蔡均平,屈 雷

（1.國(guó)防信息學(xué)院一系湖北武漢,430010;2.國(guó)防信息學(xué)院八系湖北武漢,430010）

基于改進(jìn)的遞歸神經(jīng)網(wǎng)絡(luò)的網(wǎng)絡(luò)安全態(tài)勢(shì)預(yù)測(cè)

蔡均平1,屈 雷2

（1.國(guó)防信息學(xué)院一系湖北武漢,430010;2.國(guó)防信息學(xué)院八系湖北武漢,430010）

本文利用神經(jīng)網(wǎng)絡(luò)處理非線性、復(fù)雜性等優(yōu)勢(shì)，基于改進(jìn)的遞歸神經(jīng)網(wǎng)絡(luò)預(yù)測(cè)網(wǎng)絡(luò)安全態(tài)勢(shì)，實(shí)驗(yàn)結(jié)果證明該方法運(yùn)行效率較高，運(yùn)行結(jié)果與實(shí)際值相比，誤差較低，精確性較高。

網(wǎng)絡(luò)安全態(tài)勢(shì);遞歸神經(jīng)網(wǎng)絡(luò);預(yù)測(cè)

0 引言

目前，網(wǎng)絡(luò)安全態(tài)勢(shì)已經(jīng)誕生了許多優(yōu)秀的算法和模型，傳統(tǒng)的網(wǎng)絡(luò)安全評(píng)估方法包括基于專家知識(shí)的方法、基于貝葉斯理論的方法、基于模糊邏輯的方法、基于人工神經(jīng)網(wǎng)絡(luò)的方法，同時(shí)在預(yù)測(cè)和評(píng)估方法中引入了粗集理論、D-S證據(jù)理論、聚類分析、關(guān)聯(lián)規(guī)則分析等，將其融合在各個(gè)大規(guī)模的復(fù)雜的網(wǎng)絡(luò)環(huán)境中，借助于經(jīng)驗(yàn)知識(shí)，構(gòu)建數(shù)學(xué)模型，經(jīng)過(guò)分析和推理，分析網(wǎng)絡(luò)各種軟硬件資源、網(wǎng)絡(luò)運(yùn)行狀態(tài)和網(wǎng)絡(luò)用戶的行為等特點(diǎn)，對(duì)網(wǎng)絡(luò)當(dāng)前的安全狀況作出合理的判定。

1 神經(jīng)網(wǎng)絡(luò)的基本理論

神經(jīng)網(wǎng)絡(luò)模擬生物進(jìn)化思維，具有獨(dú)特的結(jié)構(gòu)神經(jīng)元反饋機(jī)制，其具有分布式信息存儲(chǔ)、自適應(yīng)學(xué)習(xí)、并行計(jì)算和容錯(cuò)能力較強(qiáng)的特點(diǎn)，以其獨(dú)特的結(jié)構(gòu)和信息處理方法，在自動(dòng)化控制、組合優(yōu)化、信息處理、機(jī)器人、模式識(shí)別、圖像處理等機(jī)器學(xué)習(xí)領(lǐng)域得到了廣泛的應(yīng)用，隨著許多學(xué)者的研究，神經(jīng)網(wǎng)絡(luò)已經(jīng)誕生了許多新的模型，包括自適應(yīng)諧振理論(ART)、Kohonen網(wǎng)絡(luò)、反向傳播(BP)網(wǎng)絡(luò)和Hopfield網(wǎng)。尤其是大規(guī)模網(wǎng)絡(luò)數(shù)據(jù)分析和態(tài)勢(shì)預(yù)測(cè)中，神經(jīng)網(wǎng)絡(luò)能夠建立一個(gè)良好的分類學(xué)習(xí)模型，并且在學(xué)習(xí)過(guò)程中優(yōu)化每一層的神經(jīng)元和神經(jīng)元連接的每一個(gè)節(jié)點(diǎn)。最后，建立一個(gè)改進(jìn)的神經(jīng)網(wǎng)絡(luò)態(tài)勢(shì)預(yù)測(cè)要素，輸入一個(gè)網(wǎng)絡(luò)數(shù)據(jù)，輸出的網(wǎng)絡(luò)異常行為將作為網(wǎng)絡(luò)安全態(tài)勢(shì)的要素，能夠?yàn)榫W(wǎng)絡(luò)安全態(tài)勢(shì)預(yù)測(cè)提供經(jīng)驗(yàn)知識(shí)。

2 改進(jìn)的遞歸神經(jīng)網(wǎng)絡(luò)評(píng)估與預(yù)測(cè)模型構(gòu)建

網(wǎng)絡(luò)態(tài)勢(shì)預(yù)測(cè)過(guò)程中，影響網(wǎng)絡(luò)安全運(yùn)行的狀況非常多，主觀因素包括網(wǎng)絡(luò)攻擊者的能力和意圖，網(wǎng)絡(luò)管理者的防御意識(shí)和防御策略等；客觀原因包括網(wǎng)絡(luò)架構(gòu)、網(wǎng)絡(luò)的運(yùn)行環(huán)境、網(wǎng)絡(luò)中傳輸設(shè)備的性能等。目前，網(wǎng)絡(luò)技術(shù)逐漸進(jìn)步，星型、總線型網(wǎng)絡(luò)架構(gòu)已經(jīng)無(wú)法滿足人們的需求，但是許多融合的網(wǎng)絡(luò)架構(gòu)，使其更加復(fù)雜；網(wǎng)絡(luò)傳輸設(shè)備種類越來(lái)越多，光纖傳輸、數(shù)字傳輸?shù)热〈藗鹘y(tǒng)的低速率設(shè)備；使用網(wǎng)絡(luò)的用戶文化水平高低不一，網(wǎng)絡(luò)運(yùn)行環(huán)境也更加復(fù)雜，這些都增加了網(wǎng)絡(luò)安全受到的潛在的威脅，因此，要想全面的、客觀的、準(zhǔn)確的判斷一個(gè)網(wǎng)絡(luò)的整體安全現(xiàn)狀，必須依據(jù)現(xiàn)有的歷史數(shù)據(jù)，建立一個(gè)精確的網(wǎng)絡(luò)安全態(tài)勢(shì)預(yù)測(cè)和評(píng)估模型，以便預(yù)測(cè)其發(fā)展趨勢(shì)。

圖1 基于改進(jìn)的遞歸神經(jīng)網(wǎng)絡(luò)的網(wǎng)絡(luò)安全預(yù)測(cè)與態(tài)勢(shì)評(píng)估模型

本文充分考慮網(wǎng)絡(luò)的復(fù)雜性、未來(lái)趨勢(shì)的不確定性和隨機(jī)性，利用改進(jìn)的遞歸神經(jīng)網(wǎng)絡(luò)在預(yù)測(cè)網(wǎng)絡(luò)復(fù)雜性的優(yōu)勢(shì)特點(diǎn)，提出了一種基于改進(jìn)的遞歸神經(jīng)網(wǎng)絡(luò)的網(wǎng)絡(luò)安全預(yù)測(cè)與態(tài)勢(shì)評(píng)估模型如圖1所示。

（1）收集網(wǎng)絡(luò)數(shù)據(jù)

目前，收集的網(wǎng)絡(luò)數(shù)據(jù)是預(yù)測(cè)和評(píng)估網(wǎng)絡(luò)態(tài)勢(shì)的基礎(chǔ)工作，網(wǎng)絡(luò)數(shù)據(jù)可以分為兩類，分別是系統(tǒng)運(yùn)行信息和系統(tǒng)配置信息。系統(tǒng)運(yùn)行信息是通過(guò)分析網(wǎng)絡(luò)數(shù)據(jù)流、網(wǎng)絡(luò)設(shè)備性能數(shù)據(jù)和IDS日志，了解網(wǎng)絡(luò)系統(tǒng)受到攻擊的頻次等情況；系統(tǒng)配置信息通過(guò)漏洞掃描等技術(shù)措施分析網(wǎng)絡(luò)的服務(wù)規(guī)則、主機(jī)配置和網(wǎng)絡(luò)架構(gòu)配置等存在的漏洞信息。

（2）提取網(wǎng)絡(luò)態(tài)勢(shì)影響因素

根據(jù)采集的海量網(wǎng)絡(luò)信息數(shù)據(jù)，實(shí)施預(yù)處理，進(jìn)行關(guān)聯(lián)分析，將影響網(wǎng)絡(luò)正常運(yùn)行的數(shù)據(jù)實(shí)施分類處理，形成統(tǒng)一的數(shù)據(jù)格式，將其存到數(shù)據(jù)庫(kù)中，便于下一步實(shí)施處理。

（3）計(jì)算網(wǎng)絡(luò)態(tài)勢(shì)值

網(wǎng)絡(luò)安全態(tài)勢(shì)預(yù)測(cè)及評(píng)估的重要步驟是計(jì)算網(wǎng)絡(luò)態(tài)勢(shì)值。針對(duì)提取到影響網(wǎng)絡(luò)態(tài)勢(shì)的相關(guān)因素，根據(jù)其影響程度加權(quán)分析，可以定量分析網(wǎng)絡(luò)上某個(gè)時(shí)間段的安全狀態(tài)，本文從系統(tǒng)層、主機(jī)層和服務(wù)層計(jì)算網(wǎng)絡(luò)態(tài)勢(shì)值。

（4）網(wǎng)絡(luò)態(tài)勢(shì)預(yù)測(cè)

網(wǎng)絡(luò)態(tài)勢(shì)預(yù)測(cè)是實(shí)施網(wǎng)絡(luò)態(tài)勢(shì)評(píng)估的最后一步，是實(shí)現(xiàn)網(wǎng)絡(luò)安全的預(yù)警的前提，態(tài)勢(shì)預(yù)測(cè)可以基于歷史網(wǎng)絡(luò)信息和現(xiàn)在的網(wǎng)絡(luò)信息預(yù)測(cè)將來(lái)網(wǎng)絡(luò)的發(fā)展走勢(shì)。采用改進(jìn)的遞歸神經(jīng)網(wǎng)絡(luò)算法可以處理復(fù)雜的網(wǎng)絡(luò)態(tài)勢(shì)情況。

3 改進(jìn)的遞歸神經(jīng)網(wǎng)絡(luò)預(yù)測(cè)模型的實(shí)現(xiàn)

在基于改進(jìn)的遞歸神經(jīng)網(wǎng)絡(luò)預(yù)測(cè)網(wǎng)絡(luò)態(tài)勢(shì)的模型包括輸入層、隱含層、承接層和輸出層，其實(shí)一個(gè)改進(jìn)的遞歸神經(jīng)網(wǎng)絡(luò)模型，在某個(gè)時(shí)間段內(nèi)，可以從態(tài)勢(shì)數(shù)據(jù)庫(kù)中取出一個(gè)態(tài)勢(shì)序列作為遞歸神經(jīng)網(wǎng)絡(luò)的輸入向量S(t)，隱含層輸出X(t)，承接層輸出為Xc(t)，Y(t)表示網(wǎng)絡(luò)的態(tài)勢(shì)輸出：

基于改進(jìn)的遞歸神經(jīng)網(wǎng)絡(luò)的算法學(xué)習(xí)過(guò)程如下：

（1）初始化算法的各個(gè)參數(shù)的取值：設(shè)置算法的最大迭代次數(shù)為K、反饋增益因子a、學(xué)習(xí)樣本P、教師樣本Y、目標(biāo)誤差、學(xué)習(xí)率，隨機(jī)生成并且初始化神經(jīng)網(wǎng)絡(luò)各層之間的連接權(quán)值向量W；

（2）使用Matlab自帶的newelm()函數(shù)構(gòu)建改建的神經(jīng)網(wǎng)路；

（3）對(duì)神經(jīng)網(wǎng)絡(luò)進(jìn)行迭代訓(xùn)練，迭代過(guò)程如下：

① 計(jì)算神經(jīng)網(wǎng)絡(luò)的輸出：提供當(dāng)前迭代的一個(gè)輸入向量，計(jì)算神經(jīng)網(wǎng)絡(luò)的輸出向量；

④ 調(diào)整學(xué)習(xí)率：在迭代過(guò)程中逐漸修改增大學(xué)習(xí)率的參數(shù)，設(shè)置一個(gè)閾值，如果學(xué)習(xí)率大于該閾值，采用下降梯度法；如果學(xué)習(xí)率小于該閾值，則使用牛頓法；

該算法與傳統(tǒng)的遞歸神經(jīng)網(wǎng)絡(luò)算法相比，其引入了自適應(yīng)的調(diào)整學(xué)習(xí)率的思想，從而能夠有效的改變傳統(tǒng)遞歸神經(jīng)網(wǎng)絡(luò)算法學(xué)習(xí)過(guò)程中，人們憑借經(jīng)驗(yàn)值判斷設(shè)置學(xué)習(xí)率，但是由于經(jīng)驗(yàn)值非常難獲取，尤其是在復(fù)雜的應(yīng)用環(huán)境中，每一個(gè)算法面臨的數(shù)據(jù)的大小、復(fù)雜程度都是不同的，導(dǎo)致學(xué)習(xí)率難以控制。改進(jìn)的遞歸神經(jīng)網(wǎng)絡(luò)以一定的增量，逐漸修改學(xué)習(xí)率，并且設(shè)置一個(gè)閾值，以便更好的控制學(xué)習(xí)率。

4 仿真實(shí)驗(yàn)與分析

4.1 實(shí)驗(yàn)數(shù)據(jù)

本文基于改進(jìn)的遞歸神經(jīng)網(wǎng)絡(luò)實(shí)現(xiàn)評(píng)估和預(yù)測(cè)網(wǎng)絡(luò)安全態(tài)勢(shì)，為了能夠驗(yàn)證該算法的合理性、有效性，本文采用Honeynet收集的黑客攻擊數(shù)據(jù)作為算法的測(cè)試的數(shù)據(jù)集，將數(shù)據(jù)進(jìn)行預(yù)處理之后，使用計(jì)算網(wǎng)絡(luò)安全態(tài)勢(shì)值的方法計(jì)算態(tài)勢(shì)值，然后進(jìn)行仿真實(shí)驗(yàn)。

4.2 數(shù)據(jù)環(huán)境

為了能夠更加有效的對(duì)數(shù)據(jù)進(jìn)行實(shí)驗(yàn)，本文使用Matlab環(huán)境實(shí)現(xiàn)一個(gè)有效的改進(jìn)遞歸神經(jīng)網(wǎng)絡(luò)算法，訓(xùn)練數(shù)據(jù)集。訓(xùn)練數(shù)據(jù)集的過(guò)程中，本文選取網(wǎng)絡(luò)運(yùn)行10周的數(shù)據(jù)，并且使用當(dāng)天的網(wǎng)絡(luò)黑客攻擊數(shù)據(jù)計(jì)算網(wǎng)絡(luò)當(dāng)天的態(tài)勢(shì)值，因此這10周共得到了70個(gè)網(wǎng)絡(luò)態(tài)勢(shì)值，由于不同的時(shí)間段內(nèi)，網(wǎng)絡(luò)的攻擊數(shù)據(jù)集非常大，為了避免訓(xùn)練數(shù)據(jù)集時(shí)算法產(chǎn)生較大的誤差，針對(duì)計(jì)算得到的網(wǎng)絡(luò)攻擊態(tài)勢(shì)值實(shí)施歸一化處理。

歸一化處理公式如（5）所示：

Improved network security situation prediction based on recursive neural networks

Cai Junping1,Qu Lei2
(1.Defense Information School of a department of Hubei,Wuhan,430010; 2.College of Wuhan Hubei eight Department of defense information,430010)

Neural network to deal with nonlinear,complexity advantage of this paper,network security situation prediction based on improved recursive neural networks,experimental results show that the high efficiency of the method,results are compared with the actual values,low error,high accuracy.

Network Security Situation;Recurrent Neural Network;Prediction