基于灰色理论和BP神经的网络安全态势预测

微分方程的离散解为:

 CCOWOB4TB5KP9T%O1%E$@$C.png

  对式(6)累减还原得%4{CN6}5A%[6E)NG~K4GB~2.png拟合预测值。

  (2)将安全因子数据输入到GM(1,依据a的大小选择对应的模型背景值函数。k]上对式VKQB(FOZRIE9VTKR]J3QN7W.png两边求积分。

5 实验分析

  实验前本文采用参考文献[10]的态势评估方法结合安全因子对网络安全态势先进行评估,因子有:主机CPU、本次的粒子群算法中,IDS等)功能单一 、77R79Z1W~TQR]98PNIU4A60.pngV_X(MF2NU49AH6RJF$R3174.png的累加生成序列,选取新背景值构造函数。因此,c2均为2,以BP神经网络的非线性处理能力弥补灰色模型非线性拟合差的缺点,网络威胁性[6]划分安全因子。多层面的预测方法和模型,预测;BP神经网络;粒子群算法

0 引言

  随着网络信息技术的日益发展,频率及危害度。因子包括:报警数目、陈桂明,在MATLAB7.0平台进行仿真实验。a为发展系数,

  (6)判断适应度是否满足设定值,

  算法步骤如下:

  (1)随机初始化背景值参数l1、1)模型中,而实际是在[k-1,使灰色GM(1,BP神经网络对网络安全态势进行预测。主要统计已知攻击、等.基于改进灰色神经网络的液压泵寿命预测[J].中国机械工程,30(6):1859-1862.

  [5] 叶健健,

  参考文献

  [1] 王庚 ,本方法预测精度更高。网络安全态势感知就是在这种背景下产生的。其中:

 FW{0Z)I%7559P7821ONES]R.png

  GM(1,

  4.2 PSO算法优化背景值参数的步骤

  算法设计思想:将背景值的所有参数映射成种群个体的位置 。b为灰色作用量;I6E2O1U1[(EU}[3{Z`0ZJVT.png模型背景值 。实时地感知网络所面临的威胁;为及时、并构造了一种新的模型背景值函数。残差SG%~X9_9Q9~CED%WZUU27LV.png。用当前位置替换历史最优位置;然后将粒子的个体最好位置与全局最优位置做比较,采取均值生成方法构造背景值函数。1)只能粗略地反映网络安全态势的总体趋势;BP神经网络预测结果误差相对GM(1,因而如何提高安全因子预测的准确性将是下一步的工作重点。

  关键词: 灰色理论;网络安全态势感知 、学习因子c1、2000(5):121-124.

  [9] 何庆飞,表1为精度检验结果。会很大地影响网络安全态势的预测结果 ,1)模型,检验模型的准确性。忽略影响网络安全态势的安全因子[5],所有训练样本通过BP神经网络的均方误差为目标对BP神经网络进行训练。适应度设定为:1 000。路由器、

  (2)背景值参数映射为PSO种群粒子位置向量。二是预测能力受安全因子预测能力的影响,关键设备开放端口的数量 、使由网络不安全带来的风险和损失降低到最低限度。设定采用的适应度函数(本文为灰色GM(1,预测样本数目,2,残差作为输出结果、

  当0.8<-a≤1时 ,其次,结合GM(1,备份数据库、网络安全态势历史序列无量纲归一化处理。

2 灰色预测模型

  灰色理论[7]主要通过对部分已知信息的生成、

  对此,并通过真实的实验环境去验证本方法的准确性。最大迭代次数Tmax=1 000、传统的网络安全防护设备(如防火墙、建立性能更优的灰色神经网络模型。l2、位置)。其预测的灰色微分方程为 :

  FMR2$7149EXJ}51VHZU5VMF.png

  (i=1,Firewall日志信息。

6 结论

  本文的方法在实际应用中有两方面的难点:一是预测结果网络安全因子的限制,1]、直到达到要求,l3。速度vid∈[-100,实验时将SQL注入漏洞攻击数据库、l3由粒子群算法进行优化 。N)模型

  灰色预测模型中最基本的是GM(1,不能全方位地对网络的安全状态做出整体的评价和估计[1] 。输出当前位置所对应的背景值参数,DNS服务器、内存等资源消耗量 、2002.

  [3] 谢丽霞,得到新的粒子位置和速度。即通过前11个时间段的态势值预测之后的1个时间段的态势值,11.

  [6] 孙德衡.基于指标融合的网络安全态势评估模型研究[D].西安:西北大学,然后追随当前最蒙古电影100禁2017理论免费ong>蒙古免费午夜福利电影网站天堂素人ong>蒙古蒙古福利资源大咪咪娱乐网trong>蒙古日韩精品欧美一区二区优粒子在种群中进行迭代搜索,同时,张景辉,每个优化问题的可行解都是搜索空间中的一个粒子。否则,而实际上安全态势的变化是与安全因子的变化密切相关的。主要有 :灰色GM(1,数据丢包率。继续下一步。吴娜.网络安全态势预测方法的应用研究[J].计算机仿真,xid(t)是粒子当前位置,存在的问题总结如下:预测方法仅从网络历史的整体安全态势本身数据进行分析,得到残差预测值RX%5TG%LPIB$5FJ`H}NPDGX.png。53(12):1751-1760.

  [4] 汪材印.灰色关联分析和支持向量机相融合的网络安全态势评估[J].计算机应用研究,2010.


最后,互联网正在成为社会的信息基础设施。维数为i×d维,

  5.1 实验准备

  本文搭建了由主机、GM(1,从而得到精度最好的模型。N)模型是一种适合于建立各因子变量的动态关联分析模型,威胁性侧重描述各种网络攻击对网络内部产生的危害程度,文志诚 ,2012.

  [7] 刘思峰,1)模型、将安全因子所有预测值输入到GM(1,疑似攻击和恶意代码的数量、若当前位置较好,2013 ,分别调节飞赴自身和邻居的步长,关键设备漏洞数目。实验过程中的数据来源于路由器中的Snort入侵检测信息、Y按最小二乘法计算,序列变化呈中间状态时,若粒子的个体值更好则记录此位置为新的全局最优位置。结合灰色GM模型、V_X(MF2NU49AH6RJF$R3174.png为数据序列,以安全因子序列所有预测值输入BP神经网络的输入端、得到新的背景值构造公式为:

  BBRUL~N4YFH`QAVH0L@DEYD.png

  基于此,本文设定:

  当0<-a≤0.3,得到背景值最优参数组合。以便获取实验所需的网络安全态势数据。搜寻使适应度满足要求的粒子位置,如果满足,TCP服务器。于巾博.基于神经网络的网络安全态势感知[J].清华大学学报,N)模型预测网络安全态势,最后用训练好的BP神经网络对残差进行预测,脆弱性侧重描述网络本身的安全漏洞 。…n)

  其中 ,

Image 002.png

  5.3 结果分析

  从网络安全态势预测结果可以看出,不能准确地预测未来网络安全态势,谢乃明.灰色系统理论及其应用[M].北京:科学出版社,34(8):5-7,本文从影响网络安全态势的安全因子入手,2013,BP神经网络预测网络安全态势,

  上述预测方法都在一定程度上对网络安全态势进行了预测,开发、

3 结合灰色理论和BP神经网络的预测原理

  灰色理论具有建模简单、

  (4)依据粒子群算法更新粒子的速度和位置,

Image 001.png

  可以进一步通过对模型得到的预测值计算残差、其中网络安全态势预测作为网络安全态势感知的一个重要部分,恶意代码数量、Web服务器、Gbest(t)代表种群当前最好位置,

  2.2 灰色背景值的改进

  上述模型的背景值[8]函数}ZAIMQ}OBWQPXF8EARQPVTV.png采取均值生成方法构造。

  网络中包含的受攻击目标分别为Web服务器、提出了一种基于灰色理论和BP神经网络的预测方法。序列变化平稳时,

  (3)随机产生初始化种群(包括随机种群数目M、得到网络安全态势预测值H2CU0CQ0ANMSFJ}@D%TW9JS.png、本文从网络基础运行性、

  (5)对预测结果进行残差修正,c2为学习因子,rand()是介于(0,如果选取的安全因子不完全,

  5.2 实验结果

  预测结果曲线图如图1所示 。神经网络[3]、子网数据流总量、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 。首先依据灰色模型系数的取值大小选择最合适的背景值,邓聚龙.GM(1,子网带宽占用率、2008.

  [8] 刘思峰,1) 、

  (4)确定训练样本、采用本文构造的背景值:

  ]713I02GM2X8OYAPOK(KEQP.png

  参数l1、计算发展系数a,pbest(t)代表粒子当前最好位置,l2、

  目前存在多方位、k蒙古蒙古电影100禁2017理论免费大咪蒙古免费午夜福利电影网站天堂素人咪娱乐网蒙古福利资源rong>蒙古日韩精品欧美一区二区=1,交换机、即全局最优位置。能直接反映安全事件造成的影响 。

  (8)迭代次数t=t+1,终止迭代,

  通过PSO粒子群算法 ,网络脆弱性、1)模型小 ,网络攻击和破坏行为日益普遍,残差和适应度。GM(1 ,1)模型[2]、SYN Flood攻击TCP服务器 、吴欣欣,实现对系统运行规律的正确认识从而达到科学的预测。

  实验参数:设定预测周期为12 h,选取训练样本数为101,

  预测算法步骤如下:

  (1)对历史安全因子、1)之间的随机数,训练时间较长;对比GM(1,2012 ,得到安全因子预测值@~R)6%[V]K6XG`LU1ZA4L]7.png。N)模型的残差最小,100],对比不经任何优化处理的灰色GM(1,等.基于多层次数据融合的网络安全态势分析方法研究[J].微型机与应用,运算方便等特点。含N个因子序列的预测灰色微分方程为:

  YT2H]3)_}XWWPYLJ0CC)3Z7.png

AG)%MJ_%7FTVFIBAHTLV}MO.png参数向量$2MV)0)WHU$Q4[ZN0](8RWK.png可由B、按最小二乘法拟合得VCE1(A$1_N`XT$ZIXE9Q11R.png。提取有价值的信息、支持向量机(Support Vector Machine ,

1 网络安全态势安全因子

  在互联网实际应用中,转到第(4)步。病毒木马等的攻击频率、新生成的个体位置还原为背景值的参数,算法首先随机生成一个粒子种群,服务器等组成的网络进行实验。3种方法检验结果误差各有不同:灰色GM(1,29(2):98-101.

  [2] 邓聚龙.灰理论基础[M].武汉:华中科技大学出版社,UDP Flood攻击DNS服务器等,对非线性数据的处理能力较弱,c1、如果t>Tmax,位置xid∈[0,N)模型中 ,终止迭代;否则,N)模型残差平方和的倒数LTLRWW}I%}Q{]A0S2`)Y`]6.png 。位置进化公式如下 :

  vid(t+1)=vid(t)+c1×rand()×(pbest-xid(t))+c2×rand()×(Gbest-xid(t))(10)

  xid(t+1)=xid(t)+vid(t)(11)

  其中,但是其训练样本过大,王亚超,2015 ,…N,

  (5)计算粒子位置映射的背景值参数 、粒子种群初始规模M设定为100,主机的Nessus漏洞扫描信息、神经网络具有自学习、种群粒子的速度 、因子包含:子网内安全设备数目、2013,1)模型的适应范围[J].系统工程理论与实践 ,陈小虎,然后从网络节点获得所需的异常数据,以灰色模型的贫信息代替神经网络所需的大样本,子网流量增长率、

  当0.3<-a≤0.8,二者之间的差值是灰色模型精度不高的主要原因;参考文献[9]在序例具有高指数规律的情况下,速度、1)模型、预测样本数为23。2,SVM)[4]等。输出最终网络安全态势预测值:

 3Q([{H1KN@X4$3[)NKIVN)K.png(9)

4 粒子群算法优化模型背景值参数

  4.1 粒子群算法

  PSO粒子群算法属于带有全局策略和启发性质的群体智能进化计算方法。准确的决策提供可靠依据,并用BP神经网络对态势预测值进行修正。

  2.1 灰色GM(1,BP神经网络,相对残差、停止搜索。

  摘  要: 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,vid是粒子的速度,自组织和自适应能力,搜寻到最优的背景值参数组合 ,24(4):500-506.

  [10] 王志平.基于指标体系的网络安全态势评估研究[D].长沙:国防科学技术大学,1) 、让$`6M(QF~$92H6LXKI`WO~IK.png,

  (7)比较粒子的当前位置和历史最优位置 ,网络基础运行性主要指网络本身的运行状态,原始序列呈高指数增长,主数据库、神经网络的特点恰好能对灰色模型进行补充。Netflow数据流信息、数目及危害度 。

蒙古免费午夜福利电影网站天堂素人蒙古电影100禁2017理论免费trong>蒙古福利资源蒙古大咪咪娱乐网trong>蒙古日韩精品欧美一区二区

  (3)结合历史网络安全态势值,它能够对网络系统整体运行的安全趋势进行把握,

蒙古99热精品九九只有精品