專利名稱：網(wǎng)絡(luò)安全態(tài)勢(shì)預(yù)測(cè)的高斯過(guò)程回歸方法
技術(shù)領(lǐng)域：
本發(fā)明屬于網(wǎng)絡(luò)信息安全技術(shù)領(lǐng)域，尤其涉及網(wǎng)絡(luò)安全態(tài)勢(shì)預(yù)測(cè)的高斯過(guò)程回歸方法。
背景技術(shù)：
Internet的普及和技術(shù)革新深刻改變了人類的生活,也帶來(lái)了嚴(yán)重的網(wǎng)絡(luò)安全問(wèn)題。當(dāng)前各種網(wǎng)絡(luò)安全問(wèn)題層出不窮，各種網(wǎng)絡(luò)攻擊逐漸展示出分布化、規(guī)?；?、復(fù)雜化、間接化等發(fā)展趨勢(shì)發(fā)展，而當(dāng)前的網(wǎng)絡(luò)安全設(shè)備還沒(méi)有相對(duì)完善的安全告警機(jī)制，因而對(duì)于未來(lái)網(wǎng)絡(luò)安全走勢(shì)的精確告警有著十分重要的理論意義和現(xiàn)實(shí)意義。目前主流方式是通過(guò)對(duì)目標(biāo)網(wǎng)絡(luò)未來(lái)時(shí)間節(jié)點(diǎn)的網(wǎng)絡(luò)安全態(tài)勢(shì)值進(jìn)行預(yù)測(cè)，以實(shí)現(xiàn)網(wǎng)絡(luò)安全預(yù)警。網(wǎng)絡(luò)安全態(tài)勢(shì)值的預(yù)測(cè)手段主要是利用人工智能算法將目標(biāo)問(wèn)題抽象為回歸問(wèn)題，通過(guò)構(gòu)造回歸模型求解未來(lái)時(shí)間節(jié)點(diǎn)的網(wǎng)絡(luò)安全態(tài)勢(shì)值，該過(guò)程主要包括三個(gè)部分，分別是構(gòu)造網(wǎng)絡(luò)安全態(tài)勢(shì)評(píng)價(jià)指標(biāo)體系、計(jì)算網(wǎng)絡(luò)安全態(tài)勢(shì)值、建立網(wǎng)絡(luò)安全態(tài)勢(shì)預(yù)測(cè)模型。 構(gòu)造網(wǎng)絡(luò)安全態(tài)勢(shì)評(píng)價(jià)指標(biāo)體系需要計(jì)算各種網(wǎng)絡(luò)攻擊對(duì)于網(wǎng)絡(luò)安全態(tài)勢(shì)值的影響因子，即權(quán)重。評(píng)價(jià)指標(biāo)體系的構(gòu)造方法將直接決定網(wǎng)絡(luò)安全態(tài)勢(shì)值是否能準(zhǔn)確的反映當(dāng)前網(wǎng)絡(luò)的實(shí)際態(tài)勢(shì)。網(wǎng)絡(luò)安全態(tài)勢(shì)值的計(jì)算需要將某時(shí)間節(jié)點(diǎn)各種網(wǎng)絡(luò)攻擊發(fā)生的次數(shù)乘以各種網(wǎng)絡(luò)攻擊的權(quán)重，再求和，從而得到該時(shí)間節(jié)點(diǎn)的網(wǎng)絡(luò)安全態(tài)勢(shì)值。當(dāng)前網(wǎng)絡(luò)安全態(tài)勢(shì)值的預(yù)測(cè)方法主要基于人工神經(jīng)網(wǎng)絡(luò)、支持向量機(jī)、貝葉斯網(wǎng)絡(luò)等方法，但實(shí)際應(yīng)用發(fā)現(xiàn)這些普遍存在預(yù)測(cè)誤差大的問(wèn)題。

發(fā)明內(nèi)容
本發(fā)明針對(duì)上述缺陷公開(kāi)了網(wǎng)絡(luò)安全態(tài)勢(shì)預(yù)測(cè)的高斯過(guò)程回歸方法。本發(fā)明引入層次分析法(Analytic Hierarchy Process, ΑΗΡ),從而得到了能準(zhǔn)確反映當(dāng)前網(wǎng)絡(luò)安全狀況的評(píng)價(jià)指標(biāo)體系，本發(fā)明采用高斯過(guò)程回歸算法完成網(wǎng)絡(luò)安全態(tài)勢(shì)值的預(yù)測(cè)，有效改善了預(yù)測(cè)精度。網(wǎng)絡(luò)安全態(tài)勢(shì)預(yù)測(cè)的高斯過(guò)程回歸方包括以下步驟I)使用層次分析法構(gòu)造層次化的網(wǎng)絡(luò)安全態(tài)勢(shì)評(píng)價(jià)指標(biāo)體系Τ，計(jì)算得出網(wǎng)絡(luò)安全態(tài)勢(shì)評(píng)價(jià)指標(biāo)體系T的總排序權(quán)重矩陣ω ；2)將網(wǎng)絡(luò)安全設(shè)備的歷史入侵檢測(cè)結(jié)果按照時(shí)間先后順序，依次輸入到網(wǎng)絡(luò)安全態(tài)勢(shì)評(píng)價(jià)指標(biāo)體系T中，得到第I時(shí)刻的網(wǎng)絡(luò)安全態(tài)勢(shì)值V1至第m時(shí)刻的網(wǎng)絡(luò)安全態(tài)勢(shì)值Vm;3)使用滑動(dòng)窗ロ方法將V1'構(gòu)造成時(shí)間序列S，s = IV1…VJ ;然后將時(shí)間序列S按照固定比例隨機(jī)劃分，得出高斯過(guò)程回歸方法中可讀的訓(xùn)練樣本集Stain和測(cè)試樣本集Stest ;保證訓(xùn)練樣本集Strain和測(cè)試樣本集Stest滿足高斯過(guò)程回歸方法所要求的數(shù)據(jù)格式；
4)利用高斯過(guò)程回歸方法對(duì)訓(xùn)練樣本集Strain進(jìn)行迭代訓(xùn)練，得到臨時(shí)預(yù)測(cè)模型h，再利用粒子群算法對(duì)臨時(shí)預(yù)測(cè)模型h進(jìn)行誤差修正以得到滿足誤差期望的預(yù)測(cè)模型H ；5 )利用預(yù)測(cè)模型H完成未來(lái)時(shí)刻的網(wǎng)絡(luò)安全態(tài)勢(shì)值預(yù)測(cè)。所述網(wǎng)絡(luò)安全態(tài)勢(shì)評(píng)價(jià)指標(biāo)體系T的結(jié)構(gòu)如下網(wǎng)絡(luò)安全態(tài)勢(shì)評(píng)價(jià)指標(biāo)體系T分為三層，上層為目標(biāo)層，其內(nèi)容為網(wǎng)絡(luò)安全態(tài)勢(shì)值；中層為準(zhǔn)則層，其內(nèi)容為強(qiáng)危害程度、中危害程度和弱危害程度，強(qiáng)危害程度、中危害程度和弱危害程度是按照網(wǎng)絡(luò)安全威脅的危害程度劃分的；下層為指標(biāo)層，其內(nèi)容為第I種網(wǎng)絡(luò)安全威脅X1至第η種網(wǎng)絡(luò)安全威脅xn。所述總排序權(quán)重矩陣ω的計(jì)算過(guò)程如下首先，對(duì)第I種網(wǎng)絡(luò)安全威脅X1至第η種網(wǎng)絡(luò)安全威脅Xn的權(quán)重賦值，然后，根據(jù)層次分析法，分別推算第i中網(wǎng)絡(luò)安全威脅&對(duì)于強(qiáng)危害程度、中危害程度和弱危害程度的影響系數(shù)，i取I至η ;再分別計(jì)算強(qiáng)危害程度、中危害程度和弱危害程度對(duì)于網(wǎng)絡(luò)安全態(tài)勢(shì)值的最終影響系數(shù)，最后得出網(wǎng)絡(luò)安全態(tài)勢(shì)評(píng)價(jià)指標(biāo)體系T的總排序權(quán)重矩陣ω。所述步驟2)包括以下步驟21)統(tǒng)計(jì)第j時(shí)刻的網(wǎng)絡(luò)安全設(shè)備入侵檢測(cè)結(jié)果j取I至m ；rj為I Xn矩陣，
權(quán)利要求
1.網(wǎng)絡(luò)安全態(tài)勢(shì)預(yù)測(cè)的高斯過(guò)程回歸方法，其特征在于，包括以下步驟 .1)使用層次分析法構(gòu)造層次化的網(wǎng)絡(luò)安全態(tài)勢(shì)評(píng)價(jià)指標(biāo)體系T，計(jì)算得出網(wǎng)絡(luò)安全態(tài)勢(shì)評(píng)價(jià)指標(biāo)體系T的總排序權(quán)重矩陣ω ； .2)將網(wǎng)絡(luò)安全設(shè)備的歷史入侵檢測(cè)結(jié)果按照時(shí)間先后順序，依次輸入到網(wǎng)絡(luò)安全態(tài)勢(shì)評(píng)價(jià)指標(biāo)體系T中，得到第I時(shí)刻的網(wǎng)絡(luò)安全態(tài)勢(shì)值V1至第m時(shí)刻的網(wǎng)絡(luò)安全態(tài)勢(shì)值Vm ； .3)使用滑動(dòng)窗ロ方法將V廣Vm構(gòu)造成時(shí)間序列S，s= (V1-VJ ;然后將時(shí)間序列S按照固定比例隨機(jī)劃分，得出高斯過(guò)程回歸方法中可讀的訓(xùn)練樣本集Strain和測(cè)試樣本集Stest ；保證訓(xùn)練樣本集Strain和測(cè)試樣本集Stest滿足高斯過(guò)程回歸方法所要求的數(shù)據(jù)格式； .4)利用高斯過(guò)程回歸方法對(duì)訓(xùn)練樣本集Strain進(jìn)行迭代訓(xùn)練，得到臨時(shí)預(yù)測(cè)模型h，再利用粒子群算法對(duì)臨時(shí)預(yù)測(cè)模型h進(jìn)行誤差修正以得到滿足誤差期望的預(yù)測(cè)模型H ； .5)利用預(yù)測(cè)模型H完成未來(lái)時(shí)刻的網(wǎng)絡(luò)安全態(tài)勢(shì)值預(yù)測(cè)。
2.根據(jù)權(quán)利要求I所述的網(wǎng)絡(luò)安全態(tài)勢(shì)預(yù)測(cè)的高斯過(guò)程回歸方法，其特征在于，所述網(wǎng)絡(luò)安全態(tài)勢(shì)評(píng)價(jià)指標(biāo)體系T的結(jié)構(gòu)如下網(wǎng)絡(luò)安全態(tài)勢(shì)評(píng)價(jià)指標(biāo)體系T分為三層，上層為目標(biāo)層，其內(nèi)容為網(wǎng)絡(luò)安全態(tài)勢(shì)值；中層為準(zhǔn)則層，其內(nèi)容為強(qiáng)危害程度、中危害程度和弱危害程度，強(qiáng)危害程度、中危害程度和弱危害程度是按照網(wǎng)絡(luò)安全威脅的危害程度劃分的；下層為指標(biāo)層，其內(nèi)容為第I種網(wǎng)絡(luò)安全威脅X1至第η種網(wǎng)絡(luò)安全威脅χη。
3.根據(jù)權(quán)利要求I所述的網(wǎng)絡(luò)安全態(tài)勢(shì)預(yù)測(cè)的高斯過(guò)程回歸方法，其特征在于，所述總排序權(quán)重矩陣ω的計(jì)算過(guò)程如下首先，對(duì)第I種網(wǎng)絡(luò)安全威脅X1至第η種網(wǎng)絡(luò)安全威脅Xn的權(quán)重賦值，然后，根據(jù)層次分析法，分別推算第i中網(wǎng)絡(luò)安全威脅Xi對(duì)于強(qiáng)危害程度、中危害程度和弱危害程度的影響系數(shù)，i取I至η ;再分別計(jì)算強(qiáng)危害程度、中危害程度和弱危害程度對(duì)于網(wǎng)絡(luò)安全態(tài)勢(shì)值的最終影響系數(shù)，最后得出網(wǎng)絡(luò)安全態(tài)勢(shì)評(píng)價(jià)指標(biāo)體系T的總排序權(quán)重矩陣ω。
4.根據(jù)權(quán)利要求I所述的網(wǎng)絡(luò)安全態(tài)勢(shì)預(yù)測(cè)的高斯過(guò)程回歸方法，其特征在于，所述步驟2)包括以下步驟 .21)統(tǒng)計(jì)第j時(shí)刻的網(wǎng)絡(luò)安全設(shè)備入侵檢測(cè)結(jié)果j取I至mめ為IXn矩陣，
5.根據(jù)權(quán)利要求I所述的網(wǎng)絡(luò)安全態(tài)勢(shì)預(yù)測(cè)的高斯過(guò)程回歸方法，其特征在于，所述固定比例為3 2。
6.根據(jù)權(quán)利要求I所述的網(wǎng)絡(luò)安全態(tài)勢(shì)預(yù)測(cè)的高斯過(guò)程回歸方法，其特征在于，所述步驟4)具體包括以下步驟 .41)在粒子群算法中，設(shè)定以下參數(shù)最大迭代次數(shù)為100，種群規(guī)模為10、初始慣性權(quán)重ω 1=0. 8，終止慣性權(quán)重ω τ=0. 1，第I學(xué)習(xí)因子和第2學(xué)習(xí)因子均為2，粒子速度區(qū)間為
； .42)設(shè)定高斯過(guò)程回歸方法的核函數(shù)類型； .43)歸ー化訓(xùn)練樣本集Strain和測(cè)試樣本集Stest；44)粒子群算法將初始訓(xùn)練參數(shù)傳遞給高斯過(guò)程回歸方法，高斯過(guò)程回歸方法通過(guò)對(duì)訓(xùn)練樣本集Strain的訓(xùn)練得到臨時(shí)預(yù)測(cè)模型h ;初始訓(xùn)練參數(shù)是指粒子群算法初始生成的隨機(jī)訓(xùn)練參數(shù)； 45)通過(guò)測(cè)試樣本集Stest計(jì)算臨時(shí)預(yù)測(cè)模型h的訓(xùn)練誤差ε； 46)臨時(shí)預(yù)測(cè)模型h的訓(xùn)練誤差ε若滿足預(yù)先設(shè)定的期望值Θ，則為最終預(yù)測(cè)模型H，否則高斯過(guò)程回歸方法根據(jù)粒子群算法迭代生成的新訓(xùn)練參數(shù)，通過(guò)對(duì)訓(xùn)練樣本集Strain的訓(xùn)練，從而更新了臨時(shí)預(yù)測(cè)模型h ; 47)當(dāng)滿足下列兩個(gè)條件之ー時(shí)，則執(zhí)行步驟48)，否則，返回執(zhí)行步驟45);第ー個(gè)條件為高斯過(guò)程回歸方法的迭代次數(shù)達(dá)到最大迭代次數(shù)100 ;第二個(gè)條件為臨時(shí)預(yù)測(cè)模型h滿足預(yù)先設(shè)定的期望值； 48)輸出最終預(yù)測(cè)模型H。
7.根據(jù)權(quán)利要求6所述的網(wǎng)絡(luò)安全態(tài)勢(shì)預(yù)測(cè)的高斯過(guò)程回歸方法，其特征在于，所述預(yù)先設(shè)定的期望值Θ為85%。
8.根據(jù)權(quán)利要求6所述的網(wǎng)絡(luò)安全態(tài)勢(shì)預(yù)測(cè)的高斯過(guò)程回歸方法，其特征在于，所述高斯過(guò)程回歸方法根據(jù)粒子群算法迭代生成的新訓(xùn)練參數(shù)中，粒子群算法進(jìn)行迭代的過(guò)程如下 粒子群算法(PSO)首先進(jìn)行初始化，隨機(jī)構(gòu)造由10個(gè)粒子組成的初始種群，并給初始種群中第b個(gè)粒子賦以初始位置X!及初始速度F41，b取I至10 ;并計(jì)算初始種群中每個(gè)粒子的適應(yīng)度函數(shù)F (b)，若初始種群所有粒子的適應(yīng)度函數(shù)F (b)的最小值
全文摘要
本發(fā)明公開(kāi)了網(wǎng)絡(luò)信息安全技術(shù)領(lǐng)域的網(wǎng)絡(luò)安全態(tài)勢(shì)預(yù)測(cè)的高斯過(guò)程回歸方法。本發(fā)明使用層次分析法構(gòu)造出層次化網(wǎng)絡(luò)安全態(tài)勢(shì)評(píng)價(jià)指標(biāo)體系，以該體系分析各種網(wǎng)絡(luò)安全威脅對(duì)網(wǎng)絡(luò)安全態(tài)勢(shì)的危害程度，進(jìn)而計(jì)算出各個(gè)時(shí)間監(jiān)測(cè)點(diǎn)的網(wǎng)絡(luò)安全態(tài)勢(shì)值并構(gòu)造成時(shí)間序列，將其構(gòu)造成訓(xùn)練樣本集，利用高斯過(guò)程回歸對(duì)訓(xùn)練樣本集進(jìn)行迭代訓(xùn)練得到滿足誤差要求的預(yù)測(cè)模型，在訓(xùn)練過(guò)程中利用粒子群算法動(dòng)態(tài)搜索高斯過(guò)程回歸的最優(yōu)訓(xùn)練參數(shù)以降低預(yù)測(cè)誤差，最后利用預(yù)測(cè)模型完成未來(lái)時(shí)間監(jiān)測(cè)點(diǎn)的網(wǎng)絡(luò)安全態(tài)勢(shì)值預(yù)測(cè)。本發(fā)明的有益效果為在降低網(wǎng)絡(luò)安全態(tài)勢(shì)預(yù)測(cè)誤差方面，有較好的適應(yīng)性和較低的預(yù)測(cè)誤差。
文檔編號(hào)H04L29/06GK102694800SQ20121015744
公開(kāi)日2012年9月26日 申請(qǐng)日期2012年5月18日 優(yōu)先權(quán)日2012年5月18日
發(fā)明者李元誠(chéng), 王宇飛 申請(qǐng)人:華北電力大學(xué)