网络安全态势预测技术研究综述

网络安全态势的感知、评估和预测已成为信息安全领域的重点研究方向。网络安全态势预测技术根据攻击事件的种类、频率等及关联融合后的态势值,利用过去时间的攻击事件信息及态势值对未来发展趋势进行预测,能够为网络管理人员提供必要的数据及信息。梳理常用的网络安全态势预测技术,分为不确定推理理论、机器学习方法、神经网络方法三大类;对每种网络安全态势预测技术进行分析对比,总结其优缺点;整理归纳在传统预测技术上的改进与优化,并讨论目前存在的问题及其未来的发展方向。

机器学习支持下的网络安全态势感知分析

随着信息科技的飞速进步,网络环境日益复杂,网络攻击已成为影响网络安全最大隐患。网络安全态势感知技术是解决这一问题的重要手段,对网络安全态势感知系统的深入研究有助于增强网络的监控和紧急反应能力。本文对现有的网络安全态势感知模型及其相关指标进行了详细的探讨,并运用双向长期短记忆网络(Long Short-Term Memory,LSTM)网络安全预测模型,通过贝叶斯优化技术来设定模型的超参数,进一步提升了网络安全态势预测模型的准确性和效率。

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。

依赖单形向量机的启发式网络安全态势预测

以支持向量机(SVM)为基础提出一种网络安全态势预测方法.SVM可以借助于已有的网络安全态势值对未来安全进行预测,并引入了遗传算法对SVM进行参数优化,进而提升其预测效率.仿真结果表明,此模型在预测网络安全态势变化趋势方面有着很好的前景,能够显著提升预测精度,相较于传统预测技术优势显著,更契合当前的互联网环境.

网络安全态势预测及其在智能防护中的应用

针对智能安全防护系统这一特殊应用,提出了一种以灰色GM(1,1)为原型,以Markov链为误差校正的新型网络安全态势预测算法。首先,对网络安全态势进行量化建模,通过GM(1,1)预测模型拟合网络安全态势预测曲线,然后通过真实值曲线与预测曲线之间对比建立Markov偏移概率矩阵,得到平均偏移百分比,从而对原预测值进行误差校正。实验证明:该方法预测结果与真实值较为接近,能较好地体现态势值的趋势性和波动性,且计算量小,适合智能防护中的应用。

基于PSO_SVR的网络安全态势预测方法

针对网络安全态势感知中的态势预测问题,提出一种基于PSO_SVR的网络安全态势预测方法。该方法将支持向量回归机(SVR)嵌入到粒子群优化算法(PSO)的适应度计算过程中,利用PSO算法的全局搜索能力来优化选取SVR的参数,在一定程度上提升了SVR的学习能力和泛化能力。仿真实验表明,通过与已有的其他预测方法作对比,该方法具有更好的预测效果。

基于云群的高维差分进化算法及其在网络安全态势预测上的应用

提出了一种基于云群的高维差分进化算法(CPDE),并将其应用在网络安全态势预测领域。该算法所提出的云群和分布链概念增加了种群的多样性。算法中的入侵算子将获胜个体的分布植入给其他个体,使得在进化的过程中,个体的形态呈现多样性。协作算子在个体之间引入了合作机制并执行差分操作。局部搜索算子增加了算法的搜索精度。实验结果显示CPDE是一个有效的高维进化算法,它在优化网络安全态势预测模型中具有一定的优势。

一种基于GSA-SVM网络安全态势预测模型

针对支持向量机的参数选择问题,结合引力搜索算法(GSA)需要设置的参数少以及全局优化能力强的特点,提出了一种GSA优化SVM参数的网络安全态势预测模型(GSA-SVM)。首先把SVM的参数视作在空间中的物体,并将SVM在该参数下预测产生的预测值和实际值之间的均方误差mse作为目标优化函数,然后GSA通过模拟万有引力规律影响下物体的运动规律不断变化参数,最终找到SVM最优参数。最后根据最优参数建立网络安全态势预测模型。在Matlab平台采用MIT Lincoln实验室提供的DARPA1999数据集进行仿真测试,仿真结果表明:相对于其它预测算法,GSA-SVM提高了网络安全态势预测的准确度,加快了网络安全态势预测的速度,为网络安全态势预测提供了一种新的解决途径。

基于改进广义回归神经网络的网络安全态势预测

针对网络安全态势精确预测,提出一种基于改进广义回归神经网络的预测方法,以改善网络安全态势预测精度。利用滑动时间窗口方法将各个离散时间监测点的网络安全态势值构造成部分线性相关的多元回归数据序列,以其做为样本集输入到改进广义回归神经网络加以训练,进而得到网络安全态势预测模型。在改进广义回归神经网络训练过程中,利用粒子群算法动态地搜索广义回归神经网络最优训练参数,从而克服了广义回归神经网络训练参数选择困难的缺陷。实验结果表明:与传统方法相比基于改进广义回归神经网络的网络安全态势预测方法拥有更好的性能。

CMA-ES算法优化网络安全态势预测模型

针对网络安全态势预测问题,提出了一种预测方法。该方法采用协方差矩阵自适应进化策略(CMA-ES)算法来优化径向基神经网络(RBF)预测模型中的参数,使得RBF预测模型具备更好的泛化能力,可以快速的找出复杂时间序列中的规律。仿真实验结果表明,采用CMA-ES优化的RBF预测模型能够准确预测出一段时间内的网络安全态势值,预测精度高于传统预测手段。

基于在线学习RBFNN的网络安全态势预测技术研究

随着网络攻击事件愈演愈烈,现有的网络防御技术已经不能满足当今形势下大规模网络安全的需求,网络安全态势预测作为一项新的网络安全主动防御技术应运而生。当前,将人工神经网络并行化处理非线性数据的能力用于网络安全态势预测已成为主流。在使用人工神经网络建模并进行网络安全态势预测时,多数采用的是离线学习算法,需要提前设计好网络结构及参数。但是,如果输入样本维数发生变化,必须重新设计模型结构和训练网络参数,否则,会造成预测结果误差过大,达不到预期效果。这无疑增加了操作复杂度,浪费大量的时间,不符合网络安全态势预测实时性的特点。针对以上问题,文章结合在线学习RBFNN自适应动态调整网络结构的特点,提出分组优化法训练网络参数,建立基于在线学习RBFNN的网络安全态势预测模型,并对网络安全态势进行预测。

基于IHS_RELM的网络安全态势预测方法

针对网络安全态势感知中的态势预测问题,提出一种基于IHS_RELM的网络安全态势预测方法。对和声搜索算法的原理进行了研究,在此基础上提出一种改进的和声搜索算法。将正则极速学习机(RELM)嵌入到改进的和声搜索算法(IHS)的目标函数计算过程中,利用IHS算法的全局搜索能力来优化选取RELM的输入权值和隐含层阈值,在一定程度上提升了RLLM的学习能力和泛化能力。仿真实验表明,与已有的其他预测方法相比,该方法具有更好的预测效果。

基于IHS_LSSVR的网络安全态势预测方法

针对网络安全态势感知中的态势预测问题,提出一种基于IHS_LSSVR的网络安全态势预测方法。对和声搜索算法(HS)的原理进行了研究,在该基础上提出一种改进的和声搜索算法(IHS)。将最小二乘支持向量回归机(L-SSVR)嵌入到改进的和声搜索算法(IHS)的目标函数计算过程中,利用IHS算法的全局搜索能力来优化选取LSSV-R的参数,在一定程度上提升了LSSVR的学习能力和泛化能力。仿真实验表明,通过与已有的其他预测方法作对比,该方法具有更好的预测效果。

基于灰色理论的网络安全态势预测方法

为了有效地预测网络安全态势,在态势因子和灰色理论的基础上,提出了将灰色GM(1,1)和GM(1,N)模型相结合来预测网络安全态势的方法。首先筛选态势因子,再利用模型GM(1,1)对态势因子的变化进行预测,得到N个态势因子变化函数,最后利用这些函数和模型GM(1,N)对网络安全态势进行预测。将灰色GM(1,1)模型、神经网络模型和本文方法对网络安全态势进行预测,实验结果表明,本方法能够更准确地预测网络安全态势。

大规模网络安全态势分析与预测系统YHSAS

YHSAS系统面向国家骨干网络安全以及大型网络运营商、大型企事业单位等大规模网络环境,对能够引起网络态势发生变化的安全要素进行获取、理解、显示以及预测未来的发展趋势。文章对YHSAS系统的系统架构以及其中的关键技术,包括分布异构网络安全数据集成技术、面向重大网络安全事件发现的关联分析技术、基于数据流和多维分析的网络安全数据实时分析技术、网络安全态势预测技术等。性能测试显示,YHSAS系统在态势分析和预测方面均具有较高的实时性和精度,满足了大规模网络安全态势分析与预测的需求。

基于RBF神经网络的网络安全态势预测方法

基于径向基函数(radial basis function,RBF)神经网络,给出一种网络安全态势预测方法。依据网络安全态势值之间的非线性映射关系进行态势预测。采用布谷鸟搜索算法对RBF神经网络的结构参数进行优化,并在其间引入模拟退火算法思想和动态发现概率机制,以提升预测精度。仿真实验显示,所给预测方法有效,改进后的布谷鸟搜索算法搜索效率更高,寻优结果更精确。

基于安全威胁预测的5G网络切片功能迁移策略

随着移动互联网经济的进一步发展,用户的数据保护却成了一个老大难的问题,窃取收集用户私人数据成了当下黑客最赚钱的项目。黑客最擅长的窃取手段是:同驻攻击。目前的虚拟机动态迁移技术还是不能有效防范黑客的网络攻击,黑客的网络攻击具有更高效的时间性。在即将到来的5G时代,需要预先提出针对黑客攻击的威胁虚拟网络迁移的策略。为了达到5G时代安全程度高和经济成本低的网络切片功能迁移策略,我们需要采取隐马尔科夫模型建模,然后针对此模型进行网络安全攻击,然后来分析安全威胁程度,在此基础上采取网络切片功能迁移成本最低,安全性最高的方案。有效的改进迁移策略的成本与效率。本文将对5G网络切片功能迁移策略安全进行分析。

基于NAWL-ILSTM的网络安全态势预测方法

安全态势是网络安全预警的前提。各种复杂网络环境中的网络攻击行为给网络带来了意想不到的挑战,导致网络负载增加和网络故障等突发网络安全事件随时都会发生。因此,针对网络安全态势时间序列的不确定性、非线性等特点,为了提高网络安全态势预测的精度,提出了基于改进Nadam和改进长短期记忆网络(NAWL-ILSTM)的网络安全态势预测方法。首先,利用一种在线更新机制改进长短期记忆网络(LSTM)以建立态势时间序列预测模型,它可以实时地对接收到的在线观测数据进行参数更新,使代价函数最小化,从而解决了传统LSTM网络模型不能合理地利用网络系统在线传送数据的问题,在优化参数更新的同时也大大提高了LSTM模型的预测精度;然后,针对神经网络训练过程中收敛速度较慢和训练成本较高的问题,采用Look-ahead方法对Nesterov加速梯度的自适应估计动量算法(Nadam)的更新公式进行改进,以加快模型的收敛速度,从而加快了ILSTM预测模型的训练速度,减少了训练的时间和成本。基于Python在tensorflow环境下进行仿真实验,结果验证了所提的基于在线更新机制的LSTM预测模型的合理性,通过收敛性分析和算法对比得出了NAWL算法具有更快的收敛速度的结论。最后,与其他预测模型的对比结果表明了NAWL-ILSTM预测模型在态势时间序列分析中具有更强的适用性和更高的准确性。

基于灰色理论和BP神经的网络安全态势预测

针对现有的网络安全态势预测方法没有从影响网络安全态势的安全因子入手,不能准确地预测未来网络安全态势,提出了一种基于灰色理论和BP神经网络的预测方法。首先依据灰色模型系数的取值大小选择最合适的背景值,并构造了一种新的模型背景值函数。其次,结合GM(1,1)、GM(1,N)模型预测网络安全态势,并用BP神经网络对态势预测值进行修正。最后,通过真实的网络环境验证了所提出的方法在网络安全态势预测中的有效性。

基于GEP的网络安全态势预测方法研究

网络安全态势预测是目前一个热门研究项目。本文利用基因表达式编程算法的时间序列预测功能,设计了一个网络安全态势预测模型(GEP-NSSP)。仿真实验结果表明了本方法的可行性。