李紀真，孟相如，溫祥西，康巧燕

（1.空軍工程大學(xué)信息與導(dǎo)航學(xué)院，陜西西安710077；2.空軍工程大學(xué)空管領(lǐng)航學(xué)院，陜西西安710051）

螢火蟲群算法優(yōu)化高斯過程的網(wǎng)絡(luò)安全態(tài)勢預(yù)測

李紀真1，孟相如1，溫祥西2，康巧燕1

（1.空軍工程大學(xué)信息與導(dǎo)航學(xué)院，陜西西安710077；2.空軍工程大學(xué)空管領(lǐng)航學(xué)院，陜西西安710051）

針對共軛梯度法獲取高斯過程超參數(shù)存在迭代次數(shù)難以確定及預(yù)測不精準等問題，提出一種螢火蟲群算法優(yōu)化高斯過程的預(yù)測方法，并將其應(yīng)用于網(wǎng)絡(luò)安全態(tài)勢預(yù)測研究。采用螢火蟲群優(yōu)化算法對高斯過程超參數(shù)進行智能尋優(yōu)，建立基于高斯過程回歸的網(wǎng)絡(luò)安全態(tài)勢預(yù)測模型。實驗結(jié)果表明新方法的平均相對預(yù)測誤差較共軛梯度法、粒子群優(yōu)化算法和人工蜂群優(yōu)化算法分別降低了近29.46%、10.37%和4.22%，且新方法收斂較快。另外，分析對比了3種單一類型和2種復(fù)合類型的協(xié)方差函數(shù)對高斯過程預(yù)測的影響，實驗結(jié)果表明采用神經(jīng)網(wǎng)絡(luò)與有理二次的復(fù)合協(xié)方差函數(shù)（neural network and rational quadratic composite covariance function，NN-RQ）的平均相對預(yù)測誤差較其他4類協(xié)方差函數(shù)降低了1.65%～7.51%。

態(tài)勢預(yù)測；高斯過程；螢火蟲群；粒子群；人工蜂群

0 引 言

網(wǎng)絡(luò)安全態(tài)勢感知（network security situation aware-ness，NSSA）是第三代網(wǎng)絡(luò)安全技術(shù)代表之一，主要研究網(wǎng)絡(luò)安全態(tài)勢要素提取、態(tài)勢理解和態(tài)勢預(yù)測等3個方面的內(nèi)容，是實現(xiàn)網(wǎng)絡(luò)安全監(jiān)測和預(yù)警的新技術(shù)，對于提高網(wǎng)絡(luò)主動防御和應(yīng)急響應(yīng)能力具有重要作用［1－3］。態(tài)勢預(yù)測是NSSA的重要環(huán)節(jié)，能夠加強網(wǎng)絡(luò)管理者對網(wǎng)絡(luò)發(fā)展趨勢的認知與理解，進而為安全分析和網(wǎng)絡(luò)規(guī)劃提供決策支持［4］。

Tim Bass等國外學(xué)者首先開展了NSSA方面的相關(guān)研究，國內(nèi)相關(guān)機構(gòu)和學(xué)者也隨后進行了跟蹤研究。其中，文獻［3］提出了一種基于Markov博弈分析的網(wǎng)絡(luò)安全態(tài)勢感知方法，文獻［4］提出了基于集對分析的網(wǎng)絡(luò)安全態(tài)勢評估與預(yù)測方法，文獻［5］將支持向量機回歸預(yù)測方法應(yīng)用于故障檢測，文獻［6－7］將神經(jīng)網(wǎng)絡(luò)應(yīng)用到網(wǎng)絡(luò)安全態(tài)勢感知研究中。上述研究雖都取得了不錯的效果，但仍然存在問題，如Markov和集對分析方法的參數(shù)設(shè)置依賴于所處的網(wǎng)絡(luò)環(huán)境，網(wǎng)絡(luò)環(huán)境的不確定性使得參數(shù)難以確定，進而不能準確體現(xiàn)態(tài)勢感知結(jié)果；支持向量機和神經(jīng)網(wǎng)絡(luò)等方法參數(shù)設(shè)置更為復(fù)雜，且容易出現(xiàn)局部最優(yōu)問題，也限制了其在網(wǎng)絡(luò)安全態(tài)勢感知中的應(yīng)用。

高斯過程憑著可調(diào)整參數(shù)少和訓(xùn)練過程就是超參數(shù)選擇過程等優(yōu)點［8］，使其在機器學(xué)習(xí)領(lǐng)域受到越來越廣泛的關(guān)注，因此相關(guān)研究機構(gòu)和學(xué)者將其應(yīng)用于預(yù)測方面的研究，并取得了一定的研究成果［9－12］，但在網(wǎng)絡(luò)安全態(tài)勢預(yù)測研究中的應(yīng)用較少。另外，采用傳統(tǒng)的共軛梯度法獲取高斯過程最優(yōu)超參數(shù)存在迭代次數(shù)難以確定和預(yù)測結(jié)果不夠精準等問題，為此，文獻［10］采用粒子群優(yōu)化算法（particle swarm optimization，PSO）尋找高斯過程最優(yōu)超參數(shù)，但PSO算法容易在迭代過程中陷入局部最優(yōu)，導(dǎo)致預(yù)測結(jié)果并不一定是全局最優(yōu)解；文獻［11］采用人工蜂群算法（artificial bee colony，ABC）優(yōu)化高斯過程超參數(shù)，但未考慮協(xié)方差函數(shù)的類型對預(yù)測結(jié)果的影響且ABC算法實現(xiàn)相對較為復(fù)雜。針對上述問題，本文嘗試采用螢火蟲群優(yōu)化算法（glowworm swarm optimization，GSO）對高斯過程超參數(shù)進行智能尋優(yōu)，GSO最大優(yōu)點是能同時獲取全局最優(yōu)解和多個局部最優(yōu)解，不易陷入局部最優(yōu)。另一方面，不同類型的協(xié)方差函數(shù)對高斯過程預(yù)測結(jié)果會產(chǎn)生不同的影響，針對這一問題，本文分別測試3種單一類型和2種復(fù)合類型的協(xié)方差函數(shù)對預(yù)測結(jié)果產(chǎn)生的影響，以尋找能夠?qū)W(wǎng)絡(luò)安全態(tài)勢進行有效預(yù)測的最優(yōu)方法。

1 高斯過程

1.1 高斯過程回歸

高斯過程又稱正態(tài)隨機過程，對處理小樣本、非線性、高維等復(fù)雜問題具有良好的適應(yīng)性［8］。給定訓(xùn)練數(shù)據(jù)集D＝其中輸入向量xn∈Rd，輸入數(shù)據(jù)矩陣X∈Rd×N，觀測輸出向量y∈RN×1。給定測試數(shù)據(jù)集D＊＝其中輸入向量x＊∈Rd，輸入數(shù)據(jù)矩陣X＊∈Rd×N＊，觀測輸出向量y＊∈RN＊×1。D和D＊輸入向量的均值分別為m和m＊，可以根據(jù)先驗知識建立D的觀測輸出值y和D＊的觀測輸出值y＊所形成的聯(lián)合高斯先驗分布［12］，如式（1）所示

式中，C（X，X）為協(xié)方差矩陣；K（X，X）為核矩陣，且C（X，X）＝K（X，X）＋σ2nI。在給定訓(xùn)練集D和輸入數(shù)據(jù)矩陣X＊的條件下，可以通過后驗概率公式計算出與X＊相對應(yīng)的y＊，即高斯過程回歸方程［13］為

1.2 高斯過程超參數(shù)的選擇

高斯過程回歸模型最大優(yōu)點是可調(diào)整的參數(shù)只有協(xié)方差函數(shù)，由于高斯過程中的協(xié)方差函數(shù)滿足積分算子理論中的Mercer定理，因此協(xié)方差函數(shù)也等價于機器學(xué)習(xí)中的核函數(shù)。本文主要應(yīng)用以下3種單一類型和2種復(fù)合類型的協(xié)方差函數(shù)，用以驗證不同類型協(xié)方差函數(shù)對高斯過程預(yù)測的影響。

（1）平方指數(shù)協(xié)方差函數(shù)

（2）有理二次協(xié)方差函數(shù)

（3）神經(jīng)網(wǎng)絡(luò)協(xié)方差函數(shù)［10］，其中~x＝（1，x）T

（4）神經(jīng)網(wǎng)絡(luò)協(xié)方差函數(shù)與平方指數(shù)協(xié)方差函數(shù)的復(fù)合變換形式

（5）神經(jīng)網(wǎng)絡(luò)協(xié)方差函數(shù)與有理二次協(xié)方差函數(shù)的復(fù)合變換形式

令θ＝｛H，σ2f，σ2n｝為包含所有超參數(shù)的向量，其中，H＝l2I表示超參數(shù)l2與I得乘積矩陣，l為關(guān)聯(lián)性測度超參數(shù)；σ2f為核函數(shù)的信號方差，是控制局部相關(guān)性的程度；σn為噪聲的方差；α為核函數(shù)的形狀參數(shù)；δij為狄拉克（Dirac Delta）函數(shù)［14］。

2 螢火蟲群優(yōu)化高斯過程的預(yù)測模型

2.1 螢火蟲群優(yōu)化算法

GSO由Krishnanand和Ghose于2005年提出，核心是利用螢火蟲發(fā)光的特性向鄰域空間內(nèi)亮度高于自己的個體位置移動，通過位置更新實現(xiàn)優(yōu)化［15］。

GSO中第i個個體由當(dāng)前位置xi（t）和該位置的螢光素值li（t）確定（t為迭代次數(shù)），每次迭代都包括以下兩個階段［16］。

（1）熒光素值更新：更新公式為

式中，ρ為熒光素揮發(fā)因子；γ為熒光素更新率；f（xi（t））為該位置所對應(yīng)的目標函數(shù)適應(yīng)度值。

式中，s為移動步長；‖xj（t）－xi（t）‖為個體j與個體i之間的距離。最后，更新個體i的動態(tài)決策域半徑，更新公式如式（10）所示，β為動態(tài)決策域更新率，｜Ni（t）｜為鄰域范圍內(nèi)的個體數(shù)，rs為感知半徑［17］。

2.2 安全態(tài)勢預(yù)測算法描述

本文提出的方法采用螢火蟲群優(yōu)化算法對高斯過程最優(yōu)超參數(shù)進行智能搜索確定，迭代訓(xùn)練過程中利用高斯過程回歸方程對測試樣本進行測試，計算目標函數(shù)適應(yīng)值，通過對每只螢火蟲熒光素值和位置的反復(fù)比較更新，得到最優(yōu)螢火蟲，即最優(yōu)超參數(shù)；最后，返回最優(yōu)超參數(shù)對應(yīng)的測試結(jié)果，進而得到高斯過程模型對于測試數(shù)據(jù)樣本的輸出結(jié)果，即網(wǎng)絡(luò)安全態(tài)勢的預(yù)測值，進一步繪制出安全態(tài)勢預(yù)測曲線并對實驗結(jié)果進行深入對比分析。預(yù)測算法框圖如圖1所示，具體詳細描述如算法1。

算法1

輸入：學(xué)習(xí)樣本集D，測試樣本集D＊的輸入x＊。

輸出：測試樣本集D＊的觀測目標值y＊。

步驟1 初始化螢火蟲群算法熒光素值和位置等基本參數(shù)；

步驟2 初始化高斯過程回歸模型，利用高斯過程回歸方程對群體所有螢火蟲進行測試，并根據(jù)目標函數(shù)計算出每個螢火蟲的適應(yīng)度值f（xi（t））；

步驟3 根據(jù)式（8）更新螢火蟲個體的li（t）；

步驟5 計算個體i移向鄰域集內(nèi)個體j的概率pij（t）；

步驟6 向pij（t）值最大的方向，按式（9）進行位置更新；

步驟8 若滿足停止條件，執(zhí)行步驟9。否則，返回步驟2繼續(xù)執(zhí)行；

步驟9 停止搜索，返回最優(yōu)的螢火蟲，找到最優(yōu)超參數(shù)解，輸出預(yù)測結(jié)果y＊，進行深入對比分析。

圖1 基于螢火蟲群優(yōu)化高斯過程的預(yù)測算法框圖

3 網(wǎng)絡(luò)安全態(tài)勢預(yù)測與分析

3.1 數(shù)據(jù)處理與參數(shù)設(shè)置

3.1.1 數(shù)據(jù)處理

實驗測試環(huán)境為某一未劃分VLAN的簡單局域網(wǎng)，包括1臺服務(wù)器和16臺主機，其中服務(wù)器操作系統(tǒng)為Windows Server 2003，主機操作系統(tǒng)為Windows XP。實驗的基礎(chǔ)數(shù)據(jù)需要通過安裝一些軟件工具來得到，如cacti監(jiān)測軟件、ovaldi漏洞掃描器、日志分析軟件、簡單網(wǎng)絡(luò)管理軟件等等。

本文將網(wǎng)絡(luò)安全指標體系重新劃分為內(nèi)部安全指標Safety、外部安全指標Security和用戶類別指標User-Type（該指標體系研究已作為專項研究發(fā)表在其他刊物上，此處僅做簡要概述）。Safety指標更強調(diào)網(wǎng)絡(luò)系統(tǒng)及其主機本身的可靠性，各指標｛Sa1，…，Sai，…，Sam｝對應(yīng)的影響因子為｛R1，…，Ri，…，Rm｝，且滿足；Security指標更強調(diào)對于外界攻擊的防護水平，各指標｛Se1，…，Sej，…，Sen｝對應(yīng)的影響因子為｛T1，…，Tj，…，Tn｝，且滿足＝1；User-Type指標指各類用戶的安全等級，可以根據(jù)用戶需要進行劃分，影響因子由原始數(shù)據(jù)來源的用戶等級所決定。態(tài)勢值獲取過程描述如下：

步驟1 計算內(nèi)部安全態(tài)勢值Safety，指各項內(nèi)部安全指標與其對應(yīng)影響因子的內(nèi)積

步驟2 計算外部安全態(tài)勢值Security，指各外部安全指標與其對應(yīng)影響因子的內(nèi)積

步驟3 計算整體安全態(tài)勢值S’，是內(nèi)部態(tài)勢值與外部態(tài)勢值的加和

網(wǎng)絡(luò)安全態(tài)勢是一個長期持續(xù)且具有突發(fā)性特征的過程，為簡化實驗分析，本文采用等時間距的方法對網(wǎng)絡(luò)安全態(tài)勢實驗數(shù)據(jù)進行采樣，僅獲取某主機30個時間序列的原始數(shù)據(jù)進行實驗分析，并根據(jù)上述方法計算時間序列T1～T30的網(wǎng)絡(luò)安全態(tài)勢值如表1所示。

表1 時間序列T1-T30網(wǎng)絡(luò)安全態(tài)勢值

3.1.2 參數(shù)分析與設(shè)置

（1）高斯過程參數(shù)設(shè)置

將高斯過程超參數(shù)轉(zhuǎn)換為螢火蟲個體并對其進行編碼，即每個螢火蟲個體代表一個高斯過程超參數(shù)，不同超參數(shù)對應(yīng)不同的高斯過程回歸模型。分別采用表2中所示的5種類型核函數(shù)進行對比實驗，以觀察不同核函數(shù)對高斯過程預(yù)測所產(chǎn)生的影響。

表2 相關(guān)算法主要參數(shù)設(shè)置

（2）PSO算法參數(shù)設(shè)置

PSO算法的目標函數(shù)是在綜合考慮相對預(yù)測誤差的均值和標準差兩個方面因素條件下確定的，如式（14）所示，其中，均值E（yn＊－yn）主要體現(xiàn)整體相對預(yù)測誤差的大小，而標準差｛E｛［（yn＊－yn）－E（yn＊－yn）］2｝｝1／2則主要體現(xiàn)相對預(yù)測誤差的平穩(wěn)性。PSO其他主要參數(shù)參考文獻［10］進行設(shè)置，詳細如表2所示。

（3）ABC算法參數(shù)設(shè)置

ABC算法目標函數(shù)為式（14）。ABC其他主要參數(shù)參考文獻［11］進行設(shè)置，詳細如表2所示，其中D為可行解維數(shù)，即超參數(shù)維數(shù)，最大迭代次數(shù)t＝100，蜜源最大開采數(shù)目limit＝t×D＝300。

（4）GSO算法參數(shù)設(shè)置

GSO算法目標函數(shù)為式（14）。另外，Krishnanand和Ghose通過大量仿真實驗對GSO算法的相關(guān)參數(shù)進行分析研究，得出各參數(shù)的參考取值，如表2所示。其中，nt為鄰域集內(nèi)包含的螢火蟲數(shù)目的閾值，l0為初始熒光素值。

3.2 實驗結(jié)果與分析

預(yù)測模型的實驗數(shù)據(jù)集由時間序列T1～T30的整體網(wǎng)絡(luò)安全態(tài)勢值構(gòu)成，其中取T1～T10態(tài)勢值為學(xué)習(xí)樣本，T11～T20態(tài)勢值為測試樣本。預(yù)測模型通過對樣本數(shù)據(jù)的訓(xùn)練和預(yù)測，尋找高斯過程模型最優(yōu)超參數(shù)，并返回最優(yōu)超參數(shù)對應(yīng)測試數(shù)據(jù)集的預(yù)測結(jié)果，從而得到時間序列T21～T30的預(yù)測態(tài)勢值，最后通過與真實安全態(tài)勢值的對比分析來驗證本文預(yù)測方法的準確性及有效性。經(jīng)過對多個試驗樣本數(shù)據(jù)的反復(fù)驗證，得知實驗樣本的差異對實驗結(jié)果并沒有產(chǎn)生非常明顯的差異和變化，因此本文僅選擇表1所示的一組實驗樣本數(shù)據(jù)進行分析。

實驗方法是將基于共軛梯度優(yōu)化的高斯過程模型預(yù)測方法（Gaussian process，GP）、基于粒子群優(yōu)化的高斯過程模型預(yù)測方法（particle swarm optimization-GP，PSO-GP）、基于人工蜂群算法優(yōu)化的高斯過程預(yù)測方法（artificial bee colony-GP，ABC-GP）和基于螢火蟲群優(yōu)化的高斯過程模型預(yù)測方法（glowworm swarm optimization-GP，GSO-GP）分別進行實驗，以通過實驗預(yù)測結(jié)果對比4種方法的優(yōu)劣。另外，高斯過程應(yīng)用不同的核函數(shù)會對實驗效果產(chǎn)生不同的影響，因此本文嘗試將表2中所示的5種核函數(shù)分別應(yīng)用到上述4種方法中，以尋找哪類核函數(shù)能夠使預(yù)測結(jié)果更加精準。計算各種方法在分別采用5種類型核函數(shù)情況下相對預(yù)測誤差的均值和標準差，實驗結(jié)果如表3所示。為了更直觀的對實驗數(shù)據(jù)進行比較分析，將表3所示的相對預(yù)測誤差均值和標準差圖形化，如圖2所示。

表3 相對預(yù)測誤差對比

圖2 預(yù)測誤差均值與標準差對比

通過上述實驗結(jié)果，做如下兩個比較分析：

比較1 螢火蟲群優(yōu)化、人工蜂群優(yōu)化、粒子群優(yōu)化及共軛梯度優(yōu)化方法性能優(yōu)劣的比較

由表3及圖2（a）所示的實驗結(jié)果可以看出：不論采用哪一種類型的核函數(shù)，基于螢火蟲群優(yōu)化GP模型的相對預(yù)測誤差均值比基于共軛梯度優(yōu)化的GP模型、基于粒子群優(yōu)化的GP模型和基于人工蜂群優(yōu)化的GP模型都更優(yōu)秀，且前者的平均相對預(yù)測誤差較后三者分別降低了29.46%、10.37%和4.22%；由表3及圖2（b）所示的實驗結(jié)果可以看出：除了NN-SE核函數(shù)以外，其他核函數(shù)情況下，基于螢火蟲群優(yōu)化的GP模型的相對預(yù)測誤差標準差比另外3種優(yōu)化方法都更優(yōu)秀。據(jù)此可以驗證螢火蟲群算法優(yōu)化的高斯過程模型對網(wǎng)絡(luò)安全態(tài)勢預(yù)測的優(yōu)越性和精準性。

比較2 3種單一類型和2種復(fù)合類型協(xié)方差函數(shù)對實驗結(jié)果影響的比較

由表3、圖2（a）及圖2（b）所示實驗結(jié)果可以看出：不論是基于螢火蟲群優(yōu)化的GP模型、基于人工蜂群優(yōu)化的GP模型、基于粒子群優(yōu)化的GP模型還是基于共軛梯度優(yōu)化的GP模型，核函數(shù)類型為神經(jīng)網(wǎng)絡(luò)與有理二次的復(fù)合協(xié)方差函數(shù)（neural network and rational quadratic composite covariance function，NN-RQ）的相對預(yù)測誤差均值和標準差要比其他類型核函數(shù)更優(yōu)秀。

在基于螢火蟲群優(yōu)化的GP模型預(yù)測的情況下：通過圖2（a）所示的實驗結(jié)果對比可以得出核函數(shù)類型對于相對預(yù)測誤差均值的優(yōu)越性能從大到小依次為：NN-RQ、NN、NN-SE、RQ、SE，且采用神經(jīng)網(wǎng)絡(luò)與有理二次的復(fù)合協(xié)方差函數(shù)（NN-RQ）的平均相對預(yù)測誤差較其他4類（NN、NN-SE、RQ和SE）核函數(shù)分別降低了1.65%、3.24%、4.63%和7.51%；通過圖2（b）所示的實驗結(jié)果對比可以得出核函數(shù)類型對于相對預(yù)測誤差標準差的優(yōu)越性能從大到小依次為：NN-RQ、NN、SE、RQ、NN-SE。

總之，通過上述兩個比較可以看出，當(dāng)基于螢火蟲群優(yōu)化高斯過程的網(wǎng)絡(luò)安全態(tài)勢預(yù)測方法采用復(fù)合協(xié)方差函數(shù)NN-RQ時，網(wǎng)絡(luò)安全態(tài)勢預(yù)測的結(jié)果是最優(yōu)秀的，通過實驗得到時間序列T21～T30的安全態(tài)勢預(yù)測曲線與真實曲線對比如圖3（d）所示。另外3種方法在采用復(fù)合協(xié)方差函數(shù)NN-RQ時的預(yù)測結(jié)果如圖3（a）、圖3（b）和圖3（c）所示。

可以看出，基于螢火蟲群算法優(yōu)化高斯過程的網(wǎng)絡(luò)安全態(tài)勢預(yù)測結(jié)果與真實值在大小及變化規(guī)律上基本一致，為了更加明顯的查看實驗結(jié)果，圖4所示為4種方法采用NN-RQ時的預(yù)測誤差，可見新方法80%的預(yù)測結(jié)果誤差小于其他3種方法。

另外，圖5給出了粒子群優(yōu)化算法、人工蜂群優(yōu)化算法和螢火蟲群優(yōu)化算法在迭代預(yù)測過程中目標函數(shù)最優(yōu)適應(yīng)值與迭代次數(shù)的關(guān)系，可以看出，粒子群優(yōu)化算法在迭代40～50次以后趨于平穩(wěn)，人工蜂群優(yōu)化算法在迭代30～40次以后趨于平穩(wěn)，螢火蟲群優(yōu)化算法在迭代25～35次后趨于平穩(wěn)，由此可以證明螢火蟲群優(yōu)化算法比其他算法收斂更快。

圖3 時間序列T21－T30安全態(tài)勢預(yù)測結(jié)果對比曲線

圖4 4種方法在NN-RQ下相對預(yù)測誤差對比

4 結(jié) 論

針對基于共軛梯度優(yōu)化的高斯過程回歸預(yù)測方法存在迭代次數(shù)難確定及預(yù)測不精準的問題，嘗試采用螢火蟲群優(yōu)化算法對高斯過程回歸超參數(shù)進行智能尋優(yōu)，在網(wǎng)絡(luò)安全態(tài)勢預(yù)測實例分析中，本文算法將平均相對預(yù)測誤差較共軛梯度法優(yōu)化方法、粒子群優(yōu)化方法和人工蜂群優(yōu)化方法分別降低了29.46%、10.37%和4.22%，驗證了螢火蟲群算法優(yōu)化的高斯過程模型對網(wǎng)絡(luò)安全態(tài)勢預(yù)測的精準性和有效性。通過對5種類型核函數(shù)的實驗對比，驗證了采用神經(jīng)網(wǎng)絡(luò)與有理二次的復(fù)合協(xié)方差函數(shù)時，預(yù)測效果是最理想的，且其平均相對預(yù)測誤差較其他4類核函數(shù)最多降低了7.51%。盡管如此，本文開展的理論研究距離在實際網(wǎng)絡(luò)中的應(yīng)用還有很多工作要做，這也是今后進一步研究的重點。

［1］Zhang H L，Shi J Q，Chen X J.A multi-level analysis framework in network security situation awareness［J］.Procedia Computer Science，2013，17：530－536.

［2］Mohsen N，Lu J，Zhang G Q.An intelligent situation awareness support system for safety-critical environments［J］.Decision Support Systems，2014，59：325－340.

［3］Zhang Y，Tan X B，Cui X.Network security situation awareness approach based on Markov game model［J］.Journal of Software，2011，22（3）：495－508.（張勇，譚小彬，崔孝林.基于Markov博弈模型的網(wǎng)絡(luò)安全態(tài)勢感知方法［J］.軟件學(xué)報，2011，22（3）：495－508.）

［4］Wu K，Bai Z Y.Trusted network security situational awareness and forecast based on SPA［J］.Journal of Harbin Institute of Technology，2012，44（3）：112－118.（吳琨，白中英.集對分析的可信網(wǎng)絡(luò)安全態(tài)勢評估與預(yù)測［J］.哈爾濱工業(yè)大學(xué)學(xué)報，2012，44（3）：112－118.）

［5］Meng L M，Zhu J H，Yang Y.A fault detection algorithm for wireless sensor networks based on support vector regression［J］.Journal of Beijing University of Posts and Telecommunications，2014，37（s1）：23－29.（孟洛明，朱杰輝，楊楊.支持向量機回歸預(yù)測在網(wǎng)絡(luò)故障檢測中的應(yīng)用［J］.北京郵電大學(xué)學(xué)報，2014，37（s1）：23－29.）

［6］Tang C H，Xie Y，Qiang B H.Security situation prediction based on dynamic BP neural with covariance［J］.Procedia Engineering，2011，15：3313－3317.

［7］Xie L X，Wang Y C，Yu J B.Network security situation awareness based on neural network［J］.Journal of Tsinghua University（Science and Technology），2014，53（12）：1750－1760.（謝麗霞，王亞超，于巾博.基于神經(jīng)網(wǎng)絡(luò)的網(wǎng)絡(luò)安全態(tài)勢感知［J］.清華大學(xué)學(xué)報（自然科學(xué)版），2014，53（12）：1750－1760.）

［8］Chen K M，Zhou Z X，Huo C L，et al.A semi supervised context-sensitive change detection technique via Gaussian process［J］.IEEE Geoscience and Remote Sensing Letters，2013，10（2）：2.

［9］Wang S W，Gu H L.Multiuser detection with sparse spectrum Gaussian process regression［J］.IEEE Communications Letters，2012，16（2）：164－167.

［10］Xu C，Liu B G，Liu K Y.Intelligent analysis model of landslide displacement time series based on coupling PSO-GPR［J］.Rock and Soil Mechanics，2011，32（6）：1669－1675.（徐沖，劉保國，劉開云.基于粒子群－高斯過程回歸耦合算法的滑坡位移時序分析預(yù)測智能模型［J］.巖土力學(xué)，2011，32（6）：1669－1675.）

［11］Zhang L，Liu Z，Zhang J Q.Optimized improved Gaussian processmodel based on artificial bee colony algorithm［J］.Journal of National University of Defense Technology，2014，36（1）：154－160.（張樂，劉忠，張建強.基于人工蜂群算法優(yōu)化的改進高斯過程模型［J］.國防科學(xué)技術(shù)大學(xué)學(xué)報，2014，36（1）：154－160.）

［12］Kou P，Gao F，Guan X H.Sparse online warped Gaussian process for wind power probabilistic forecasting［J］.Applied Energy，2013，108：410－428.

［13］Wu Q，Rob L，Xu X.A sparse Gaussian process regression model for tourism demand forecasting in Hong Kong［J］.Expert Systems with Applications，2012，39（15）：4769－4774.

［14］Alexander Y.S，Wang D B，Xu X L.Monthly stream flow forecasting using Gaussian Process Regression［J］.Journal of Hydrology，2014，511（16）：72－81.

［15］Krishnanand K N，Ghose D.Glowworm swarm optimization for simultaneous capture of multiple local optima of multimodal functions［J］.Swarm Intelligence，2009，3（2）：87－124.

［16］Wu B，Qian C，Ni W，et al.The improvement of glowworm swarm optimization for continuous optimization problems［J］.Expert Systems with Applications，2012，39（7）：6335－6342.

［17］Ibrahim A，Simone A L.A new clustering approach based on glowworm swarm optimization［C］∥Proc.of the IEEE Congress on Evolutionary Computation，2013：2642－2649.

Network security situation prediction based on Gaussian process optimized by glowworm swarm optimization

LI Ji-zhen1，MENG Xiang-ru1，WEN Xiang-xi2，KANG Qiao-yan1
（1.School of Information and Navigation，Air Force Engineering University，Xi’an 710077，China；2.School of Air Traffic Control and Navigation，Air Force Engineering University，Xi’an 710051，China）

A prediction method based on the Gaussian process optimized by glowworm swarm optimization（GSO）is proposed to solve the problems of difficult determination of iteration steps and less accuracy of prediction which are caused by searching the hyperparameters of the Gaussian process with the conjugate gradient algorithm.And it is applied to the research of network security situation prediction.The hyperparameters of the Gaussian process are intelligently searched by the GSO algorithm for establishing the network security situation prediction model based on Gaussian process regression.The analysis results of the experiment show that the average relative prediction error of this new method is reduced by about 29.46%，10.37%and 4.22%compared with the conjugate gradient algorithm，the particle swarm optimization（PSO）algorithm and the artificial bee colony（ABC）algorithm separately，and the new method has a better convergence.In addition，the impact of the prediction results are analyzed and compared by three single type covariance functions and two composite type covariance functions，and the analysis results of the experiment show that the average relative prediction error with neural network and rational quadratic composite covariance function（NN-RQ）is reduced by 1.65% to 7.51%compared with other four covariance functions.

situation prediction；Gaussian process；glowworm swarm optimization（GSO）；particle swarm optimization（PSO）；artificial bee colony（ABC）

TP 393

A

10.3969／j.issn.1001-506X.2015.08.26

李紀真（1986－），男，博士研究生，主要研究方向為網(wǎng)絡(luò)安全預(yù)警決策。

E-mail：lijizhen1986＠126.com

孟相如（1963－），男，教授，博士，主要研究方向為寬帶通信網(wǎng)絡(luò)。

E-mail：mengxr1963＠126.com

溫祥西（1984－），男，講師，博士，主要研究方向為網(wǎng)絡(luò)故障預(yù)測與健康管理。

E-mail：wenxiangxi1984＠126.com

康巧燕（1980－），女，副教授，博士，主要研究方向為寬帶通信網(wǎng)絡(luò)。

E-mail：kangqy2012＠163.com

1001－506X201508－1887－07

網(wǎng)址：www.sys－ele.com

2014－09－17；

2014－10－20；網(wǎng)絡(luò)優(yōu)先出版日期：2014－10－31。

網(wǎng)絡(luò)優(yōu)先出版地址：http：／／www.cnki.net／kcms／detail／11.2422.TN.20141031.1028.003.html

國家自然科學(xué)基金（61201209）資助課題