常鎰恒 馬照瑞 李霞 鞏道福

摘? ?要：網(wǎng)絡(luò)安全態(tài)勢(shì)要素提取精度的高低直接影響著態(tài)勢(shì)感知系統(tǒng)的性能，針對(duì)在復(fù)雜異構(gòu)的網(wǎng)絡(luò)環(huán)境中網(wǎng)絡(luò)安全態(tài)勢(shì)要素提取困難的問(wèn)題，文章提出了一種基于概率神經(jīng)網(wǎng)絡(luò)的安全態(tài)勢(shì)要素提取方法。在該方法中，通過(guò)粗糙集對(duì)原始數(shù)據(jù)進(jìn)行屬性約簡(jiǎn)，刪除冗余屬性，然后，使用概率神經(jīng)網(wǎng)絡(luò)對(duì)約簡(jiǎn)后的數(shù)據(jù)集進(jìn)行分類訓(xùn)練。為驗(yàn)證該方法的有效性，使用NSL-KDD數(shù)據(jù)集對(duì)該要素提取方法進(jìn)行仿真測(cè)試。實(shí)驗(yàn)分析結(jié)果表明，該方法是一種有效、可行的態(tài)勢(shì)要素提取方法，與其傳統(tǒng)方法相比，該方法明顯地提高了網(wǎng)絡(luò)態(tài)勢(shì)要素提取的準(zhǔn)確性，為網(wǎng)絡(luò)安全態(tài)勢(shì)的評(píng)估和預(yù)測(cè)提供了有力的數(shù)據(jù)保障。

關(guān)鍵詞：態(tài)勢(shì)感知;態(tài)勢(shì)要素提取;粗糙集;概率神經(jīng)網(wǎng)絡(luò)

中圖分類號(hào)： TP393.08? ? ? ? ? 文獻(xiàn)標(biāo)識(shí)碼：A

1 引言

隨著網(wǎng)絡(luò)規(guī)模的擴(kuò)大，網(wǎng)絡(luò)新應(yīng)用的出現(xiàn)，網(wǎng)絡(luò)空間安全形勢(shì)不容樂(lè)觀，網(wǎng)絡(luò)安全態(tài)勢(shì)感知技術(shù)是當(dāng)下信息安全領(lǐng)域研究的熱點(diǎn)。網(wǎng)絡(luò)安全態(tài)勢(shì)感知能夠從大量且存在噪聲的數(shù)據(jù)中辨識(shí)出網(wǎng)絡(luò)中的攻擊行為，從而融合這些信息對(duì)網(wǎng)絡(luò)的安全態(tài)勢(shì)進(jìn)行實(shí)時(shí)的評(píng)估和監(jiān)控，以達(dá)到對(duì)網(wǎng)絡(luò)狀態(tài)的整體把控。態(tài)勢(shì)感知系統(tǒng)由三部分組成，分別是態(tài)勢(shì)要素提取、態(tài)勢(shì)評(píng)估和態(tài)勢(shì)預(yù)測(cè)。

在網(wǎng)絡(luò)安全態(tài)勢(shì)感知中，態(tài)勢(shì)要素提取是指在大規(guī)模網(wǎng)絡(luò)環(huán)境中采用基于大數(shù)據(jù)的關(guān)聯(lián)歸并和深度挖掘等技術(shù)手段，結(jié)合協(xié)議還原識(shí)別、靜態(tài)特征匹配、動(dòng)態(tài)行為分析、異常行為挖掘等檢測(cè)方法，從離散的、孤立的數(shù)據(jù)中探測(cè)發(fā)現(xiàn)潛在的安全威脅。態(tài)勢(shì)要素提取一般分為三步，分別是數(shù)據(jù)獲取、數(shù)據(jù)預(yù)處理和數(shù)據(jù)分類。數(shù)據(jù)獲取主要是通過(guò)傳感器、嗅探器采集網(wǎng)絡(luò)中的流量信息、日志信息等安全相關(guān)的數(shù)據(jù)，數(shù)據(jù)預(yù)處理是通過(guò)屬性約簡(jiǎn)算法對(duì)數(shù)據(jù)進(jìn)行約簡(jiǎn)，刪除冗余。常見(jiàn)的屬性約簡(jiǎn)算法有主成分分析法[1]、奇異值分解法[2]和粗糙集[3]。數(shù)據(jù)分類是指使用分類器把約簡(jiǎn)后的數(shù)據(jù)集進(jìn)行分類訓(xùn)練，從而實(shí)現(xiàn)態(tài)勢(shì)要素的分類提取。常見(jiàn)的分類算法有決策樹(shù)[4]、貝葉斯[5]、人工神經(jīng)網(wǎng)絡(luò)[6]、支持向量機(jī)[7]和基于關(guān)聯(lián)規(guī)則[8]的分類等。

隨著對(duì)網(wǎng)絡(luò)安全態(tài)勢(shì)要素提取技術(shù)的不斷深入研究，科研人員開(kāi)始把一些新興技術(shù)引入到態(tài)勢(shì)感知中。TimBass[9]把數(shù)據(jù)挖掘技術(shù)引入到基于多傳感器數(shù)據(jù)融合的網(wǎng)絡(luò)安全態(tài)勢(shì)感知框架中，運(yùn)用數(shù)據(jù)挖掘中的聚類、關(guān)聯(lián)、統(tǒng)計(jì)分析等技術(shù)對(duì)網(wǎng)絡(luò)安全態(tài)勢(shì)要素進(jìn)行提取。L等人[10]主要是對(duì)網(wǎng)絡(luò)的脆弱性信息進(jìn)行采集，將可信漏報(bào)、可信誤報(bào)、漏報(bào)率、誤報(bào)率等指標(biāo)作為漏洞掃描的度量指標(biāo)。除此之外，國(guó)外大量機(jī)構(gòu)也投入到網(wǎng)絡(luò)態(tài)勢(shì)要素提取的研究中，如美國(guó)勞倫斯伯克利國(guó)家實(shí)驗(yàn)室開(kāi)發(fā)的“Spinning Cube of Potential Doom”系統(tǒng)[11]，卡內(nèi)基梅隆大學(xué)開(kāi)發(fā)的SILK[12]系統(tǒng)等。

國(guó)內(nèi)學(xué)者則是從全方面，多角度，多層次對(duì)網(wǎng)絡(luò)安全態(tài)勢(shì)進(jìn)行提取。戚犇等人[13]提出了基于信息增益的改進(jìn)樸素貝葉斯分類約簡(jiǎn)方法，通過(guò)信息增益設(shè)置權(quán)值，獲取關(guān)聯(lián)性強(qiáng)的態(tài)勢(shì)因子，并且在傳統(tǒng)的樸素貝葉斯模型上加入調(diào)控因子θ，通過(guò)選取適當(dāng)?shù)摩戎祦?lái)提高分類的精確度。賴積保、王慧強(qiáng)[14]等人提出了基于相異度計(jì)算和指數(shù)加權(quán)DS證據(jù)理論的網(wǎng)絡(luò)安全態(tài)勢(shì)要素提取方法，該方法不僅考慮到各安全設(shè)備之間的互補(bǔ)性， 而且能夠有效地提取網(wǎng)絡(luò)中的態(tài)勢(shì)要素。

上述方法在推進(jìn)態(tài)勢(shì)要素提取的研究中具有重要的作用，不足之處就是具有較強(qiáng)的主觀性，需要大量的先驗(yàn)知識(shí)，而在復(fù)雜的網(wǎng)絡(luò)環(huán)境中獲取先驗(yàn)知識(shí)是比較困難的，因此，本文提出了基于粗糙集的概率神經(jīng)網(wǎng)絡(luò)安全態(tài)勢(shì)要素提取方法。通過(guò)粗糙集對(duì)獲取到的原始數(shù)據(jù)集進(jìn)行約簡(jiǎn)，刪除冗余的屬性，降低冗余度，然后，使用概率神經(jīng)網(wǎng)絡(luò)分類器對(duì)約簡(jiǎn)后的數(shù)據(jù)集進(jìn)行分類訓(xùn)練，從而實(shí)現(xiàn)了對(duì)網(wǎng)絡(luò)安全態(tài)勢(shì)要素的高效提取。

2 粗糙集基本理論

粗糙集（Rough Set，RS）理論是一種數(shù)據(jù)分析處理理論，它能夠在不影響最終決策分類結(jié)果的情況下，對(duì)數(shù)據(jù)集的屬性進(jìn)行約簡(jiǎn)。RS的主要思想是利用已知的知識(shí)庫(kù)，將不精確或不確定的知識(shí)用已知的知識(shí)庫(kù)中的知識(shí)來(lái)（近似）刻畫(huà)。

2.1 知識(shí)的表示

給定信息系統(tǒng)（U、Q、V、f），U是對(duì)象集合，也就是態(tài)勢(shì)要素集合，Q是屬性集合，V是所有屬性的值域，f表示一種映射，反應(yīng)對(duì)象集合之間的值，將對(duì)象屬性映射到它的值域。當(dāng)信息系統(tǒng)中的屬性集Q能分為條件屬性集C和決策屬性集D，即有C∪D=Q且C∩D=，則該信息系統(tǒng)稱為決策表。

2.2 不可分辨關(guān)系

在給定的論域U上，任意選擇一個(gè)等價(jià)關(guān)系集R和R的子集，且，則P中所有等價(jià)關(guān)系的交集依然是論域U中的等價(jià)關(guān)系，稱該等價(jià)關(guān)系為P的不可分辨關(guān)系，記作IND（P）。

2.3 集合的上下近似

上近似包含了所有那些可能是屬于X的元素，下近似包含了所有使用知識(shí)R可確切分類到X的元素。在給定的知識(shí)庫(kù)K=中，任意選擇集合，可以定于X關(guān)于知識(shí)R的上下近似：

2.4系統(tǒng)參數(shù)的重要度

在給定的知識(shí)庫(kù)K=上，存在著R∈IND（K），可以用于說(shuō)明系統(tǒng)的特征，稱之為系統(tǒng)參數(shù)。對(duì)于任意集合，我們可以得到X相對(duì)于這個(gè)系統(tǒng)參數(shù)R所提供的信息的數(shù)量的多少，稱這個(gè)數(shù)量為X的重要度：

隨著X相對(duì)于R的重要度的增加，使用集合X表示系統(tǒng)參數(shù)R的程度也會(huì)增加。

2.5 知識(shí)的依賴度

在給定的知識(shí)庫(kù)K=中，，定義γp（Q）為知識(shí)Q對(duì)于知識(shí)P的依賴程度。POSp（Q）即Q的P的正域，其中包含了論域U的信息中能夠按照P進(jìn)行分類后能夠被唯一的劃分到Q的等價(jià)類中的那一部分：

顯然，0≤k≤1，k的數(shù)值大小反映了知識(shí)R對(duì)知識(shí)Q的依賴程度。

3 概率神經(jīng)網(wǎng)絡(luò)

概率神經(jīng)網(wǎng)絡(luò)（PNN）是一種前饋型并行算法的神經(jīng)網(wǎng)絡(luò)，它采用指數(shù)函數(shù)來(lái)代替S形激活函數(shù)，可以計(jì)算出接近于貝葉斯最佳判定面的非線性判別邊界。PNN的優(yōu)勢(shì)在于可以把非線性學(xué)習(xí)算法轉(zhuǎn)換成線性學(xué)習(xí)算法來(lái)處理問(wèn)題，同時(shí)保證非線性算法的高精度等特性。

概率神經(jīng)網(wǎng)絡(luò)包括輸入層、隱含層、求和層以及輸出層，其結(jié)構(gòu)如圖1所示。

第一層為輸入層，輸入測(cè)試樣本值，并將接收的數(shù)據(jù)傳遞給隱含層，其神經(jīng)元個(gè)數(shù)等于樣本的特征維度。第二層隱含層是徑向基層，每一個(gè)隱含層的神經(jīng)元節(jié)點(diǎn)擁有一個(gè)中心，該層接收輸入層的樣本輸入，計(jì)算輸入向量與中心的距離，最后返回一個(gè)標(biāo)量值，神經(jīng)元個(gè)數(shù)等于輸入訓(xùn)練樣本個(gè)數(shù)。向量x輸入到隱含層，隱含層中第i類模式的第j神經(jīng)元所確定的輸入/輸出關(guān)系由下式定義：

i=1，2，…M，M為訓(xùn)練樣本的總數(shù)類。D為樣本空間數(shù)據(jù)的維數(shù)，xij為第i類樣本的第j個(gè)中心。求和層把隱含層中屬于同一類的隱含神經(jīng)元的輸出做加權(quán)平均：

vi表示第i類類別的輸出，L表示第i類的神經(jīng)元個(gè)數(shù)。求和層的神經(jīng)元個(gè)數(shù)等于類別數(shù)M。

輸出層取求和層中最大的一個(gè)作為輸出的類別：

在實(shí)際計(jì)算中，輸入層的向量先與加權(quán)系數(shù)相乘，再輸入到徑向基函數(shù)中進(jìn)行計(jì)算：

x和ω均為單位長(zhǎng)度，對(duì)結(jié)果進(jìn)行徑向基運(yùn)算，為平滑因子，值與分類精度相關(guān)。求和層中的神經(jīng)元只與隱含層中對(duì)應(yīng)類別的神經(jīng)元有連接，所以求和層的輸出與各類基于內(nèi)核的概率密度的估計(jì)成比例，通過(guò)輸出層的歸一化處理，就能得到各類的概率估計(jì)。網(wǎng)絡(luò)的輸出層由競(jìng)爭(zhēng)神經(jīng)元構(gòu)成，神經(jīng)元個(gè)數(shù)與求和層相同，它接收求和層的輸出，做簡(jiǎn)單的閾值辨別，在所有的輸出層神經(jīng)元中后驗(yàn)概率密度最大的神經(jīng)元輸出為1，其余神經(jīng)元輸出為0。

4 基于概率神經(jīng)網(wǎng)絡(luò)的安全態(tài)勢(shì)要素提取

網(wǎng)絡(luò)中的態(tài)勢(shì)要素主要分為兩大類：靜態(tài)數(shù)據(jù)和動(dòng)態(tài)數(shù)據(jù)。靜態(tài)數(shù)據(jù)主要包括主機(jī)信息、網(wǎng)絡(luò)信息和IDS信息等，動(dòng)態(tài)數(shù)據(jù)主要包括活動(dòng)信息、行為信息、脆弱性信息、攻擊信息和感知結(jié)果信息等，其中攻擊要素對(duì)網(wǎng)絡(luò)安全態(tài)勢(shì)研究來(lái)說(shuō)較為重要。這些數(shù)據(jù)信息主要是通過(guò)各種傳感器在不同設(shè)備層進(jìn)行數(shù)據(jù)采集，如漏洞掃描記錄、SNMP數(shù)據(jù)、日志類數(shù)據(jù)、NetFlow數(shù)據(jù)分析記錄等。將這些異構(gòu)傳感器采集的數(shù)據(jù)信息通過(guò)RS對(duì)其進(jìn)行預(yù)處理，主要是對(duì)原始數(shù)據(jù)進(jìn)行屬性約簡(jiǎn)，刪除冗余數(shù)據(jù)以及重要屬性低的數(shù)據(jù)，過(guò)程如圖2所示。

屬性的重要程度對(duì)分類結(jié)果也會(huì)有影響，使用分類器對(duì)原始態(tài)勢(shì)要素?cái)?shù)據(jù)進(jìn)行提取，不僅分類精度低而且分類效率也不高。因此，要先使用屬性約簡(jiǎn)算法對(duì)原始態(tài)勢(shì)要素?cái)?shù)據(jù)進(jìn)行預(yù)處理，刪除冗余以及重要屬性低的數(shù)據(jù)，這將大大提高分類精度和分類效率。本文提出的基于粗糙集的概率神經(jīng)網(wǎng)絡(luò)態(tài)勢(shì)要素提取方法如圖3所示。

本文提出的基于粗糙集的概率神經(jīng)網(wǎng)絡(luò)態(tài)勢(shì)要素提取方法的具體流程分為四步驟：

步驟一：對(duì)原始態(tài)勢(shì)數(shù)據(jù)進(jìn)行預(yù)處理，獲得態(tài)勢(shì)要素決策表;

步驟二：通過(guò)粗糙集對(duì)數(shù)據(jù)進(jìn)行約簡(jiǎn)，獲得優(yōu)化后的態(tài)勢(shì)要素子集;

步驟三：使用概率神經(jīng)網(wǎng)絡(luò)分類器對(duì)優(yōu)化后的態(tài)勢(shì)要素子集進(jìn)行分類訓(xùn)練，得到PNN強(qiáng)分類器;

步驟四：測(cè)試結(jié)果。

5 實(shí)驗(yàn)與分析

5.1 實(shí)驗(yàn)數(shù)據(jù)

本文實(shí)驗(yàn)選自的數(shù)據(jù)集是NSL-KDD測(cè)試數(shù)據(jù)集，它是目前眾多公開(kāi)數(shù)據(jù)集中公認(rèn)的較為權(quán)威的入侵檢測(cè)數(shù)據(jù)集，NSL-KDD數(shù)據(jù)集是KDD 99數(shù)據(jù)集的子集，對(duì)KDD 99數(shù)據(jù)集做了精簡(jiǎn)處理，它刪除了KDD 99數(shù)據(jù)集中的冗余數(shù)據(jù)記錄。NSL-KDD數(shù)據(jù)集包含了41個(gè)特征屬性和1個(gè)標(biāo)簽屬性，標(biāo)簽屬性分為Probe、DoS、U2R、R2L和Normal五種類型，其中前四種為異常數(shù)據(jù)類型，最后一種為正常數(shù)據(jù)類型。表1展示了本文實(shí)驗(yàn)中不同攻擊在訓(xùn)練集和測(cè)試集上的分布情況。

5.2 實(shí)驗(yàn)分析

NSL-KDD數(shù)據(jù)集中的數(shù)據(jù)是網(wǎng)絡(luò)中的真實(shí)數(shù)據(jù)，數(shù)據(jù)類型比較繁雜且大部分都是連續(xù)的，因此在實(shí)驗(yàn)前需要對(duì)NSL-KDD數(shù)據(jù)集進(jìn)行預(yù)處理，把連續(xù)的數(shù)據(jù)離散化。將預(yù)處理后的數(shù)據(jù)分別導(dǎo)入傳統(tǒng)的PNN模型和本實(shí)驗(yàn)改進(jìn)的基于RS的PNN分類模型，表2展示了對(duì)NSL-KDD數(shù)據(jù)集進(jìn)行檢測(cè)的分類效果對(duì)比結(jié)果。

從實(shí)驗(yàn)中可以看出，本文改進(jìn)的概率神經(jīng)網(wǎng)絡(luò)模型分類的準(zhǔn)確性均高于傳統(tǒng)的概率神經(jīng)網(wǎng)絡(luò)模型，在一定程度上提高了數(shù)據(jù)分類的精確度。根據(jù)本文實(shí)驗(yàn)的結(jié)果表明，本文提出的基于RS的PNN分類模型與傳統(tǒng)的PNN模型相比，有效提高了網(wǎng)絡(luò)安全態(tài)勢(shì)要素提取的準(zhǔn)確性，實(shí)現(xiàn)了網(wǎng)絡(luò)安全態(tài)勢(shì)要素的高效提取。

6 結(jié)束語(yǔ)

本文將粗糙集（RS）理論與概率神經(jīng)網(wǎng)絡(luò)相結(jié)合，提出了一種基于RS的概率神經(jīng)網(wǎng)絡(luò)態(tài)勢(shì)要素提取的分類模型，先是通過(guò)RS對(duì)態(tài)勢(shì)要素集合進(jìn)行預(yù)處理，刪除冗余的態(tài)勢(shì)要素，降低數(shù)據(jù)集的冗余度，然后對(duì)約簡(jiǎn)后的態(tài)勢(shì)要素?cái)?shù)據(jù)集使用概率神經(jīng)網(wǎng)絡(luò)進(jìn)行分類訓(xùn)練，從而實(shí)現(xiàn)了對(duì)態(tài)勢(shì)要素的高效精確提取，為后面網(wǎng)絡(luò)態(tài)勢(shì)的評(píng)估和預(yù)測(cè)提供了有效的數(shù)據(jù)支撐。實(shí)驗(yàn)研究的結(jié)果表明，本文提出的基于RS的概率神經(jīng)網(wǎng)絡(luò)分類模型與傳統(tǒng)的概率神經(jīng)網(wǎng)絡(luò)模型相比，有效地提高了網(wǎng)絡(luò)安全態(tài)勢(shì)要素提取的速度和準(zhǔn)確性，實(shí)現(xiàn)了網(wǎng)絡(luò)安全態(tài)勢(shì)要素的高效提取。但是，這種提取算法還有進(jìn)一步完善和優(yōu)化的發(fā)展空間，就是著重于提高算法的運(yùn)行效率。因此，算法的運(yùn)行效率將是下一步學(xué)術(shù)研究工作的重點(diǎn)。

基金項(xiàng)目：

1.國(guó)家自然科學(xué)基金項(xiàng)目（項(xiàng)目編號(hào)：61302159）;

2.國(guó)家自然科學(xué)基金項(xiàng)目（項(xiàng)目編號(hào)：61379151）;

3.國(guó)家自然科學(xué)基金項(xiàng)目（項(xiàng)目編號(hào)：61272489）;

4.國(guó)家自然科學(xué)基金項(xiàng)目（項(xiàng)目編號(hào)：61602508）;

5.國(guó)家自然科學(xué)基金項(xiàng)目（項(xiàng)目編號(hào)：61772549）;

6.國(guó)家自然科學(xué)基金聯(lián)合重點(diǎn)項(xiàng)目（項(xiàng)目編號(hào)：U1804263）。

參考文獻(xiàn)

[1] Jolliffe I T， Cadima J. Principal component analysis： a review and recent developments[J]. Philosophical Transactions of the Royal Society A： Mathematical， Physical and Engineering Sciences， 2016， 374（2065）： 20150202.

[2] Li H， Kluger Y， Tygert M. Randomized algorithms for distributed computation of principal component analysis and singular value decomposition[J]. Advances in Computational Mathematics， 2018， 44（5）： 1651-1672.

[3] Mac Parthalain N， Jensen R， Diao R. Fuzzy-rough set bireducts for data reduction[J]. IEEE Transactions on Fuzzy Systems， 2019.

[4] Kotsiantis S B. Decision trees： a recent overview[J]. Artificial Intelligence Review， 2013， 39（4）： 261-283.

[5] Mihaljevi? B， Bielza C， Larra?aga P. bnclassify： Learning Bayesian Network Classifiers[J]. 2019.

[6] Walczak S. Artificial neural networks[M]//Advanced Methodologies and Technologies in Artificial Intelligence， Computer Simulation， and Human-Computer Interaction. IGI Global， 2019： 40-53.

[7] Cortes C， Vapnik V. Support-vector networks[J]. Machine learning， 1995， 20（3）： 273-297.

[8] Kotsiantis S， Kanellopoulos D. Association rules mining： A recent overview[J]. GESTS International Transactions on Computer Science and Engineering， 2006， 32（1）： 71-82.

[9] Bass T. Intrusion detection systems and multisensor data fusion[J]. Communications of the ACM， 2000， 43（4）： 99-105.

[10] Loh P K K， Subramanian D. Fuzzy classification metrics for scanner assessment and vulnerability reporting[J]. IEEE Transactions on Information Forensics and security， 2010， 5（4）： 613-624.

[11] Lau S. The spinning cube of potential doom[J]. Communications of the ACM， 2004， 47（6）： 25-26.

[12] Householder A D， Seacord R C. A Structured Approach to Classifying Security Vulnerabilities[J]. paper， CMU/SEI-2005-TN-003， 2005.

[13] 戚犇，王夢(mèng)迪.基于信息增益的貝葉斯態(tài)勢(shì)要素提取[J].信息網(wǎng)絡(luò)安全，2017（09）：54-57.

[14] 賴積保，王慧強(qiáng)，鄭逢斌，馮光升.基于DSimC和EWDS的網(wǎng)絡(luò)安全態(tài)勢(shì)要素提取方法[J].計(jì)算機(jī)科學(xué)，2010，37（11）：64-69+77.

作者簡(jiǎn)介：

常鎰恒（1995-），男，漢族，河南洛陽(yáng)人，鄭州輕工業(yè)大學(xué)，碩士;主要研究方向和關(guān)注領(lǐng)域：網(wǎng)絡(luò)安全態(tài)勢(shì)感知。

馬照瑞（1978-），男，漢族，河南輝縣人，解放軍信息工程大學(xué)，博士，鄭州輕工業(yè)大學(xué)，高級(jí)工程師;主要研究方向和關(guān)注領(lǐng)域：網(wǎng)絡(luò)安全、人工智能。

李霞（1962-），女，漢族，河南濟(jì)源人，華中科技大學(xué)，碩士，鄭州輕工業(yè)大學(xué)，教授;主要研究方向和關(guān)注領(lǐng)域：計(jì)算機(jī)網(wǎng)絡(luò)、教育大數(shù)據(jù)。

鞏道福（1984-），男，漢族，山東淄博人，解放軍信息工程大學(xué)，博士，中國(guó)人民解放軍戰(zhàn)略支援部隊(duì)信息工程大學(xué)，講師;主要研究方向和關(guān)注領(lǐng)域：網(wǎng)絡(luò)態(tài)勢(shì)感知。