張 強(qiáng) 賈中建

國網(wǎng)河南息縣供電公司

網(wǎng)絡(luò)安全態(tài)勢(shì)預(yù)測(cè)方法的應(yīng)用分析

張 強(qiáng) 賈中建

國網(wǎng)河南息縣供電公司

信息化時(shí)代，網(wǎng)絡(luò)安全已經(jīng)成為了社會(huì)及相應(yīng)領(lǐng)域關(guān)注的重點(diǎn)問題。本文從HHGA-RBF神經(jīng)網(wǎng)絡(luò)及PSO-SVM兩方面，介紹了網(wǎng)絡(luò)安全態(tài)勢(shì)預(yù)測(cè)方法的原理，并從實(shí)驗(yàn)的角度，對(duì)其預(yù)測(cè)的過程及效果進(jìn)行了觀察，通過對(duì)不同算法預(yù)測(cè)誤差及效率的對(duì)比，證實(shí)了PSO-SVM模型在預(yù)測(cè)網(wǎng)絡(luò)安全態(tài)勢(shì)方面的應(yīng)用優(yōu)勢(shì)。

網(wǎng)絡(luò)安全態(tài)勢(shì)預(yù)測(cè)；HHGA-RBF神經(jīng)網(wǎng)絡(luò)；PSO-SVM

前言：

計(jì)算機(jī)技術(shù)的發(fā)展及信息化水平的提升，使得網(wǎng)絡(luò)數(shù)據(jù)的傳輸速度逐漸提高，數(shù)據(jù)傳輸量逐漸加大。在上述環(huán)境下，網(wǎng)絡(luò)環(huán)境的安全性問題，得到了大多數(shù)人的重視。對(duì)網(wǎng)絡(luò)安全態(tài)勢(shì)進(jìn)行預(yù)測(cè)，評(píng)估當(dāng)前網(wǎng)絡(luò)的運(yùn)行狀態(tài)，是有關(guān)領(lǐng)域用以分析網(wǎng)絡(luò)環(huán)境的安全情況的主要途徑，對(duì)其預(yù)測(cè)方法加以研究較為必要。

1 網(wǎng)絡(luò)安全態(tài)勢(shì)概述

網(wǎng)絡(luò)安全態(tài)勢(shì)，即網(wǎng)絡(luò)環(huán)境當(dāng)前的安全狀況及發(fā)展方向。要求在收集并統(tǒng)計(jì)現(xiàn)有網(wǎng)絡(luò)安全數(shù)據(jù)的基礎(chǔ)上，尋找數(shù)據(jù)的規(guī)律，進(jìn)而實(shí)現(xiàn)對(duì)網(wǎng)絡(luò)風(fēng)險(xiǎn)的預(yù)警，以提高網(wǎng)絡(luò)應(yīng)用的安全性。

網(wǎng)絡(luò)安全態(tài)勢(shì)框架共包括三層，分別為覺察層、理解層與預(yù)測(cè)層[1]：(1)覺察層：包括防火墻、IDS以及CERT等，可實(shí)現(xiàn)對(duì)網(wǎng)絡(luò)安全數(shù)據(jù)的收集，并對(duì)數(shù)據(jù)進(jìn)行初步的統(tǒng)計(jì)，以供進(jìn)一步分析。(2)理解層：基于相應(yīng)算法，分析數(shù)據(jù)與數(shù)據(jù)之間的相關(guān)性，評(píng)估當(dāng)前網(wǎng)絡(luò)環(huán)境的安全狀態(tài)。(3)預(yù)測(cè)層：通過對(duì)當(dāng)前網(wǎng)絡(luò)環(huán)境的分析，預(yù)測(cè)未來網(wǎng)絡(luò)環(huán)境的發(fā)展態(tài)勢(shì)，為網(wǎng)絡(luò)安全態(tài)勢(shì)框架中最重要的層次。

2 網(wǎng)絡(luò)安全態(tài)勢(shì)預(yù)測(cè)方法的應(yīng)用

2.1 HHGA-RBF神經(jīng)網(wǎng)絡(luò)安全預(yù)測(cè)方法

2.1.1 預(yù)測(cè)算法

通常情況下，預(yù)測(cè)網(wǎng)絡(luò)安全態(tài)勢(shì)所需應(yīng)用的算法，包括RBF神經(jīng)網(wǎng)絡(luò)及遺傳算法兩種。RBF神經(jīng)網(wǎng)絡(luò)為前饋網(wǎng)絡(luò)的一種，可通過對(duì)人腦結(jié)構(gòu)的模擬，形成高覆蓋的伸進(jìn)網(wǎng)絡(luò)，具有最佳的逼近性能，預(yù)測(cè)結(jié)果較為準(zhǔn)確。遺傳算法又稱進(jìn)化算法，為全局并行的隨機(jī)搜索方法的一種，且具有優(yōu)化計(jì)算的優(yōu)勢(shì)，能夠與神經(jīng)網(wǎng)絡(luò)有效融合，相互配合，完成對(duì)數(shù)據(jù)的統(tǒng)計(jì)、整理與分析。根據(jù)遺傳算法的特點(diǎn)，將其與RBF神經(jīng)網(wǎng)絡(luò)融合，形成HHGA-RBF神經(jīng)網(wǎng)絡(luò)，以預(yù)測(cè)網(wǎng)絡(luò)安全態(tài)勢(shì)，可行性較高。

2.1.2 預(yù)測(cè)流程

HHGA-RBF神經(jīng)網(wǎng)絡(luò)預(yù)測(cè)網(wǎng)絡(luò)安全態(tài)勢(shì)的流程如下[2]：(1)對(duì)控制基因及參數(shù)基因進(jìn)行編碼。(2)種群P1初始化。(3)隱藏基因構(gòu)造RBF。(4)采用最小二乘法計(jì)算輸出層的權(quán)值。(5)根據(jù)輸出層的權(quán)值，計(jì)算個(gè)體的適應(yīng)度。在評(píng)價(jià)個(gè)體適應(yīng)度的基礎(chǔ)上，評(píng)價(jià)當(dāng)前的網(wǎng)絡(luò)性能。(6)判斷計(jì)算是否滿足終止條件，如符合，則可停止計(jì)算，得到最優(yōu)解。(7)如計(jì)算結(jié)果不滿足終止條件，則可通過選擇與復(fù)制等方法，判斷個(gè)體是否可進(jìn)入P2種群。(8)通過交叉及變異等過程，得到新的種群P4。繼續(xù)采用最小二乘法計(jì)算輸出層的權(quán)值，并逐步完成計(jì)算，直至個(gè)體適應(yīng)度符合終止條件為止。

2.1.3 預(yù)測(cè)過程及結(jié)果觀察

取2015年1月--2016年1月收集的120個(gè)網(wǎng)絡(luò)安全態(tài)勢(shì)值作為樣本，標(biāo)準(zhǔn)化處理后，取剩余的110個(gè)樣本作為訓(xùn)練樣本，按照預(yù)測(cè)流程預(yù)測(cè)。統(tǒng)計(jì)發(fā)現(xiàn)，完成的網(wǎng)絡(luò)攻擊所用時(shí)間為3d。將向量維數(shù)設(shè)置為3后，對(duì)未來一天的網(wǎng)絡(luò)安全態(tài)勢(shì)進(jìn)行預(yù)測(cè)，發(fā)現(xiàn)，與單獨(dú)采用遺傳算法或RBF預(yù)測(cè)相比，采用HHGA-RBF神經(jīng)網(wǎng)絡(luò)預(yù)測(cè)，與網(wǎng)絡(luò)安全的實(shí)際值更加接近，證實(shí)了將HHGA-RBF神經(jīng)網(wǎng)絡(luò)神經(jīng)網(wǎng)絡(luò)應(yīng)用到網(wǎng)絡(luò)安全態(tài)勢(shì)預(yù)測(cè)中的有效性。

2.2 PSO-SVM網(wǎng)絡(luò)安全預(yù)測(cè)方法

2.2.1 SVM理論

SVM理論要求首先選擇非線性映射，將輸入向量映射至高維特征空間。在該空間中，建立最優(yōu)決策函數(shù)。通過對(duì)最優(yōu)決策函數(shù)解的計(jì)算，預(yù)測(cè)網(wǎng)絡(luò)安全態(tài)勢(shì)。SVM常用算法，以Chunking算法為主。實(shí)踐研究表明，采用快速迭代算法計(jì)算，效率同樣較高。

2.2.2 SVM參數(shù)的優(yōu)化

SVM參數(shù)包括懲罰系數(shù)C、不敏感損失系數(shù)e及核函數(shù)寬度參數(shù)α三種：(1)C：功能在于實(shí)現(xiàn)對(duì)回歸模型的控制，如取值過大，容易導(dǎo)致欠學(xué)習(xí)問題發(fā)生，與預(yù)測(cè)結(jié)果準(zhǔn)確度的影響較大。計(jì)算時(shí)，需加強(qiáng)對(duì)上述問題的關(guān)注。(2)e：功能在于影響模型向量的數(shù)量，進(jìn)而對(duì)擬合的精確度產(chǎn)生影響。e與向量的數(shù)量負(fù)相關(guān)，與曲線的平緩度正相關(guān)。(3)α：功能在于實(shí)現(xiàn)對(duì)非線性規(guī)劃問題最優(yōu)解復(fù)雜程度的控制?？刹捎昧Ｗ尤核惴?，優(yōu)化C、e及α三大參數(shù)，為網(wǎng)絡(luò)安全態(tài)勢(shì)預(yù)測(cè)準(zhǔn)確度的提高奠定基礎(chǔ)。

2.2.3 預(yù)測(cè)流程

PSO-SVM模型預(yù)測(cè)網(wǎng)絡(luò)安全態(tài)勢(shì)的流程如下：(1)輸入歷史安全態(tài)勢(shì)值。(2)整理歷史值，使之形成安全態(tài)勢(shì)樣本集。(3)根據(jù)安全態(tài)勢(shì)樣本集，建立PSO-SVM預(yù)測(cè)模型。(4)運(yùn)行模型，通過快速迭代算法，得到最終的安全態(tài)勢(shì)預(yù)測(cè)值。(5)分析預(yù)測(cè)的精度。

2.2.4 預(yù)測(cè)過程及結(jié)果觀察

取2015年1月--2016年1月收集的120個(gè)網(wǎng)絡(luò)安全態(tài)勢(shì)值作為樣本，標(biāo)準(zhǔn)化處理后，取剩余的110個(gè)樣本作為訓(xùn)練樣本，按照預(yù)測(cè)流程預(yù)測(cè)。統(tǒng)計(jì)發(fā)現(xiàn)，完成的網(wǎng)絡(luò)攻擊所用時(shí)間為3d。得到的結(jié)果與HHGA-RBF神經(jīng)網(wǎng)絡(luò)計(jì)算得到的結(jié)果一致。將預(yù)測(cè)模型的設(shè)定m值設(shè)置為3，采用MATLAB編寫非線性擬合程序。采用最小二乘法計(jì)算。得到粒子群參數(shù)初始值如下：(1)種群規(guī)模：初始值為20。(2)學(xué)習(xí)因子：初始值為2。(3)粒子速度：初始值為(0.1,0.5)。(4)最大迭代次數(shù)：初始值為500。通過對(duì)預(yù)測(cè)結(jié)果的觀察，發(fā)現(xiàn)，與單獨(dú)采用遺傳算法或RBF預(yù)測(cè)相比，采用PSO-SVM模型預(yù)測(cè)，與網(wǎng)絡(luò)安全的實(shí)際值更加接近，證實(shí)了將PSO-SVM應(yīng)用到網(wǎng)絡(luò)安全態(tài)勢(shì)預(yù)測(cè)中的有效性。

2.3 兩種方法的應(yīng)用效果的對(duì)比

通過對(duì)HHGA-RBF神經(jīng)網(wǎng)絡(luò)與PSO-SVM模型預(yù)測(cè)網(wǎng)絡(luò)安全態(tài)勢(shì)的結(jié)果的對(duì)比發(fā)現(xiàn)：(1)絕對(duì)誤差對(duì)比：采用HHGA-RBF神經(jīng)網(wǎng)絡(luò)與PSO-SVM模型預(yù)測(cè)網(wǎng)絡(luò)安全態(tài)勢(shì)，絕對(duì)誤差均優(yōu)于遺傳算法或RBF預(yù)測(cè)方法，兩者對(duì)比，誤差值基本就一致。(2)預(yù)測(cè)效率：采用HHGA-RBF神經(jīng)網(wǎng)絡(luò)與PSO-SVM模型預(yù)測(cè)網(wǎng)絡(luò)安全態(tài)勢(shì)，預(yù)測(cè)效率均較高。但兩者對(duì)比，采用PSO-SVM模型預(yù)測(cè)，效率更高，優(yōu)勢(shì)顯著。

結(jié)論：

綜上所述，HHGA-RBF神經(jīng)網(wǎng)絡(luò)與PSO-SVM模型為網(wǎng)絡(luò)安全態(tài)勢(shì)預(yù)測(cè)的兩種方法，與遺傳算法及RBF預(yù)測(cè)方法相比，兩種預(yù)測(cè)方法的誤差率較低。但兩者對(duì)比，PSO-SVM模型的預(yù)測(cè)效率較高。未來，應(yīng)將PSO-SVM模型應(yīng)用到網(wǎng)絡(luò)安全態(tài)勢(shì)的預(yù)測(cè)中，在建立PSO-SVM預(yù)測(cè)模型的基礎(chǔ)上，通過快速迭代算法，得到最終的安全態(tài)勢(shì)預(yù)測(cè)值。

[1]李璽,盧昱,劉森.基于Markov game模型的裝備保障信息網(wǎng)絡(luò)安全態(tài)勢(shì)感知方法研究[J/OL].計(jì)算機(jī)應(yīng)用研究,2017,(11)：1-7.

[2]肖艷萍,張舜標(biāo),鄭錚華.網(wǎng)絡(luò)安全態(tài)勢(shì)感知在校園網(wǎng)絡(luò)安全的研究進(jìn)展與展望[J].廣東農(nóng)工商職業(yè)技術(shù)學(xué)院學(xué)報(bào),2013,29(04)：38-41.