基于深度自编码网络的安全态势要素获取机制

针对大规模网络态势要素获取时间复杂度较高和攻击样本不平衡导致小类样本分类精度不高的问题,提出一种基于深度自编码网络的态势要素获取机制。在该机制下,利用优化后的深度自编码网络作为基分类器,识别数据类型。一方面,在自编码网络的逐层训练中,提出一种结合交叉熵(CE)函数和反向传播(BP)算法的训练规则,克服传统的方差代价函数更新权值过慢的缺陷;另一方面,在深度网络的微调和分类阶段,提出一种主动在线采样(AOS)算法应用于分类器中,通过在线选择用于更新网络权值的攻击样本,达到总样本的去冗余和平衡各类攻击样本数量的目的,从而提高小类攻击样本的分类精度。经对实例数据的仿真分析,该方案有较好的态势要素获取精度,并能有效减少数据传输时的通信开销。

改进的基于隐马尔可夫模型的态势评估方法

针对隐马尔可夫模型(HMM)参数难以配置的问题,提出一种改进的基于隐马尔可夫模型的态势评估方法,更加准确地反映网络的安全态势。所提方法以入侵检测系统的输出作为输入,根据Snort手册将报警事件分类,得到观测序列,建立HMM,将改进的模拟退火(SA)算法与Bauw_Welch(BW)算法相结合对HMM参数进行优化,使用量化分析的方法得到网络的安全态势值。实验结果表明,所提方法能较好地提升模型的精度与收敛速度。

宏-飞蜂窝双层网络中基于毫微微基站分组的资源分配

针对宏-飞蜂窝双层网络模型中宏小区(Macrocell)用户层和毫微微小区(Femtocell)用户层之间的跨层干扰和Femtocell之间的同层干扰,提出了一种基于毫微微基站分组的资源分配算法。该算法包括两个部分:一部分是宏基站先利用改进的差额法,设置虚拟的宏用户(MUE),将之变为平衡的指派问题再为宏小区用户分配信道,然后用注水算法分配功率,保证宏小区用户的正常传输。另一部分是在保证宏小区用户的服务质量基础上,采用一种增强型的蚁群优化(EACO)算法,设定信息素浓度范围后对毫微微小区进行分组,避免了原始的蚁群算法有可能陷入局部最优的现象;再利用一种启发式算法和分布式功率分配算法分别对毫微微用户(FUE)进行信道和功率分配,在满足毫微微小区用户的数据速率需求下,最大化频谱效率。仿真结果表明,EACO有效地抑制了跨层干扰和同层干扰,既能保证用户的数据速率需求,又能有效提升网络频谱效率。