羅 康，鈕 焱，李 軍

（湖北工業(yè)大學(xué) 計(jì)算機(jī)學(xué)院，湖北 武漢 430068）

基于SCM-ANFIS的網(wǎng)絡(luò)節(jié)點(diǎn)資源風(fēng)險(xiǎn)評(píng)估

羅 康，鈕 焱，李 軍

（湖北工業(yè)大學(xué) 計(jì)算機(jī)學(xué)院，湖北 武漢 430068）

隨著互聯(lián)網(wǎng)應(yīng)用的逐漸深入，一旦網(wǎng)絡(luò)癱瘓將會(huì)造成巨大的經(jīng)濟(jì)損失，網(wǎng)絡(luò)安全問(wèn)題成為重點(diǎn)關(guān)注的問(wèn)題。本文提出了一種利用自適應(yīng)模糊推理系統(tǒng)（ANFIS）對(duì)網(wǎng)絡(luò)節(jié)點(diǎn)資源的風(fēng)險(xiǎn)評(píng)估模型。將網(wǎng)絡(luò)行為劃分為正常行為和攻擊行為，通過(guò)網(wǎng)絡(luò)資源如流量、CPU、磁盤(pán)、內(nèi)存資源占有率的變化分析出網(wǎng)絡(luò)節(jié)點(diǎn)資源的風(fēng)險(xiǎn)等級(jí)，并且獲得了較好的準(zhǔn)確度。實(shí)驗(yàn)結(jié)果表明基于減法聚類(lèi)的自適應(yīng)模糊推理系統(tǒng)（SCM-ANFIS）模型是一種較好的網(wǎng)絡(luò)節(jié)點(diǎn)資源風(fēng)險(xiǎn)評(píng)估模型。

ANFIS；網(wǎng)絡(luò)安全；網(wǎng)絡(luò)行為；網(wǎng)絡(luò)風(fēng)險(xiǎn)

0 引言

網(wǎng)絡(luò)節(jié)點(diǎn)資源風(fēng)險(xiǎn)是指由于網(wǎng)絡(luò)存在的脆弱性、人為等因素導(dǎo)致網(wǎng)絡(luò)安全事件發(fā)生的可能性及可能對(duì)網(wǎng)絡(luò)節(jié)點(diǎn)資源造成的嚴(yán)重影響[1]。網(wǎng)絡(luò)節(jié)點(diǎn)資源風(fēng)險(xiǎn)評(píng)估就是對(duì)網(wǎng)絡(luò)節(jié)點(diǎn)資源發(fā)生緊張或崩潰的可能性進(jìn)行的一種概率評(píng)測(cè)。傳統(tǒng)的網(wǎng)絡(luò)風(fēng)險(xiǎn)評(píng)估方法有概率統(tǒng)計(jì)[2]、信息熵[3]、貝葉斯攻擊圖的定量評(píng)估[4]、依據(jù)證據(jù)推理的網(wǎng)絡(luò)安全態(tài)勢(shì)評(píng)估[5]等，但這些方法往往缺乏及時(shí)性、時(shí)效性低且計(jì)算復(fù)雜。例如基于貝葉斯攻擊圖的定量評(píng)估方法計(jì)算過(guò)于復(fù)雜。由于網(wǎng)絡(luò)節(jié)點(diǎn)資源風(fēng)險(xiǎn)評(píng)估的復(fù)雜性、非線性、不確定性和時(shí)效性高等特點(diǎn)，采用傳統(tǒng)的網(wǎng)絡(luò)節(jié)點(diǎn)資源風(fēng)險(xiǎn)評(píng)估方法存在一定的局限性，評(píng)價(jià)方法帶有較大的主觀隨意性和模糊性，在操作上比較復(fù)雜，并且缺乏自學(xué)習(xí)能力。而自適應(yīng)模糊推理系統(tǒng)（Adaptive Neuro Fuzzy Inference System，ANFIS）具備常規(guī)方法所不具備的智能特性，可以處理不確定性問(wèn)題，且具有自學(xué)習(xí)和獲取知識(shí)的能力，適宜處理非線性問(wèn)題。李鵬程等人為了解決如何降低人因失誤風(fēng)險(xiǎn)問(wèn)題，提出了基于ANFIS的人因失誤風(fēng)險(xiǎn)嚴(yán)重度識(shí)別[6]，文中利用影響失誤風(fēng)險(xiǎn)嚴(yán)重度的HEP（人因失誤概率）、EEP（失誤影響概率）和ECS（失誤后果嚴(yán)重度）三大因素作為度量失誤風(fēng)險(xiǎn)程度的標(biāo)準(zhǔn)，該模型克服了專(zhuān)家判斷的主觀性、模糊性和不確定性等缺陷，使人因風(fēng)險(xiǎn)評(píng)價(jià)更加符合實(shí)際情況。陳安輝在碩士畢業(yè)論文中提出了基于GA-ANFIS的股指預(yù)測(cè)研究模型[7]，利用影響股指變化的因素作為股指預(yù)測(cè)模型的輸入?yún)?shù)，較好的預(yù)測(cè)出股指的變化。網(wǎng)絡(luò)節(jié)點(diǎn)資源風(fēng)險(xiǎn)受到流量、CPU、磁盤(pán)及內(nèi)存等的影響，符合ANFIS模型的使用條件，鑒于ANFIS所具有的優(yōu)點(diǎn)，本文通過(guò)自適應(yīng)模糊推理系統(tǒng)（ANFIS）模型評(píng)估網(wǎng)絡(luò)行為對(duì)網(wǎng)絡(luò)節(jié)點(diǎn)資源產(chǎn)生的風(fēng)險(xiǎn)等級(jí)，以便及時(shí)有效維護(hù)和保障網(wǎng)絡(luò)的安全。

1 ANFIS原理及結(jié)構(gòu)

ANFIS是源于T-S（Tune Sugeno）模型的一種神經(jīng)模糊推理系統(tǒng)[8]，模型將輸入變量進(jìn)行線性重組來(lái)作為輸出變量。

ANFIS模型基本過(guò)程為，首先設(shè)定模型的輸入層的輸入個(gè)數(shù)為 2，輸出層輸出個(gè)數(shù)為 1，相對(duì)一階 Sugeno類(lèi)型的模糊系統(tǒng)[9]，其推理方式可以表示為：

Rule1：若 a為 M1，并且 b為 N1，則 s1= p1a+q1b + u1；

Rule2：若a為M2，并且 b為N2，則 s2= p2a+q2b + u2；

上述表達(dá)方程中，a及b是指變量，Mi及Ni是指語(yǔ)言變量值，pi及 qi是指結(jié)論參數(shù)，si是指第 i個(gè)推理的結(jié)果。

典型的兩變量輸入模糊推理系統(tǒng)用圖 1來(lái)描述，由上圖可以看出，模糊推理系統(tǒng)模型有五層，同一層的各節(jié)點(diǎn)都具有相似的功能。

圖1 ANFIS結(jié)構(gòu)Fig.1 The structure of ANFIS

第1層為輸入層，將輸入數(shù)據(jù)對(duì)象變量模糊化，輸出模糊集隸屬度，隸屬度函數(shù)通常采用鐘型函數(shù)，如公式（1）所示。O1,i指Mi及Ni的隸屬函數(shù)類(lèi)型，Mi及Ni為模糊集，它們?nèi)Q于連接點(diǎn)i的隸屬類(lèi)型。

第2層計(jì)算每條模糊規(guī)則的適應(yīng)度，連接點(diǎn)用∏來(lái)表示，通常采用乘法計(jì)算模糊規(guī)則的適應(yīng)度，如下公式表示：

模糊推理層的任意節(jié)點(diǎn)的作用是進(jìn)行模糊推理，可以用它對(duì)模糊規(guī)則的前件進(jìn)行配對(duì)。第一步是對(duì)任意推理規(guī)則的適應(yīng)值Wi進(jìn)行運(yùn)算，第二步是計(jì)算模糊集合，并且取集合中最大值為連接權(quán)系數(shù)。

第3層的節(jié)點(diǎn)數(shù)與第2層相同，歸一化模糊規(guī)則的適應(yīng)度值。歸一化層在圖1可以用字母k表達(dá)，其計(jì)算方法用如下公式表示：

第4層產(chǎn)生模糊推理規(guī)則，每個(gè)節(jié)點(diǎn)的傳遞函數(shù)是線性函數(shù)。在第四層中任意節(jié)點(diǎn) i是指自適應(yīng)節(jié)點(diǎn)，其輸出值是：

式（4）中，p1，q1，u1稱(chēng)為結(jié)論參數(shù)。

第5層的作用是計(jì)算所有規(guī)則的輸出總和，進(jìn)行加權(quán)平均計(jì)算該層總的輸出結(jié)果作為最后輸出，用Σ表示：

ANFIS的系統(tǒng)結(jié)構(gòu)屬于一個(gè)具有多個(gè)網(wǎng)絡(luò)層的前向網(wǎng)絡(luò)[11,12]，任意兩層間的連接權(quán)值能夠通過(guò)對(duì)所給數(shù)據(jù)對(duì)象進(jìn)行不斷自適應(yīng)調(diào)節(jié)，ANFIS網(wǎng)絡(luò)結(jié)構(gòu)參數(shù)學(xué)習(xí)采用混合學(xué)習(xí)算法：在前向傳遞過(guò)程中，輸入不同網(wǎng)絡(luò)行為對(duì)網(wǎng)絡(luò)資源節(jié)點(diǎn)產(chǎn)生影響的數(shù)據(jù)之后，通過(guò)各層節(jié)點(diǎn)函數(shù)對(duì)數(shù)據(jù)進(jìn)行計(jì)算從而得到各層網(wǎng)絡(luò)每個(gè)節(jié)點(diǎn)的輸出結(jié)果，然后利用線性最小二乘估計(jì)來(lái)進(jìn)行模糊規(guī)則后件的結(jié)論參數(shù)進(jìn)行辨識(shí)，從而得出每一組輸入數(shù)據(jù)的輸出誤差；在網(wǎng)絡(luò)反向傳遞過(guò)程中，采用梯度下降法將輸出誤差從輸出節(jié)點(diǎn)反向傳入輸入節(jié)點(diǎn)，同時(shí)不斷調(diào)整模糊規(guī)則所屬隸屬度函數(shù)的參數(shù)。循環(huán)往復(fù)上述操作流程，在輸出誤差滿(mǎn)足誤差標(biāo)準(zhǔn)或者迭代次數(shù)達(dá)到迭代上限，則結(jié)束上述操作。

2 網(wǎng)絡(luò)節(jié)點(diǎn)資源風(fēng)險(xiǎn)評(píng)估模型

由于網(wǎng)絡(luò)節(jié)點(diǎn)資源受到正常行為和攻擊行為的影響，因此將網(wǎng)絡(luò)節(jié)點(diǎn)資源的風(fēng)險(xiǎn)評(píng)估按照正常行為和攻擊行為兩方面來(lái)評(píng)估網(wǎng)絡(luò)節(jié)點(diǎn)資源的風(fēng)險(xiǎn)等級(jí)。首先確定網(wǎng)絡(luò)節(jié)點(diǎn)資源風(fēng)險(xiǎn)評(píng)估結(jié)構(gòu)，輸入?yún)?shù)分為正常行為和攻擊行為，由于網(wǎng)絡(luò)行為對(duì)網(wǎng)絡(luò)節(jié)點(diǎn)資源的影響流量、CPU、磁盤(pán)、內(nèi)存指標(biāo)占用率，網(wǎng)絡(luò)帶寬，線程數(shù)目等，如果每個(gè)指標(biāo)都做為風(fēng)險(xiǎn)評(píng)估模型的輸入量，評(píng)估模型將會(huì)變得異常復(fù)雜，訓(xùn)練數(shù)據(jù)會(huì)非常龐大，實(shí)現(xiàn)起來(lái)有較大困難，且不具備實(shí)用性。因此本文選取了流量、CPU、磁盤(pán)、內(nèi)存四個(gè)指標(biāo)生成網(wǎng)絡(luò)節(jié)點(diǎn)資源風(fēng)險(xiǎn)評(píng)估的基本結(jié)構(gòu)，如圖2所示。

2.1 減法聚類(lèi)

聚類(lèi)分析的基本思想就是物以類(lèi)聚[13]。以網(wǎng)絡(luò)節(jié)點(diǎn)資源風(fēng)險(xiǎn)評(píng)估為例，將不同的網(wǎng)絡(luò)行為對(duì)節(jié)點(diǎn)資源變化內(nèi)存、流量、CPU和磁盤(pán)的占用情況作為基本特征屬性，將這些數(shù)據(jù)分成不同的類(lèi)別，這樣可以比較直觀的發(fā)現(xiàn)數(shù)據(jù)集的分布情況，以便于生成合理的網(wǎng)絡(luò)結(jié)構(gòu)模型。減法聚類(lèi)是一種十分快速的密度聚類(lèi)算法，算法的復(fù)雜度不受數(shù)據(jù)集的維度影響。算法開(kāi)始時(shí)將每一個(gè)數(shù)據(jù)對(duì)象都看作一個(gè)潛在的聚類(lèi)中心，計(jì)算每個(gè)數(shù)據(jù)對(duì)象的密度值，密度值即為數(shù)據(jù)對(duì)象的密度指標(biāo)，存在很多鄰近點(diǎn)的數(shù)據(jù)對(duì)象，其密度指標(biāo)必然較大，成為聚類(lèi)中心的可能性就越大。選出密度指標(biāo)最大的數(shù)據(jù)對(duì)象，并確定為數(shù)據(jù)集的第一個(gè)聚類(lèi)中心點(diǎn)。修正其他數(shù)據(jù)對(duì)象的密度值，再次尋找新的聚類(lèi)中心點(diǎn)，依次循環(huán)下去，直到滿(mǎn)足條件為止。

由于ANFIS網(wǎng)絡(luò)結(jié)構(gòu)復(fù)雜度由輸入節(jié)點(diǎn)的模糊規(guī)則決定，而隸屬度函數(shù)最終決定了模糊規(guī)則數(shù)。而使用減法聚類(lèi)生成ANFIS[14-16]網(wǎng)絡(luò)結(jié)構(gòu)時(shí)，一個(gè)重要優(yōu)勢(shì)在于生成的模糊規(guī)則數(shù)比傳統(tǒng)的ANFIS方法生成的模糊規(guī)則更加符合網(wǎng)絡(luò)節(jié)點(diǎn)資源風(fēng)險(xiǎn)評(píng)估模型的輸入輸出數(shù)據(jù)。當(dāng)輸入數(shù)據(jù)維度增大且數(shù)據(jù)量急劇增長(zhǎng)時(shí)，也可以避免模型的模糊規(guī)則數(shù)出現(xiàn)爆炸式增長(zhǎng)，從而導(dǎo)致ANFIS網(wǎng)絡(luò)結(jié)構(gòu)十分復(fù)雜。

2.2 SCM-ANFIS結(jié)構(gòu)

網(wǎng)絡(luò)節(jié)點(diǎn)資源風(fēng)險(xiǎn)評(píng)估模型的輸入值為兩種網(wǎng)絡(luò)行為對(duì)網(wǎng)絡(luò)節(jié)點(diǎn)資源產(chǎn)生的影響，分別是內(nèi)存、流量、CPU以及磁盤(pán)的占用情況。在確定模型的輸入后，以網(wǎng)絡(luò)節(jié)點(diǎn)資源評(píng)估風(fēng)險(xiǎn)值作為輸出構(gòu)造出了基于Sugeno模糊推理的ANFIS模型，該模型是將模糊邏輯和神經(jīng)元網(wǎng)絡(luò)有機(jī)結(jié)合的新型模糊推理系統(tǒng)結(jié)構(gòu)，具有以任意精度逼近任意線性和非線性函數(shù)的功能，并且收斂速度快，樣本需要量少等特點(diǎn)，如圖3所示。

圖2 網(wǎng)絡(luò)節(jié)點(diǎn)資源風(fēng)險(xiǎn)評(píng)估結(jié)構(gòu)Fig.2 Network node resource structure of risk assessment

圖3 ANFIS模型圖Fig.3 ANFIS model

3 實(shí)例驗(yàn)證

為了驗(yàn)證ANFIS模型對(duì)網(wǎng)絡(luò)節(jié)點(diǎn)資源風(fēng)險(xiǎn)評(píng)估的有效性，本文通過(guò)實(shí)驗(yàn)對(duì)網(wǎng)絡(luò)節(jié)點(diǎn)資源的風(fēng)險(xiǎn)評(píng)估進(jìn)行了研究。首先構(gòu)造一個(gè)內(nèi)外網(wǎng)絡(luò)互聯(lián)模型，在外網(wǎng)模擬正常行為和攻擊行為訪問(wèn)內(nèi)網(wǎng)。通過(guò)服務(wù)器分別對(duì)互聯(lián)網(wǎng)進(jìn)行網(wǎng)頁(yè)瀏覽、視頻播放和文件下載訪問(wèn)，同時(shí)使用LOIC進(jìn)行基于HTTP的DDOS攻擊來(lái)模擬異常流量的產(chǎn)生。每種網(wǎng)絡(luò)行為持續(xù)進(jìn)行500秒。通過(guò)節(jié)點(diǎn)性能監(jiān)視器中的數(shù)據(jù)收集器，分別收集 4種行為所消耗的流量、CPU、內(nèi)存和磁盤(pán)這四個(gè)網(wǎng)絡(luò)資源指標(biāo)的數(shù)據(jù)，并對(duì)采集的數(shù)據(jù)進(jìn)行歸一化處理。

選取訓(xùn)練數(shù)據(jù)為500組，每組數(shù)據(jù)包括了網(wǎng)絡(luò)節(jié)點(diǎn)資源風(fēng)險(xiǎn)的數(shù)據(jù)指標(biāo)以及該指標(biāo)對(duì)應(yīng)的網(wǎng)絡(luò)節(jié)點(diǎn)資源風(fēng)險(xiǎn)等級(jí)。橫坐標(biāo)表示樣本個(gè)數(shù)，縱坐標(biāo)表示該樣本點(diǎn)對(duì)應(yīng)的網(wǎng)絡(luò)節(jié)點(diǎn)資源的風(fēng)險(xiǎn)等級(jí)，樣本數(shù)據(jù)如圖4所示。

為了達(dá)到較小的誤差，需要不斷對(duì)影響范圍、擠壓因子、接受率以及拒絕率四個(gè)參數(shù)進(jìn)行調(diào)整，進(jìn)過(guò)多次訓(xùn)練，將Ri設(shè)置為0.2，Sf設(shè)置為1.25，Ar設(shè)置為0.2，Rj設(shè)置為0.15。采用減法聚類(lèi)方法產(chǎn)生的ANFIS模型結(jié)構(gòu)，并且采用混合訓(xùn)練方法的訓(xùn)練誤差降低至0.008。訓(xùn)練完成后，隸屬度函數(shù)變化對(duì)比如圖5所示。

圖4 網(wǎng)絡(luò)節(jié)點(diǎn)資源樣本Fig.4 Network node resource samples

圖5 隸屬度函數(shù)Fig.5 Membership function

根據(jù)樣本數(shù)據(jù)的訓(xùn)練檢測(cè)結(jié)果可以看出，基于減法聚類(lèi)的 ANFIS模型可以較好的擬合采集的數(shù)據(jù)，其RMSE（均方根誤差）為 0.0345，樣本數(shù)據(jù)的檢測(cè)結(jié)果如圖6所示。實(shí)驗(yàn)中利用采集到區(qū)別于 500組訓(xùn)練數(shù)據(jù)的100組數(shù)據(jù)作為檢驗(yàn)數(shù)據(jù)，檢驗(yàn)該模型是否能夠切實(shí)有效的評(píng)估出網(wǎng)絡(luò)節(jié)點(diǎn)資源的風(fēng)險(xiǎn)情況，100組數(shù)據(jù)的驗(yàn)證結(jié)果如圖7所示。

圖6 樣本數(shù)據(jù)檢測(cè)結(jié)果Fig.6 Sample data test results

圖7 驗(yàn)證結(jié)果Fig.7 Validation results

根據(jù)圖7所示，橫坐標(biāo)表示驗(yàn)證的數(shù)據(jù)點(diǎn)的組數(shù)，縱坐標(biāo)表示數(shù)據(jù)點(diǎn)對(duì)應(yīng)的網(wǎng)絡(luò)節(jié)點(diǎn)資源存在的風(fēng)險(xiǎn)等級(jí)，從實(shí)驗(yàn)結(jié)果圖中，我們可以看出這兩條曲線具有較好的擬合結(jié)果，其RMSE（均方根誤差）為0.0044，。實(shí)驗(yàn)結(jié)果表明，基于減法聚類(lèi)的ANFIS網(wǎng)絡(luò)節(jié)點(diǎn)資源風(fēng)險(xiǎn)評(píng)估模型能夠有效的評(píng)估網(wǎng)絡(luò)節(jié)點(diǎn)資源風(fēng)險(xiǎn)等級(jí)。

4 結(jié)論

本文針對(duì)網(wǎng)絡(luò)節(jié)點(diǎn)資源風(fēng)險(xiǎn)評(píng)估應(yīng)用，提出了一種基于 SCM-ANFIS的網(wǎng)絡(luò)節(jié)點(diǎn)資源風(fēng)險(xiǎn)評(píng)估模型，采用減法聚類(lèi)算法生成的網(wǎng)絡(luò)結(jié)構(gòu)，相比于傳統(tǒng)的ANFIS模型，降低了模型的規(guī)則數(shù)目，簡(jiǎn)化了模型結(jié)構(gòu)，更加符合實(shí)際應(yīng)用場(chǎng)景。經(jīng)過(guò)仿真驗(yàn)證，網(wǎng)絡(luò)節(jié)點(diǎn)資源風(fēng)險(xiǎn)評(píng)估模型誤差在1%內(nèi)，實(shí)驗(yàn)結(jié)果表明基于 SCM-ANFIS的網(wǎng)絡(luò)節(jié)點(diǎn)資源風(fēng)險(xiǎn)評(píng)估模型能夠很好的評(píng)估網(wǎng)絡(luò)行為下的節(jié)點(diǎn)資源風(fēng)險(xiǎn)等級(jí)。因此，本方法具有較高的評(píng)估準(zhǔn)確度和較強(qiáng)的實(shí)用價(jià)值。

[1] 史志才. 網(wǎng)絡(luò)風(fēng)險(xiǎn)評(píng)估方法研究[J]. 計(jì)算機(jī)應(yīng)用, 1001-9081(2008)10-2471-03.Shi zhi-cai. Research on Methods of Network Risk Evaluation[J]. Computer Applications, 1001-9081 (2008) 10-2471-03.

[2] 吳金宇. 網(wǎng)絡(luò)安全風(fēng)險(xiǎn)評(píng)估關(guān)鍵技術(shù)研究[D]. 北京: 北京郵電大學(xué), 2013.Wu jinyu. research on key tochnologies of network security risk assessment[D]. Bei Jing: Beijing University of Posts and Telecommunications, 2013.

[3] 李林, 劉毅, 楊駿. 無(wú)線網(wǎng)絡(luò)安全風(fēng)險(xiǎn)評(píng)估方法的應(yīng)用研究[J]. 計(jì)算機(jī)仿真, 1006-9348(2011)09-0147-04.LI Lin, Liu Yi, Yang Jun. Application of Wireless Network Safety Risk Assessment[J]. Computer Simulation, 1006-9348 (2011)09-0147-04.

[4] 張樹(shù)偉, 劉文芬, 魏江宏. 基于博弈模型的網(wǎng)絡(luò)風(fēng)險(xiǎn)量化評(píng)估方法[J], 信息工程大學(xué)學(xué)報(bào). 1671-0673. 2014.ZHANG Shu-wei, LIU Wen-fen, WEI Jiang-hong. Network Security Risk Quantification Assessment Based On Game Model[J], Journal of Information Engineering University.1671-0673. 2014.

[5] 周湶, 孫威, 張昀, 等. 基于改進(jìn)型ANFIS的負(fù)荷密度指標(biāo)求取新方法[J]. 電力系統(tǒng)保護(hù)與控制. 1674-3415(2011)01-0029-06.Zhou Quan, Sun Wei, Zhang Yun, et al. A new method to obtain load density based on improved ANFIS[J]. Power System Protection and Control. 1674-3415(2011)01-0029-06.

[6] 李鵬程, 陳國(guó)華, 張力, 等. 基于ANFIS的人因失誤風(fēng)險(xiǎn)嚴(yán)重度識(shí)別[J]. 中國(guó)安全科學(xué)學(xué)報(bào). 1003-3033(2014)01-0072-06.LI Peng-cheng, CHEN Guo-hua, ZHANG Li, et al. An ANFIS-based approach to identifying criticality of human error risk. China Safety Science Journal. 1003-3033 (2014)01-0072-06.

[7] 陳安輝. 基于GA-ANFIS的股指預(yù)測(cè)研究[D]. 哈爾濱: 哈爾濱工業(yè)大學(xué), 2015.Chen Anhui. Prediction Research About Stock Index Based On GA-ANFIS[D]. Harbin: Harbin Institute of Technology, 2015.

[8] Ebru Akkaya. ANFIS based prediction model for biomass heating value using proximate analysis components[J]. Fuel,2016, 180.

[9] Faiza Belhachat, Cherif Larbes. Global Maximum Power Point Tracking Based on ANFIS Approach for PV Array Configurations under Partial Shading Conditions[J]. Renewable and Sustainable Energy Reviews, 2017.

[10] 吳陳, 陳冠洋. 基于ANFIS的溫濕度控制[J]. 電子設(shè)計(jì)工程, 1674-6236(2015)13-0086-04.Wu Chen, Chen Guanyang. Temperature and humidity control based on ANFIS[J]. Electronic Design Engineering,1674-6236(2015)13-0086-04.

[11] 葛建坤, 羅金耀, 李小平, 等. 基于ANFIS的溫室氣溫模糊控制仿真[J]. 農(nóng)業(yè)工程學(xué)報(bào), 2010, 26(8): 216-221.Ge Jiankun, Luo Jinyao, Li Xiaoping, et al. Simulation of fuzzy control for greenhouse temperature based on ANFIS[J].Transactions of the CSAE, 2010, 26(8): 216-221.

[12] Ebru Akkaya, et al. ANFIS based prediction model for biomass heating value using proximate analysis components[J].Fuel-Joural-Elsevier, 180(2016)687-693.

[13] 杜淑穎. 基于大型數(shù)據(jù)集的聚類(lèi)算法研究[J]. 軟件, 2016,37(01): 132-135.DU Shu-ying. The Research on Clustering Algorithm for Large Datasets[J]. SOFTWARE, 2016, 37(01): 132-135.

[14] Mohsen Motahari-Nezhad, Mohammad Sh. Mazidi. An Adaptive Neuro-Fuzzy Inference System (ANFIS) Model for Prediction of Thermal Contact Conductance between Exhaust Valve and its Seat[J]. Applied Thermal Engineering, 2016.

[15] Afshin Tatar, Ali Barati-Harooni, Adel Najafi-Marghmaleki,Behzad Norouzi-Farimani, Amir H Mohammadi. Predictive model based on ANFIS for estimation of thermal conductivity of carbon dioxide[J]. Journal of Molecular Liquids, 2016.

[16] Yongtao Tan, Chenyang Shuai, Liudan Jiao, Liyin Shen. An adaptive neuro-fuzzy inference system (ANFIS) approach for measuring country sustainability[J]. Environmental Impact Assessment Review, 2017, 65.

Network Node Resource Risk Assessment Based on SCM-ANFIS

LUO Kang, NIU Yan, LI Jun
(School of Computing, Hubei University of Technology, Wuhan, China)

With the gradual deepening of Internet applications, once the network paralysis will cause huge economic losses, and network security issues become the focus of attention. This paper presents a risk assessment model for network node resources using Adaptive Neuro Fuzzy Inference System (ANFIS). The network behavior is divided into normal behavior and attack behavior, through the network resources such as traffic, CPU, disk, memory resource share changes in the analysis of network node resource risk level, and get a better accuracy. The experimental results show that the Adaptive Neuro Fuzzy Inference System based on sub-clustering (SCM-ANFIS) is a kind of network node resource risk assessment model.

: ANFIS; Network security; Network behavior; Network risks

TP393

A

10.3969/j.issn.1003-6970.2017.10.018

本文著錄格式：羅康，鈕焱，李軍. 基于SCM-ANFIS的網(wǎng)絡(luò)節(jié)點(diǎn)資源風(fēng)險(xiǎn)評(píng)估[J]. 軟件，2017，38（10）：100-105

湖北省教育廳科學(xué)研究計(jì)劃資助項(xiàng)目(D2014403)

羅康(1992-)，男，湖北工業(yè)大學(xué)計(jì)算機(jī)學(xué)院碩士研究生，主要研究方向：網(wǎng)絡(luò)安全；鈕焱(1969-)，男，湖北武漢人，湖北工業(yè)大學(xué)計(jì)算機(jī)學(xué)院教授，主要研究方向：網(wǎng)絡(luò)安全。

李軍(1976-)，男，湖北工業(yè)大學(xué)計(jì)算機(jī)學(xué)院副教授，主要研究方向：網(wǎng)絡(luò)安全。