胡俊荷　李芯蕊　馬雙斌

摘 要：網(wǎng)絡(luò)態(tài)勢(shì)值是衡量網(wǎng)絡(luò)安全的重要指標(biāo)，其值的高低直接影響網(wǎng)絡(luò)安全的優(yōu)劣。能夠有效地建立起網(wǎng)絡(luò)態(tài)勢(shì)預(yù)測(cè)模型，其意義對(duì)于預(yù)防網(wǎng)絡(luò)安全事件的發(fā)生以及網(wǎng)絡(luò)安全防護(hù)來(lái)講非同尋常。通過(guò)對(duì)網(wǎng)絡(luò)態(tài)勢(shì)的理解和分析，可知影響網(wǎng)絡(luò)態(tài)勢(shì)的因素很多且關(guān)系比較復(fù)雜，難以建立較為準(zhǔn)確的數(shù)學(xué)表達(dá)式來(lái)描述網(wǎng)絡(luò)態(tài)勢(shì)。因此，文章采用改進(jìn)的粒子群算法優(yōu)化支持向量回歸機(jī)模型的參數(shù)，構(gòu)建起網(wǎng)絡(luò)態(tài)勢(shì)與影響因素兩者中的非線性映射關(guān)系，提出一種多種群的混沌粒子優(yōu)化算法，建立MSCPO-SVR網(wǎng)絡(luò)態(tài)勢(shì)預(yù)測(cè)模型，并得出預(yù)測(cè)結(jié)果。最后，通過(guò)與BP神經(jīng)網(wǎng)絡(luò)和SVR預(yù)測(cè)模型進(jìn)行對(duì)比，驗(yàn)證MSCPO-SVR預(yù)測(cè)模型的預(yù)測(cè)值與真實(shí)值的擬合性比較強(qiáng)。

關(guān)鍵詞：計(jì)劃行為理論；涉密人員；保密行為；保密行為意向

中圖分類號(hào)：TP 309；TP 393 文獻(xiàn)標(biāo)識(shí)碼：A

Abstract： The Network trend value is an important index of network security， and it affects the merits of Network security directly. Its significant to effectively establish the Network Security Situation Prediction Model （NSSP） for the precaution of network intrusion and protection of the network. Through the comprehension and analysis of network security situation， we know there are many factors that can affect the security situation of network and the relationship between them are very complex. Therefore its difficult for us to describe the net security situation in a specific mathematical formula. Under these circumstances， in this essay， an improved particle swarm optimization is used to optimize the parameters of the Support Vector Regression Model， and constructs a non-linear mapping relation between the network situation and the influencing factors. We also proposes a multi-population chaotic particle optimization algorithm， establishes the MSCPO-SVR network trend prediction model and obtains the predicted result. Finally， by comparing the MSCPO-SVR prediction model with BP neural network and SVR prediction model， we prove that the prediction value of MSCPO-SVR prediction model is more fitted with the real value.

Key words： situation prediction； particle swarm optimization algorithm； support vector regression； prediction model

1 引言

“互聯(lián)網(wǎng)+”的提出，使很多行業(yè)與互聯(lián)網(wǎng)進(jìn)行融合，網(wǎng)絡(luò)成為了人們?nèi)粘Ｉ钪忻懿豢煞值囊徊糠帧ｋS著其規(guī)模日益壯大，網(wǎng)絡(luò)已經(jīng)普遍應(yīng)用于各個(gè)領(lǐng)域?，F(xiàn)在攻擊者不僅對(duì)各種網(wǎng)絡(luò)數(shù)據(jù)的竊取，而且也開(kāi)始對(duì)一些關(guān)鍵性基礎(chǔ)設(shè)施、政府、金融機(jī)構(gòu)和能源行業(yè)等進(jìn)行攻擊，給社會(huì)和國(guó)家?guī)?lái)了一定的影響。

張偉麗[1]分析了我國(guó)等級(jí)保護(hù)存在的問(wèn)題，并提出了進(jìn)一步做好信息安全等級(jí)保護(hù)工作的建議；李連等[2]分析了云計(jì)算的基本特征及面臨的安全問(wèn)題，總結(jié)了目前國(guó)際上關(guān)于云計(jì)算安全問(wèn)題的研究現(xiàn)狀，討論了云計(jì)算安全技術(shù)框架和關(guān)鍵技術(shù)；施超[3]從計(jì)算機(jī)網(wǎng)絡(luò)信息管理內(nèi)容的分類、計(jì)算機(jī)網(wǎng)絡(luò)信息管理工作中的安全問(wèn)題分析以及計(jì)算機(jī)網(wǎng)絡(luò)信息安全防護(hù)策略分析這三個(gè)方面入手，對(duì)網(wǎng)絡(luò)信息管理進(jìn)行了較為詳細(xì)的分析與闡述，并據(jù)此論證了做好這一工作在進(jìn)一步提升計(jì)算機(jī)網(wǎng)絡(luò)信息管理質(zhì)量與管理效率的過(guò)程中所起到的至關(guān)重要的作用與意義；楊家興[4]對(duì)新時(shí)期的計(jì)算網(wǎng)絡(luò)通信的現(xiàn)狀和問(wèn)題進(jìn)行分析，從而提出發(fā)展的策略并研究計(jì)算機(jī)網(wǎng)絡(luò)通信的發(fā)展趨勢(shì)。

但是，以往傳統(tǒng)的網(wǎng)絡(luò)安全保護(hù)技術(shù)最多只可以描述過(guò)去和當(dāng)前的網(wǎng)絡(luò)安全態(tài)勢(shì)，都無(wú)法預(yù)測(cè)出未來(lái)的網(wǎng)絡(luò)安全態(tài)勢(shì)[5]。而本文提出的網(wǎng)絡(luò)態(tài)勢(shì)預(yù)測(cè)模型能通過(guò)模型本身的算法將影響因素與網(wǎng)絡(luò)態(tài)勢(shì)建立復(fù)雜的聯(lián)系，還可以對(duì)未來(lái)的網(wǎng)絡(luò)安全態(tài)勢(shì)進(jìn)行預(yù)測(cè)分析，使網(wǎng)絡(luò)安全的管理從被動(dòng)變?yōu)橹鲃?dòng)，預(yù)防網(wǎng)絡(luò)安全事件的發(fā)生，降低網(wǎng)絡(luò)安全隱患給人們帶來(lái)不必要的損失。

本文對(duì)國(guó)家互聯(lián)網(wǎng)應(yīng)急中心每周在網(wǎng)站上公布的態(tài)勢(shì)報(bào)告進(jìn)行分析，并對(duì)2013年第4期至2016年第37期的態(tài)勢(shì)報(bào)告進(jìn)行統(tǒng)計(jì)，確定了樣本數(shù)據(jù)集[6]。

通過(guò)研究支持向量回歸機(jī)，將多種群混沌粒子優(yōu)化算法（MSCPO）優(yōu)化支持向量機(jī)回歸機(jī)模型的參數(shù)，通過(guò)對(duì)樣本數(shù)據(jù)集進(jìn)行訓(xùn)練，建立MSCPO-SVR網(wǎng)絡(luò)態(tài)勢(shì)預(yù)測(cè)模型，并得出預(yù)測(cè)結(jié)果。

2 粒子群優(yōu)化算法及其改進(jìn)算法

設(shè)在一個(gè)維數(shù)為D的搜索空間中，有一個(gè)種群x=（x1，x2，…，xn）由n個(gè)粒子組成，其中D維空間中第i個(gè)粒子的位置用一個(gè)D維的向量xi=[xi1，xi2，…xiD]T表示出來(lái)，同時(shí)這也表示為問(wèn)題的一個(gè)潛在解。其中第i個(gè)粒子的速度為Vi=[Vi1，Vi2，…ViD]T，其粒子個(gè)體的極值為Pi=[Pi1，Pi2，…PiD]T，種群的全局極值為Pg=[Pg1，Pg2，…PgD]T。

粒子每進(jìn)行一次尋優(yōu)，都需要判斷個(gè)體極值和全局極值來(lái)更新自身的位置和速度，公式如下：

式中：k為當(dāng)前迭代次數(shù)；ω為慣性權(quán)重；d=1，2…，D；i=1，2…，n；Vid為粒子速度[7，8]；

非負(fù)常數(shù)C1、C2稱為加速度因子，取值一般根據(jù)實(shí)際情況確定；r1和r2為區(qū)間[0，1]之間的隨機(jī)數(shù)。

在算法運(yùn)行的過(guò)程中，可能會(huì)出現(xiàn)某個(gè)粒子發(fā)現(xiàn)了疑似最優(yōu)的位置，而使得其他粒子迅速向其靠攏，使得算法陷入局部最優(yōu)，早熟收斂的困境，從而導(dǎo)致算法無(wú)法在搜索空間中重新繼續(xù)搜索[9]。因此本文提出一種多種群混沌粒子優(yōu)化算法（Multi-Swarm Chaotic Particle Optimization，MSCPO）。該算法是利用混沌原理的隨機(jī)性，在初始階段對(duì)種群粒子進(jìn)行初始化，并將粒子分成三個(gè)種群，不同種群采用不同的更新策略，通過(guò)三個(gè)種群之間協(xié)同配合和實(shí)時(shí)信息共享，加快算法的收斂速度。通過(guò)種群適應(yīng)度方差這個(gè)指標(biāo)來(lái)判斷粒子是否陷入局部收斂，如果陷入則對(duì)其進(jìn)行混沌處理，幫助其逃離局部收斂點(diǎn)，從而提高算法的優(yōu)化性能。

MSCPO算法的具體步驟如下所示：

Step1.利用混沌原理的隨機(jī)性對(duì)種群進(jìn)行初始化。搜尋空間為[ld，ud]，

通過(guò)適應(yīng)度函數(shù)算出所有粒子的適應(yīng)度的值（Fitness Value），對(duì)其值進(jìn)行排序，取種群較優(yōu)的2/5粒子作為第一種群，慣性權(quán)重系數(shù)w取最小值0.4；取種群較差的1/5粒子作為第二種群，慣性權(quán)重系數(shù) 取最大值0.9；剩下種群中間2/5粒子為第三種群[10]。

Step2.對(duì)第一個(gè)和第二個(gè)種群采更新粒子的速度和位置；第三個(gè)種群采用本節(jié)的自適應(yīng)更新策略進(jìn)行更新。

Step3.通過(guò)適應(yīng)度函數(shù)算出所有粒子的適應(yīng)度的值，若其值優(yōu)于粒子所經(jīng)歷過(guò)的個(gè)體最優(yōu)位置PBesti，則將其值更新為PBesti。若其值優(yōu)于種群的全局最優(yōu)位置GBest，則將其值更新為GBest。

Step4.判斷否滿足結(jié)束條件，若滿足則輸出其值，不滿足則繼續(xù)執(zhí)行。

Step5.通過(guò)種群適應(yīng)度方差σ2的值來(lái)判斷粒子是否陷入局部收斂，如式（5）所示，若σ2小于設(shè)定的閾值，繼續(xù)執(zhí)行，否則跳轉(zhuǎn)到Step2

從而實(shí)現(xiàn)種群的混沌變異操作。

多種群混沌粒子優(yōu)化算法的流程圖如圖1所示。

3 支持向量機(jī)

支持向量機(jī)（Support Vector Machine，SVM）的主要思想是建立一個(gè)分類超平面作為決策曲面，從而使正反例之間的隔離邊緣最大化；支持向量機(jī)的理論基礎(chǔ)是結(jié)構(gòu)風(fēng)險(xiǎn)最小化的近似實(shí)現(xiàn)。這個(gè)原理基于泛化誤差率，即學(xué)習(xí)機(jī)器在測(cè)試數(shù)據(jù)上的誤差率，也就是以訓(xùn)練誤差率和一個(gè)依賴于VC（Vapnik-Chervonenkis dimension）的項(xiàng)的和為界，在可分模式情況下，其置前一項(xiàng)的值為零，并且使第二項(xiàng)的值最小化[11]。所以，支持向量機(jī)對(duì)于模式分類問(wèn)題上可以提供良好的泛化性能，這是它特有的屬性。支持向量機(jī)具有幾個(gè)優(yōu)點(diǎn)[12]：

通用性：能夠在很廣的各種函數(shù)集中構(gòu)造函數(shù)；

魯莽性：不需要微調(diào)；

有效性：在解決實(shí)際問(wèn)題中總是屬于最好的方法之一；

計(jì)算簡(jiǎn)單：方法的實(shí)現(xiàn)只需要簡(jiǎn)單的優(yōu)化技術(shù)；

理論上完善：基于VC推廣性理論的框架。

支持向量機(jī)的體系結(jié)構(gòu)如圖所示。

其中K為核函數(shù)，其種類主要有：

4 建立MSCPO-SVR預(yù)測(cè)模型

根據(jù)支持向量機(jī)的理論，確定偏離參數(shù) 、懲罰參數(shù)C和核函數(shù)參數(shù) 三個(gè)參數(shù)才能確定SVR的網(wǎng)絡(luò)態(tài)勢(shì)預(yù)測(cè)模型。設(shè)置合理的參數(shù)對(duì)支持向量回歸模型的泛化能力的優(yōu)劣具有重要作用，通過(guò)判斷模型算法誤差率的大小，可以判斷模型參數(shù)的取值是否最優(yōu)。

本節(jié)采用國(guó)家互聯(lián)網(wǎng)應(yīng)急中心網(wǎng)站上公布態(tài)勢(shì)報(bào)告，對(duì)2013年第4期至2016年第37期每期的態(tài)勢(shì)報(bào)告進(jìn)行統(tǒng)計(jì)，共統(tǒng)計(jì)190條樣本數(shù)據(jù)，其數(shù)據(jù)包括感染網(wǎng)絡(luò)病毒主機(jī)數(shù)量、被篡改的網(wǎng)站數(shù)量、被植入后門的網(wǎng)站總數(shù)、網(wǎng)站的仿冒頁(yè)面數(shù)量和新增信息安全漏洞數(shù)量五個(gè)安全事件指標(biāo)[13]?；緫B(tài)勢(shì)分為：優(yōu)、良、中、差、危。為了便于實(shí)驗(yàn)的進(jìn)行，需將其轉(zhuǎn)化為具體數(shù)字來(lái)看待，如表1所示。

將感染網(wǎng)絡(luò)病毒的主機(jī)數(shù)量（x1）、被篡改的網(wǎng)站數(shù)量（x2）、被植入后門的網(wǎng)站總數(shù)（x3）、網(wǎng)站的仿冒頁(yè)面數(shù)量（x4）和新增信息安全漏洞數(shù)量（x5）作為網(wǎng)絡(luò)態(tài)勢(shì)值的自變量，將網(wǎng)絡(luò)態(tài)勢(shì)值作為因變量。為了減小樣本數(shù)據(jù)不同量綱對(duì)結(jié)果引起不必要的誤差，需對(duì)樣本數(shù)據(jù)進(jìn)歸一化處理。利用MSCPO算法來(lái)優(yōu)化支持向量機(jī)的模型參數(shù)，對(duì)本文采用的樣本數(shù)據(jù)集對(duì)模型進(jìn)行測(cè)試，選擇較優(yōu)的偏離參數(shù)ε、懲罰參數(shù)C和核函數(shù)參數(shù)σ三個(gè)參數(shù)，建立MSCPO-SVR預(yù)測(cè)模型。

MSCPO算法的適應(yīng)度函數(shù)為支持向量回歸模型的均方差，如式（5）所示。

MSCPO-SVR預(yù)測(cè)模型的建立流程圖如圖3所示。

5 模型預(yù)測(cè)結(jié)果

取樣本數(shù)據(jù)的前180條數(shù)據(jù)作為訓(xùn)練集，后10條數(shù)據(jù)作為測(cè)試集。使用軟件MATLAB 2014b對(duì)上述模型進(jìn)行驗(yàn)證。MSCPO-SVR預(yù)測(cè)模型的結(jié)果如表2所示。

其預(yù)測(cè)值與真實(shí)值的進(jìn)行對(duì)比，如圖4所示。

由表2和圖4可知，對(duì)本文提出的MSCPO-SVR預(yù)測(cè)模型得出預(yù)測(cè)結(jié)果的絕對(duì)誤差均比較小，且預(yù)測(cè)值與真實(shí)值較為接近，擬合性較好。

為了驗(yàn)證本文提出的MSCPO-SVR預(yù)測(cè)模型的預(yù)測(cè)性能，將其與BP神經(jīng)網(wǎng)絡(luò)預(yù)測(cè)模型和SVR預(yù)測(cè)模型的預(yù)測(cè)結(jié)果進(jìn)行對(duì)比。其結(jié)果如表3所示。

使用平均絕對(duì)誤差MAE、平均相對(duì)誤差MAPE和平均平方根誤差RMSE這三個(gè)評(píng)價(jià)指標(biāo)來(lái)對(duì)比MSCPO-SVR預(yù)測(cè)模型、BP神經(jīng)網(wǎng)絡(luò)預(yù)測(cè)模型和SVR預(yù)測(cè)模型。三個(gè)預(yù)測(cè)模型預(yù)測(cè)結(jié)果的評(píng)價(jià)指標(biāo)值如表3所示。

6 結(jié)束語(yǔ)

本文采用MSCPO-SVR預(yù)測(cè)模型對(duì)網(wǎng)絡(luò)態(tài)勢(shì)進(jìn)行預(yù)測(cè)，得出的預(yù)測(cè)值與真實(shí)值的誤差比較小，具有較強(qiáng)的擬合性，通過(guò)與BP神經(jīng)網(wǎng)絡(luò)和SVR預(yù)測(cè)模型進(jìn)行對(duì)比，該模型預(yù)測(cè)值的評(píng)價(jià)指標(biāo)均比其它兩個(gè)預(yù)測(cè)模型低，可知該模型的預(yù)測(cè)效果比較好，且預(yù)測(cè)值與真實(shí)值的擬合性較高。

由實(shí)驗(yàn)表明，MSCPO-SVR預(yù)測(cè)模型可以較好地預(yù)測(cè)網(wǎng)絡(luò)態(tài)勢(shì)，取得了較好的效果，增強(qiáng)網(wǎng)絡(luò)安全防御的主動(dòng)性，降低網(wǎng)絡(luò)攻擊給人們帶來(lái)的損失，具有良好的實(shí)用性。

參考文獻(xiàn)

[1] 張偉麗.信息安全等級(jí)保護(hù)現(xiàn)狀淺析[J].網(wǎng)絡(luò)空間安全， 2014（9）：9-13.

[2] 李連，朱愛(ài)紅.云計(jì)算安全技術(shù)研究綜述[J].網(wǎng)絡(luò)空間安全， 2013， 4（5）：42-45.

[3] 施超.計(jì)算機(jī)網(wǎng)絡(luò)信息管理及其安全防護(hù)策略[J].網(wǎng)絡(luò)空間安全， 2012， 3（3）：8-10.

[4] 楊家興.新時(shí)期計(jì)算機(jī)網(wǎng)絡(luò)通信現(xiàn)狀及發(fā)展趨勢(shì)研究[J].網(wǎng)絡(luò)空間安全， 2013， 4（3）：6-7.

[5] 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(shì)感知[J].清華大學(xué)學(xué)報(bào)（自然科學(xué)版）， 2013（12）：1750-1760.

[6] 中國(guó)互聯(lián)網(wǎng)信息中心（CNNIC/CC）.第39次《中國(guó)互聯(lián)網(wǎng)絡(luò)發(fā)展?fàn)顩r統(tǒng)計(jì)報(bào)告》，http：//www.cnnic.net.cn.

[7] 高昆侖，劉建明，徐茹枝，等.基于支持向量機(jī)和粒子群算法的信息網(wǎng)絡(luò)安全態(tài)勢(shì)復(fù)合預(yù)測(cè)模型[J].電網(wǎng)技術(shù)， 2011（4）：176-182.

[8] 陳善學(xué)，楊政，朱江，等.一種基于累加PSO-SVM的網(wǎng)絡(luò)安全態(tài)勢(shì)預(yù)測(cè)模型[J].計(jì)算機(jī)應(yīng)用研究， 2015， 32（6）：1778-1781.

[9] Mohandes M A. Modeling global solar radiation using Particle Swarm Optimization （PSO）[J]. Solar Energy， 2012， 86（11）：3137-3145.

[10] Xue L， Cai J， Li J， et al. Application of Particle Swarm Optimization （PSO） Algorithm to Determine Dichlorvos Residue on the Surface of Navel Orange with Vis-NIR Spectroscopy[J]. Procedia Engineering， 2012， 29（4）：4124-4128.

[11] 王霞，王占岐，金貴，等.基于核函數(shù)支持向量回歸機(jī)的耕地面積預(yù)測(cè)[J].農(nóng)業(yè)工程學(xué)報(bào)， 2014， 30（4）：204-211.

[12] Sch C， Laptev I， Caputo B. Recognizing Human Actions： A Local SVM Approach[C]// International Conference on Pattern Recognition. IEEE， 2004：32-36 Vol.3.

[13] CNCERT.網(wǎng)絡(luò)安全基本態(tài)勢(shì)月報(bào)[J].2014（14）：68。

作者簡(jiǎn)介：

胡俊荷（1983-），女，漢族，甘肅蘭州人，甘肅省廣播電視學(xué)校，大專；主要研究方向和關(guān)注領(lǐng)域：計(jì)算機(jī)網(wǎng)絡(luò)。

李芯蕊（1982-），女，漢族，甘肅蘭州人，蘭州大學(xué)，本科；主要研究方向和關(guān)注領(lǐng)域：信息安全。

馬雙斌（1990-），女，漢族，甘肅平?jīng)鋈?，蘭州城市學(xué)院，本科；主要研究方向和關(guān)注領(lǐng)域：信息安全。