爆灾害的防控。根据影响岩爆发生及烈度等级的3个因素构建岩爆评价指标体系,提出一种基于改进多元宇宙算法(Improved Multi-Verse Optimizer,IMVO)优化广义回归神经网络(General Regression Neural Network,GRNN)的岩爆预测模型。在普通多元宇宙算法(MVO)的基础上,运用自适应平衡机制调节MVO算法中的虫洞存在概率(V_(WEP))和旅行距离率(V_(TDR))两个重要参数来改进该算法;再运用改进的多元宇宙算法优化广义回归神经网络的光滑度,通过训练数据优选出最佳光滑因子σ,得到IMVO-GRNN神经网络岩爆烈度预测模型;最后结合工程实例验证模型的性能。研究表明,该模型相比传统模型寻优能力更强,精度更高,为岩爆预测提供了一种新的思路。

基于时间窗切分和深度神经网络的造纸生产线工控网络安全态势感知

造纸生产线的工控网络需要外接大量的传感器,其具有工控系统和传感网络的双重属性,对其安全态势必须考虑工控系统的时间窗属性和传感器的网络属性,提出基于时间窗切分和深度神经网络的造纸生产线工控网络安全态势感知方法。首先,采集造纸生产线工控网络系统的安全态势数据,并结合时间窗切分方法与主成分分析法,对采集的数据展开数据处理与分析;其次,采用深度神经网络中的卷积神经网络为决策工具,通过前向传播与反向传播识别造纸生产线工控网络攻击;最后,根据识别结果构建网络安全态势感知模型,对造纸生产线工控网络安全态势展开感知,完成造纸生产线工控网络安全态势感知。实验结果表明:所提方法在造纸行业工控网络中具有较高的网络安全态势感知能力和感知准确性,适用于感知造纸生产线工控网络安全态势。

基于注意力机制和卷积神经网络的网络安全感知预测

为了提高网络安全防御效果,注意力机制和卷积神经网络成为研究的热点,但传统方案可能带来模型过拟合、计算和内存开销较大且缺乏空间上下文关系建模的问题。针对上述问题,研究基于注意力机制和卷积神经网络的网络安全感知预测方法,通过加深网络结构、添加dropout层、数据归一化、数据融合四个步骤的改进,最终得到改进挤压与激励网络方案。实验结果表明,该方案收敛速度较快,在65轮迭代后收敛,最终准确率收敛于97.3%。在融合五条数据的情况下,准确率达到最高为97.5%,说明研究建立的网络安全感知预测模型具有较高的准确率以及强大的泛化能力。

基于残差卷积神经网络的网络安全态势感知方法

由于影响网络安全态势的因素具有多元化的特征,网络安全态势的观察值与预测值也是不断变化的。这种波动导致传统的神经网络在对其进行感知时,对应的收敛误差难以控制。提出基于残差卷积神经网络的网络安全态势感知方法研究。分别从网络自身和攻击状态两个角度,对网络安全态势影响因素进行量化分析;再利用卷积核的权重系数对输入神经网络的整体状态参数进行加权平均,提取各网络安全态势影响因素状态。引入残差损失参数对残差卷积神经网络的池化结果进行约束,输出最终的网络安全态势值。在测试结果中:收敛误差值面对不同类型的网络流量和攻击手段表现出了较高的稳定性,且始终处于较低水平,收敛误差最大值仅为0.0345。

基于WOA-BP神经网络的采空区地表沉降安全预测模型

为了提高采空区地表沉降安全预测的准确性,本研究选择了上覆岩层弹性模量、泊松比、粘聚力、内摩擦角、开采深度、采高、矿体倾角和采场尺寸共8项影响采空区沉降的关键指标。通过鲸鱼算法(WOA)优化BP神经网络,构建了WOA-BP神经网络采空区地表沉降安全预测模型,并对采空区地表沉降趋势进行了初步预测与分析。模型解算结果表明,WOA-BP神经网络安全预测模型的均方误差为0.0074988,平均绝对误差为0.079362,而传统BP神经网络的均方误差为0.31964,平均绝对误差为0.56416。因此,相比传统BP神经网络安全预测模型,WOA-BP神经网络安全预测模型的预测精度显著提高,误差更小,从而增强了对采空区沉降安全性的预测能力。

基于改进小波神经网络的大数据网络安全态势预测

为提升网络安全态势预测的精度,提出使用动量因子(Momentum Factor,MF)改进小波神经网络(Wavelet Neural Network,WNN),形成MF-WNN的网络安全态势要素提取模型,通过MF对WNN的权值进行精度优化。实验结果表明,与其他3种常用的预测模型相比,基于改进WNN的预测模型具有较高的精确度。

多船会遇场景下基于循环神经网络的船舶航速预测

为进一步提高复杂环境下的船舶航速预测精度,提出一种在多船会遇场景下基于循环神经网络(recurrent neural network,RNN)的船舶航速预测模型。从船舶自动识别系统(automatic identification system,AIS)数据中提取构成多船会遇场景的船舶航行动态信息(时间、航速等),采用插值法进行等时间间隔化处理,并构建基于RNN的船舶航速预测模型。采用长江口外水域的AIS数据,分别在不同会遇场景下进行实例验证。实验结果表明:在案例1和案例2场景下,RNN模型预测结果的平均绝对误差、均方误差、均方根误差、平均绝对百分比误差均比长短期记忆神经网络模型和支持向量机模型的小,说明RNN模型的预测精度比其他两种模型的高。

基于卷积神经网络的新型电力系统频率特性预测方法

为了解决利用传统频率分析方法分析新能源高占比电网频率时存在计算量大、建模困难、计算速度与计算精度矛盾突出等问题,提出一种基于卷积神经网络(CNN)的新型电力系统频率特性预测方法.首先,利用一维CNN对新能源高占比电力系统在功率扰动下的主要频率指标进行预测,包括初始频率变化率、频率极值以及频率稳态值;并通过设置合理的输入特征以及对神经网络各参数的优化调整,提高了预测精度.在此基础上,进一步考虑扰动位置以及扰动类型的影响,利用数据降维的方法建立包含扰动信息的电力系统特征数据集,借鉴三原色通道原理构建输入特征,并利用扩展的二维CNN预测频率安全指标提高CNN在高占比新能源电网频率分析中的适应性.最后,在改进的BPA 10机39节点模型中进行算例验证,并与循环神经网络预测结果进行对比,结果表明所提方法具有较高的准确度和适应性.

前馈神经网络在预测连续泄漏系数中的应用

受泄漏孔几何参数、液位、液体物理特性及流动状态等因素影响,储罐连续泄漏系数难以直接采用流体力学建模求解。通过常压立式储罐连续泄漏试验获取数据样本,利用前馈神经网络(Feedforward Neural Network, FNN)算法构建连续泄漏系数(Cs)与输入变量间的非线性关系,建立基于前馈神经网络算法的Cs预测模型。模型性能评估结果表明,模型的平均绝对误差(EMA)、解释方差分(SEV)及决定系数(R2)分别为0.015 4、0.949 2及0.948 2,表明模型预测性能良好。与相应连续泄漏试验值比较,预测Cs的总平均绝对偏差范围为5.28%~7.34%,质量流率平均偏差为4.60%~6.51%,连续泄漏量的平均偏差为0.84%~2.03%,模型预测结果优于采用泄漏经验常数的计算结果,证明该模型可有效预测连续泄漏期间Cs值及变化趋势。

基于卷积神经网络多源融合的网络安全态势感知模型

为了准确获取整个网络的安全态势,设计了一种包含流量探测、属性提炼、决策引擎、多源融合和态势评估五大核心环节的网络安全态势感知模型。流量探测指,以网络流量探测器和入侵检测探测器为工具对流量进行监测,分别抓取流量基础特征和恶意活动特征;属性提炼指,以准确地提炼核心属性为目的,重点关注能够刻画恶意活动特征的报警信息、报警类别和连接属性;决策引擎指,以属性提炼生成的各探测器的核心属性数据为输入,以卷积神经网络为引擎识别各种攻击;多源融合指,采用指数加权的D-S融合方法有效地融合各决策引擎的输出结果,提升攻击识别率;态势评估指,借助权系数理论有效地量化威胁等级,利用层次化分析方法准确地获取整个网络的安全态势。实验结果表明,不同探测器探测到的数据对各类攻击识别的差异较大,多源融合算法可将攻击识别的准确率提升到92.76%,在准确率指标上优于多数研究成果,准确率的提升有助于层次化网络分析方法更加准确地计算整个网络的安全态势。

基于ESN神经网络的光通信网络安全态势辨识研究

光通信网络在传输信息时,很容易被非法攻击,发生信息窃取、篡改和删除等泄露行为。针对上述问题,为保证光通信网络安全,提出一种基于ESN神经网络的光通信网络安全态势辨识方法。该方法采用NetFlow技术设计采集器,采集NetFlow流量数据,并实施离散化处理。将NetFlow流量数据转换为流量灰度图像,并借助灰度共生矩阵提取图像特征,包括像素灰度分布的均匀程度、图像包含的信息量、图像的视觉清晰度、灰度共生矩阵元素排列的相似程度、图像局部灰度均匀性,作为NetFlow流量数据的特征。以5项特征为输入,利用ESN神经网络构建辨识模型,得出光通信网络安全态势类型。结果表明:与基于卷积神经网络的识别方法、基于贝叶斯的识别方法以及基于随机配置网络的识别方法相比,所研究方法应用下的杰卡德系数更高,说明该方法辨识准确性更高。

基于深度神经网络的机房信息安全态势感知研究

提出了一种新的基于深度神经网络的机房信息安全态势感知方法。首先对基于深度神经网络的机房信息安全态势感知进行设计,包括数据的采集以及预处理,利用采集到的数据搭建信息安全态势感知架构,最后构建机房信息安全态势感知模型。实验结果表明,机房信息安全态势感知获得了较高的准确性,该方法可以在信息安全态势感知领域得到进一步应用。

神经网络视域下互联网安全态势预测方法分析

传统层次化网络安全态势评估模型在应用时,主要利用入侵检测系统和警报系统发挥态势评估作用,对警告要素关联性缺乏关注。文章以神经网络为基础背景探讨互联网安全态势预测,意在完善层次化态势评估模型,融入模糊层,为提升网络安全态势评估质量提供保障。通过实践分析可知,模糊层构建后,能够通过警报匹配模式衡量警报成功率数值指标,并且进一步对警报威胁性、警报成功率、警报周期3项指标进行明确,确认其对网络安全态势影响程度。最后,在不同模型结构层级上计算出综合警报态势值,达到优化错报漏报问题、提升评估结果准确度的目标。

基于RBF神经网络的电力网络安全态势预测研究

针对现有网络安全态势预测信息来源单一、缺乏实时性的问题,文章提出一种基于径向基函数(Radial Basis Function,RBF)神经网络的电力网络安全态势预测模型。该模型使用滑动窗口方法构造安全态势值数据集,并采用训练样本集训练径向基神经网络,从而生成预测模型。实验结果表明,该方法能较准确地预测网络安全态势,并且在预测精度上优于反向传播(Back Propagation,BP)算法和支持向量机(Support Vector Machines,SVM)算法,具有更好的预测效果。