论文部分内容阅读
随着互联网的广泛使用和各种应用的爆炸式增长,随之而来的网络安全风险也逐渐增大。现有安防技术只能在某一方面保障网络安全,相互之间缺乏协调机制,在这种形势下,网络安全态势感知作为一种主动防卫技术迅速成为当前的研究热点之一。态势感知是从大量的多源异构安全状态数据中提取态势要素,进而对网络安全状况进行评估和实时预测。本文利用自适应增强算法、改进粒子群算法和人工神经网络相结合对网络安全态势要素获取和态势预测进行研究,具体工作如下:第一,为了真实有效地提取网络安全态势要素信息,提出了一种基于增强型概率神经网络的层次化框架态势要素获取方法。在该层次化态势要素获取框架中,根据Agent节点功能的不同,划分为不同的层次。利用主成分分析(Principal Component Analysis,PCA)对训练样本属性进行约简并对特殊属性编码融合处理,按照处理结果改进概率神经网络(Probabilistic Neural Network,PNN)结构,以降低系统复杂度。然后以改进的PNN作为基分类器,结合自适应增强算法,通过基分类器反复迭代、样本权重更新,最后加权融合处理形成最终的强多分类器。实验结果表明,本文模型较文中其他几种方法具有较高的获取准确率和良好的泛化能力。第二,为了准确把握网络安全态势发展趋势,针对网络安全信息的动态性、非线性等特点,建立了一种基于IPSO-WNN的态势预测方法。首先选取非线性逼近能力、推广能力较强的小波神经网络(Wavelet Neural Network,WNN)建立预测模型,然后运用改进的粒子群优化算法(Improved Particle Swarm Optimization,IPSO)对模型参数进行优化。由于粒子群优化算法(Particle Swarm Optimization,PSO)存在容易早熟收敛、后期迭代效率不高等问题,因此本文优化方法在迭代过程中结合遗传算法中的变异因子、吸引力传播聚类(Affinity Propagation,AP)和高斯加权全局极值,从而提升了算法的全局寻优能力,改善模型性能。仿真分析表明,本文预测方法在提升算法收敛速度的同时也提高了态势预测精度。