摘" 要： 針對(duì)當(dāng)前網(wǎng)絡(luò)安全態(tài)勢(shì)評(píng)估模型收斂速度慢、準(zhǔn)確度不高的問題，提出一種多策略融合改進(jìn)的蜣螂優(yōu)化（MIDBO）支持向量回歸機(jī)（SVR）的網(wǎng)絡(luò)安全態(tài)勢(shì)評(píng)估方法。利用混沌精英反向?qū)W習(xí)策略初始化蜣螂種群，提升種群多樣性和質(zhì)量；采用自適應(yīng)權(quán)重的黃金正弦策略對(duì)滾球蜣螂位置進(jìn)行更新，以平衡局部挖掘能力和全局搜索能力；引入Lévy飛行策略改進(jìn)偷竊蜣螂位置更新公式，提高算法跳出局部最優(yōu)能力；借鑒鯨魚優(yōu)化位置更新方法改進(jìn)繁殖、覓食行為，提高算法的收斂速度和尋優(yōu)精度。通過MIDBO優(yōu)化SVR，獲得最佳核函數(shù)參數(shù)和懲罰因子，構(gòu)建MIDBO?SVR網(wǎng)絡(luò)安全態(tài)勢(shì)評(píng)估模型。實(shí)驗(yàn)結(jié)果表明，MIDBO?SVR評(píng)估模型與APSO?SVR、DBO?SVR和SVR評(píng)估模型相比，具有更高的分類準(zhǔn)確率和運(yùn)行效率，綜合性能最優(yōu)。

關(guān)鍵詞： 網(wǎng)絡(luò)安全； 態(tài)勢(shì)評(píng)估； 多策略； DBO； 支持向量回歸機(jī)； 自適應(yīng)權(quán)重

中圖分類號(hào)： TN711?34" " " " " " " " " " " " " " " 文獻(xiàn)標(biāo)識(shí)碼： A" " " " " " " " " " "文章編號(hào)： 1004?373X（2025）05?0101?06

Network security situation assessment method based on MIDBO?SVR

CHEN Qiuqiong， XU Huazhi， XIONG Weinan， LIU Weili

（Department of Information System， PLA Dalian Naval Academy， Dalian 116018， China）

Abstract： The current network security situation assessment models have slow convergence speed and low accuracy， so a multi?strategy improved dung beetle optimization （MIDBO） algorithm is used to optimize the support vector regression （SVR） machine， and on the basis of the optimized SVR machine， a network security situation assessment model is established. The chaotic elite opposition?based learning （EOBL） strategy is used to initialize the dung beetle population， so as to enhance the diversity and quality of the population. A golden sine strategy with adaptive weight is adopted to update the position of the rolling dung beetle， so as to balance the local excavation ability and global search capability. The Lévy flight strategy is introduced to improve the position update formula of the thieving dung beetle， so as to enhance the algorithm′s ability to escape from local optima. The position update method of whale optimization is referenced to improve the reproduction and foraging behavior， so as to increase the convergence speed and improve optimization accuracy of the algorithm. The MIDBO is used to optimize SVR machine， so as to obtain the optimal kernel function parameters and penalty factors. On the basis of the above， a network security situation assessment model based on MIDBO?SVR is constructed. Experimental results show that the assessment model based on MIDBO?SVR has higher classification accuracy and operational efficiency in comparison with the assessment models based on APSO?SVR， DBO?SVR and SVR. To sum up， the proposed model has the optimal comprehensive performance.

Keywords： network security; situation assessment; multi?strategy; DBO; SVR machine; adaptive weight

0" 引" 言

隨著互聯(lián)網(wǎng)技術(shù)的飛速發(fā)展，網(wǎng)絡(luò)安全問題已經(jīng)成為全球范圍內(nèi)亟待解決的重要議題。面對(duì)日益嚴(yán)峻的網(wǎng)絡(luò)安全挑戰(zhàn)，研究和發(fā)展可靠的網(wǎng)絡(luò)安全防御策略至關(guān)重要。目前，已有學(xué)者對(duì)網(wǎng)絡(luò)安全防御做出相關(guān)研究。文獻(xiàn)[1]提出用模擬退火算法優(yōu)化麻雀搜索算法來改進(jìn)BP神經(jīng)網(wǎng)絡(luò)相關(guān)參數(shù)，用于構(gòu)建網(wǎng)絡(luò)安全態(tài)勢(shì)評(píng)估模型，結(jié)果表明該模型準(zhǔn)確性和收斂速度都有一定的提高。文獻(xiàn)[2]將卷積神經(jīng)網(wǎng)絡(luò)與長(zhǎng)短期記憶循環(huán)神經(jīng)網(wǎng)絡(luò)結(jié)合用于電力網(wǎng)絡(luò)的態(tài)勢(shì)感知。文獻(xiàn)[3]利用混沌粒子群優(yōu)化后的BP神經(jīng)網(wǎng)絡(luò)設(shè)計(jì)網(wǎng)絡(luò)安全風(fēng)險(xiǎn)評(píng)估系統(tǒng)，能夠較好發(fā)揮網(wǎng)絡(luò)安全評(píng)估的效果，評(píng)估的準(zhǔn)確率有一定的提高。但是由于人工神經(jīng)網(wǎng)絡(luò)算法自身存在不足，在實(shí)際應(yīng)用中會(huì)出現(xiàn)維數(shù)災(zāi)難、過擬合等問題4]。支持向量回歸機(jī)（Support Vactor Regression， SVR）是一種基于統(tǒng)計(jì)思想的學(xué)習(xí)方法，模型簡(jiǎn)單，能夠評(píng)定經(jīng)驗(yàn)風(fēng)險(xiǎn)和結(jié)構(gòu)風(fēng)險(xiǎn)，可有效解決小樣本、維數(shù)災(zāi)難等問題，已被成功應(yīng)用到網(wǎng)絡(luò)安全態(tài)勢(shì)評(píng)估模型[5]。但由于網(wǎng)絡(luò)安全態(tài)勢(shì)受眾多評(píng)估指標(biāo)因素的影響，多輸入的支持向量機(jī)使得態(tài)勢(shì)評(píng)估模型結(jié)構(gòu)復(fù)雜，模型效率低，且各指標(biāo)之間可能存在冗余。因此，選擇合理的核函數(shù)參數(shù)和懲罰因子是提高基于SVR的網(wǎng)絡(luò)安全態(tài)勢(shì)評(píng)估模型效率的關(guān)鍵。

本文提出MIDBO算法優(yōu)化SVR，通過結(jié)合不同的優(yōu)化策略，有效調(diào)整SVR的核函數(shù)參數(shù)以及懲罰因子，設(shè)計(jì)一種依托MIDBO?SVR網(wǎng)絡(luò)安全態(tài)勢(shì)評(píng)估模型，并通過對(duì)比實(shí)驗(yàn)驗(yàn)證了這一方法的精確度和有效性。

1" 基本理論

1.1" 支持向量回歸機(jī)

支持向量回歸機(jī)（SVR）是一種常用的模式分類方法，它可以借助核函數(shù)將低維線性不可分問題映射到高維特征空間，實(shí)現(xiàn)樣本值的分類[6]。SVR表達(dá)式如下：

[f（x）=i=1n（αi-α*i）K（xi， xj）+b] （1）

式中：[b]為超平面的截距；[αi]和[α*i]為拉格朗日乘子；[K（xi， xj）]表示核函數(shù)。對(duì)于態(tài)勢(shì)評(píng)估領(lǐng)域，通常選用如下函數(shù)作為核函數(shù)，其表達(dá)式為：

[K（xi， xj）=exp-σxi-xj2] （2）

核函數(shù)參數(shù)[σ]在SVR中起著至關(guān)重要的作用，其取值直接影響SVR的預(yù)測(cè)速度。同時(shí)，懲罰因子[C]的設(shè)定也對(duì)SVR的泛化能力具有決定性的影響。在模型構(gòu)建和優(yōu)化過程中，需要綜合考慮這兩個(gè)參數(shù)的作用，以平衡模型的預(yù)測(cè)速度和泛化能力。

1.2" 蜣螂優(yōu)化算法

蜣螂優(yōu)化（Dung Beetle Optimization， DBO）算法是一種新型群智能優(yōu)化算法[7]，受到蜣螂滾球、跳舞、繁殖、覓食和偷竊五類生活習(xí)性的啟發(fā)，對(duì)優(yōu)化問題進(jìn)行全局搜索和局部利用。

滾球蜣螂的位置會(huì)受光源強(qiáng)度的影響發(fā)生變化，位置更新規(guī)則如下：

[xt+1i=xti+a?k?xt-1i+b?xti-xtworst] （3）

式中：[xti]表示第[i]只蜣螂在第[t]次迭代時(shí)的位置；[k]為偏轉(zhuǎn)系數(shù)；[a]取-1或1；[b]∈（0，1）。

蜣螂前進(jìn)過程中遇到障礙物時(shí)，會(huì)通過跳舞重新確定新的路線，位置更新規(guī)則如下：

[xt+1i=xti+tanθ?xti-xt-1i] （4）

蜣螂繁殖時(shí)會(huì)將糞球滾到安全區(qū)域并將其隱藏，嚴(yán)格遵循邊界選擇策略，其定義如下：

[Ub*=minx*?（1+R），UbLb*=maxx*?（1-R），Lb] （5）

式中：[Ub]和[Lb]分別表示待優(yōu)化問題的上界和下界；[R=1-t Tmax]，[Tmax]表示最大迭代次數(shù)。

蜣螂產(chǎn)卵時(shí)，卵球的位置為[Bti]，當(dāng)前局部最優(yōu)位置為[x*]，同時(shí)引入兩個(gè)大小為[1×D]的獨(dú)立隨機(jī)向量[b1]和[b2]，其中[D]代表待優(yōu)化問題的維度，則蜣螂繁殖位置更新規(guī)則可以表達(dá)為：

[Bt+1i=x*+b1×（Bti-Lb*）+b2×（Bti-Ub*）] （6）

覓食蜣螂的最佳區(qū)域更新規(guī)則如下：

[Ubb=minxbbest×（1+R）， UbLbb=maxxbbest×（1-R）， Lb] （7）

式中：[Ubb]和[Lbb]分別表示最佳覓食區(qū)域的上界和下界；[xbbest]為當(dāng)前局部最優(yōu)位置。

蜣螂覓食位置更新規(guī)則如下：

[xt+1i=xti+c1×（xti-Lbb）+c2×（xti-Ubb）] （8）

式中：[c1～N（0，1）]；[c2]是（0，1）范圍內(nèi)[1×D]的隨機(jī)向量。

蜣螂偷竊時(shí)位置更新規(guī)則如下：

[xt+1i=Xb+S?g?xti-x*+xti-Xb] （9）

式中：[xti]表示在迭代過程中第[i]個(gè)蜣螂在第[t]次迭代時(shí)所處的位置；[Xb]為當(dāng)前最優(yōu)位置；[g]為隨機(jī)向量。

2" 改進(jìn)蜣螂優(yōu)化算法

DBO算法具有收斂速度快、尋優(yōu)能力強(qiáng)和易于實(shí)施的特性。然而，其局部開發(fā)和全局探索能力不均衡，導(dǎo)致其搜索時(shí)容易過早地陷入局部最優(yōu)解，限制了其全局搜索能力。此外，算法利用隨機(jī)分布策略進(jìn)行種群初始化，會(huì)降低種群多樣性且分布不均，使得種群在搜索空間的覆蓋不夠廣泛，大大降低了算法的尋優(yōu)效果。因此，本文引入以下四種策略對(duì)DBO算法進(jìn)行改進(jìn)。

2.1" 混沌精英反向?qū)W習(xí)策略

首先，采用混沌映射初始化種群，使個(gè)體位置分布更均勻。本文參考文獻(xiàn)[8]，將Sine映射和PWLCM映射結(jié)合，得到SPM映射，如式（10）所示：

[xi=modxi-1 η+μsin（πxi-1）+rand，1，" " "0≤xi-1≤ηmodxi-1 η0.5-η+μsin（πxi-1）+rand，1，" " " " " " " " " " " " " " " " " " η≤xi-1lt;0.5F（1-xi-1，η， μ），" " "0.5≤xi-1lt;η]"（10）

式中：rand是擾動(dòng)參數(shù)；當(dāng)[η∈（0，1）]，[μ∈（0，1）]時(shí)，系統(tǒng)處于混沌狀態(tài)，設(shè)置[η]=0.52，[μ]=0.45，以達(dá)到最好的取值效果。

映射迭代10 000次生成的序列分布如圖1所示?？梢钥闯?，生成的混沌序列分布非常均勻，能夠產(chǎn)生更多的隨機(jī)值，混沌映射范圍更廣，具有更優(yōu)的遍歷性和收斂速度，更有利于增加目標(biāo)區(qū)域種群的多樣性。

然后，利用精英反向策略對(duì)混沌映射生成的種群產(chǎn)生反向種群，進(jìn)一步提高蜣螂種群質(zhì)量和豐富性。分別計(jì)算原始種群和反向種群的適應(yīng)度值，選取最優(yōu)的適應(yīng)度值種群作為初始種群再進(jìn)行迭代運(yùn)算。產(chǎn)生精英反向種群的表達(dá)式為：

[x′ij（t）=k×ubij（t）+lbij（t）-xij（t）] （11）

式中：[x′ij（t）]為個(gè)體精英[xij（t）]的反向解；[k]為（0，1）上的隨機(jī)數(shù)；[ubij（t）]和[lbij（t）]分別為搜索空間的上、下界。如果[x′ij（t）]為非可行解，可以利用如下方法重置。

[x′ij（t）=randubij（t），lbij（t）] （12）

2.2" 自適應(yīng)權(quán)重的黃金正弦策略

原始DBO算法中蜣螂滾球行為對(duì)算法的收斂速度和全局搜索能力有很大影響，滾球方式直接限制了其局部搜索能力，易錯(cuò)失尋優(yōu)機(jī)會(huì)。采用Golden?SA[9]進(jìn)行位置更新，有利于算法在充分搜索全局中逼近最優(yōu)解，且能夠提升算法求解速度和種群局部搜索能力。Golden?SA表達(dá)式如下所示：

[xt+1i=xti×sinr1-r2×sinr1×c1×Xb-c2×xtic1=-π+1-5-12×2π，" c2=-π+5-12×2π] （13）

式中：隨機(jī)數(shù)[r1∈[0，2π]]、[r2∈[0，π]]分別表示蜣螂個(gè)體的移動(dòng)距離和位置更新方向；[g1]為黃金分割數(shù)。為防止后期迭代中由于快速收斂易陷入局部最優(yōu)的情況，引入非線性權(quán)重因子[ω]，公式如下所示：

[ω=cosπt Tmax+ωmaxωmax+ωmin2+e] （14）

式中：[t]和[Tmax]分別為當(dāng)前迭代次數(shù)和最大迭代次數(shù)；[ωmax]和[ωmin]分別表示[ω]的最大值和最小值。[ω]的引入允許算法在搜索過程中動(dòng)態(tài)調(diào)整其搜索策略，在早期維持廣泛的搜索范圍，以便發(fā)現(xiàn)潛在的全局最優(yōu)解；后期隨著[ω]的逐漸減小，算法能夠逐漸聚焦于局部區(qū)域，加快收斂速度。加入[ω]后的滾球蜣螂位置更新公式如下：

[xi（t+1）=ω×xi（t）×sin（r1）-ω×r2×sin（r1）×c1×Xb-c2×xi（t）] （15）

經(jīng)過多次實(shí)驗(yàn)結(jié)果可知，當(dāng)[ωmin=0.2]，[ωmax=0.9]，[e=0.45]時(shí)，算法尋優(yōu)性能最佳。

2.3" Lévy飛行策略

Lévy飛行策略是一種獨(dú)特的隨機(jī)游動(dòng)模型[10]，搜索過程中巧妙地結(jié)合了短距離和長(zhǎng)距離的交錯(cuò)移動(dòng)，以短距離搜索為主，輔以長(zhǎng)距離搜索，通過這種策略性的交錯(cuò)移動(dòng)，有效擴(kuò)大了搜索范圍，增強(qiáng)了全局搜索能力，更有利于算法跳出局部最優(yōu)解。Lévy飛行策略更新公式如下：

[Lévy～xti?Ψθ1θ20.5] （16）

式中：[θ1]、[θ2]符合標(biāo)準(zhǔn)正態(tài)分布，且有：

[Ψ=γ?（1+β）?sin（πβ2）γβ?2β-1] （17）

將Lévy飛行策略引入偷竊蜣螂位置更新公式進(jìn)行改進(jìn)，結(jié)果如下：

[xt+1i=Lévy（x*）+C×xti-xb+xti-ωx* 2] （18）

式中：[ω=μ-μ-1μ+μ-1]，[μ=exp21-t Tmax]。

2.4" 改進(jìn)螺旋搜索策略

在算法的初始階段，通過設(shè)計(jì)較大的螺旋軌跡來廣泛搜尋眾多潛在的優(yōu)質(zhì)解，以增強(qiáng)全局搜索的覆蓋能力；算法后期，利用更精細(xì)的螺旋形狀聚焦目標(biāo)區(qū)域，從而縮減冗余搜索，加速算法的收斂進(jìn)程，并提升求解的精確度和優(yōu)化效果。迭代過程中，對(duì)蜣螂覓食和繁殖行為調(diào)整搜索時(shí)的螺旋形狀，具體表達(dá)式如下：

[k=erm 2cos（πr）] （19）

[m=e4cosπ（1-t）tmax+1] （20）

式中，隨機(jī)數(shù)[r∈[0，1]]，余弦函數(shù)控制螺旋線的變化。因此，對(duì)式（4）、式（6）進(jìn)行修改，得到式（21）、式（22）。

[xt+1i=xti+k1×（xti-Lbb）+k2×（xti-Ubb）] （21）

[Bt+1i=x*+k3×（Bti-Lb*）+k4×（Bti-Ub*）] （22）

3" 基于MIDBO?SVR的網(wǎng)絡(luò)安全態(tài)勢(shì)評(píng)估方法

3.1" 網(wǎng)絡(luò)安全態(tài)勢(shì)指標(biāo)體系構(gòu)建

本文在文獻(xiàn)[11]的理論基礎(chǔ)上，根據(jù)專家評(píng)論和系統(tǒng)，分別從威脅性、脆弱性、容災(zāi)性和穩(wěn)定性四個(gè)方面構(gòu)建具備三個(gè)層次網(wǎng)絡(luò)安全態(tài)勢(shì)評(píng)估的指標(biāo)體系，如圖2所示。該評(píng)估指標(biāo)體系涵蓋了四個(gè)主要類別指標(biāo)以及20個(gè)子項(xiàng)指標(biāo)，這些指標(biāo)共同構(gòu)成了對(duì)網(wǎng)絡(luò)安全態(tài)勢(shì)的全面描述，具體涵蓋了威脅程度、系統(tǒng)的脆弱性、應(yīng)對(duì)災(zāi)難的恢復(fù)能力以及系統(tǒng)的穩(wěn)定性這四個(gè)核心維度。

3.2" MIDBO?SVR的網(wǎng)絡(luò)安全態(tài)勢(shì)評(píng)估方法

為優(yōu)化網(wǎng)絡(luò)安全態(tài)勢(shì)評(píng)估過程，引入MIDBO算法以改進(jìn)SVR的性能，并將其應(yīng)用于評(píng)估過程。圖3為該評(píng)估模型的示意圖。

MIDBO?SVR網(wǎng)絡(luò)態(tài)勢(shì)評(píng)估具體過程如下。

步驟1：構(gòu)建網(wǎng)絡(luò)安全態(tài)勢(shì)評(píng)估指標(biāo)體系，隨后按照給定的公式（23）對(duì)收集到的態(tài)勢(shì)數(shù)據(jù)進(jìn)行標(biāo)準(zhǔn)化處理，以確保數(shù)據(jù)的一致性。

[x=x-min（x）max（x）-min（x）] （23）

式中：[x]和[x]分別表示原始樣本數(shù)據(jù)和歸一化后的數(shù)據(jù)。

步驟2：對(duì)網(wǎng)絡(luò)安全態(tài)勢(shì)指標(biāo)的權(quán)重和閾值進(jìn)行初始化設(shè)置，為后續(xù)的分析和評(píng)估奠定基礎(chǔ)。

步驟3：初始化蜣螂種群數(shù)量[N]，設(shè)置滾球、跳舞、繁殖、覓食和偷竊蜣螂比例、最大迭代次數(shù)[Tmax]、繁殖及覓食邊界、搜索維度等參數(shù)。

步驟4：利用式（10）、式（11）初始化蜣螂個(gè)體位置。

步驟5：計(jì)算適應(yīng)度值，分別找到原始最差位置蜣螂個(gè)體和最佳位置蜣螂個(gè)體。

步驟6：分別運(yùn)用式（14）、式（17）～式（20）確定滾球蜣螂、覓食蜣螂、偷竊蜣螂、繁殖蜣螂位置。

步驟7：重新計(jì)算適應(yīng)度值，并更新蜣螂個(gè)體位置。若新的適應(yīng)度值更優(yōu)，則更新蜣螂位置；反之，不更新。

步驟8：通過前述步驟確定了最優(yōu)的核函數(shù)參數(shù)和懲罰因子，用以優(yōu)化SVR模型。再利用這一優(yōu)化后的模型對(duì)已經(jīng)歸一化的數(shù)據(jù)樣本進(jìn)行訓(xùn)練。完成訓(xùn)練后，對(duì)數(shù)據(jù)進(jìn)行反歸一化處理，最終輸出仿真結(jié)果。

3.3" 實(shí)驗(yàn)仿真與結(jié)果分析

為便于分析，將態(tài)勢(shì)評(píng)估結(jié)果劃分為優(yōu)、良、中、差、危五個(gè)等級(jí)，分別對(duì)應(yīng)具體的量化值，結(jié)果如表1所示。

3.3.1" 數(shù)據(jù)采集與預(yù)處理

在驗(yàn)證SVR網(wǎng)絡(luò)安全態(tài)勢(shì)評(píng)估模型的效力時(shí)，本實(shí)驗(yàn)將網(wǎng)絡(luò)安全系統(tǒng)所面臨的威脅性指標(biāo)作為評(píng)估焦點(diǎn)。

如圖1所示，威脅性指標(biāo)可細(xì)分為五個(gè)三級(jí)指標(biāo)。實(shí)驗(yàn)以文獻(xiàn)[12]中提供的數(shù)據(jù)集作為基準(zhǔn)，用以驗(yàn)證算法在評(píng)估效果上的準(zhǔn)確性和有效性。實(shí)驗(yàn)數(shù)據(jù)分為訓(xùn)練集樣本和測(cè)試集樣本兩部分，其中，訓(xùn)練樣本數(shù)據(jù)372條，測(cè)試樣本數(shù)據(jù)10條。

為了更直觀地體現(xiàn)網(wǎng)絡(luò)威脅程度，每個(gè)指標(biāo)權(quán)重采用表2給出的方法進(jìn)行設(shè)定[13]。某周網(wǎng)絡(luò)安全態(tài)勢(shì)值計(jì)算方法如式（24）所示：

[Vnst=ωi?i=1tSTiSTimax] （24）

式中：[STi]表示某周第[i]類安全威脅的數(shù)量；[STimax]表示選取的實(shí)驗(yàn)數(shù)據(jù)中該類威脅的最大值；[ωi]表示對(duì)應(yīng)該類威脅的權(quán)值。

網(wǎng)絡(luò)安全態(tài)勢(shì)值如圖4所示。

3.3.2" 實(shí)驗(yàn)結(jié)果分析

圖5是采用APSO、DBO和MIDBO三種算法改進(jìn)SVR模型進(jìn)行態(tài)勢(shì)評(píng)估得到的10個(gè)評(píng)估值與真實(shí)值對(duì)比情況。

由圖5可知，四種態(tài)勢(shì)評(píng)估模型的評(píng)估曲線走勢(shì)大致相同。但是，經(jīng)過比較發(fā)現(xiàn)，MIDBO?SVR網(wǎng)絡(luò)安全態(tài)勢(shì)評(píng)估模型得出的態(tài)勢(shì)值與真實(shí)的態(tài)勢(shì)值更為接近，相較于APSO?SVR和DBO?SVR評(píng)估模型以及未做任何改進(jìn)的SVR評(píng)估模型，MIDBO?SVR模型具有更強(qiáng)的擬合能力。這一結(jié)果進(jìn)一步驗(yàn)證了MIDBO?SVR模型在網(wǎng)絡(luò)安全態(tài)勢(shì)評(píng)估中的優(yōu)越性能，從而更客觀地反映當(dāng)前網(wǎng)絡(luò)的安全態(tài)勢(shì)狀況。

選用均方誤差（MSE）和平均絕對(duì)百分比誤差（MAPE）這2個(gè)衡量指標(biāo)，分別對(duì)SVR、APSO?SVR、DBO?SVR、MIDBO?SVR網(wǎng)絡(luò)安全態(tài)勢(shì)評(píng)估值與已知的國(guó)家互聯(lián)網(wǎng)應(yīng)急中心態(tài)勢(shì)評(píng)估值之間的輸出誤差、相對(duì)誤差進(jìn)行對(duì)比，結(jié)果如圖6、圖7和表3所示。

經(jīng)過對(duì)比圖6、圖7發(fā)現(xiàn)，MIDBO?SVR態(tài)勢(shì)評(píng)估模型展現(xiàn)出了顯著的特點(diǎn)，其絕對(duì)誤差值和相對(duì)誤差值的曲線波動(dòng)最為輕微且表現(xiàn)穩(wěn)定，其波動(dòng)范圍持續(xù)保持在與零誤差值標(biāo)線最接近的區(qū)間內(nèi)。這一發(fā)現(xiàn)凸顯了MIDBO?SVR態(tài)勢(shì)評(píng)估模型相較于其他三種評(píng)估模型，在準(zhǔn)確性方面具備更高的優(yōu)越性。基于這一分析，本文提出的MIDBO?SVR態(tài)勢(shì)評(píng)估模型相較于其他三種評(píng)估模型，展現(xiàn)出了更高的精確度。此外，由表3可以明顯看出，用MIDBO?SVR評(píng)估模型進(jìn)行網(wǎng)絡(luò)安全態(tài)勢(shì)評(píng)估所得到的結(jié)果與國(guó)家互聯(lián)網(wǎng)應(yīng)急中心的評(píng)估結(jié)果之間的MAPE和MSE明顯比另外三種評(píng)估模型更小，進(jìn)一步驗(yàn)證了MIDBO?SVR態(tài)勢(shì)評(píng)估模型具有更高的評(píng)估準(zhǔn)確性。

4" 結(jié)" 論

為增強(qiáng)蜣螂算法的優(yōu)化效能，本文運(yùn)用了經(jīng)不同策略改進(jìn)的DBO算法（MIDBO），對(duì)SVR進(jìn)行優(yōu)化并應(yīng)用于網(wǎng)絡(luò)安全效能評(píng)估實(shí)例，構(gòu)建基于MIDBO?SVR的網(wǎng)絡(luò)安全態(tài)勢(shì)評(píng)估模型。通過不同模型實(shí)驗(yàn)仿真和對(duì)比分析表明，MIDBO?SVR評(píng)估模型收斂速度較快，擬合能力較強(qiáng)，且具有較強(qiáng)的自適應(yīng)能力和學(xué)習(xí)能力，可為今后設(shè)計(jì)網(wǎng)絡(luò)空間安全態(tài)勢(shì)評(píng)估系統(tǒng)提供參考。

注：本文通訊作者為陳秋瓊。

參考文獻(xiàn)

[1] WANG Q， BU S Q， HE Z Y， et al. Toward the prediction level of situation awareness for electric power systems using CNN?LSTM network [J]. IEEE transactions on industrial informatics， 2021， 17（10）： 6951?6961.

[2] 段秀娟.基于混沌粒子群優(yōu)化BP神經(jīng)網(wǎng)絡(luò)的網(wǎng)絡(luò)安全風(fēng)險(xiǎn)評(píng)估系統(tǒng)設(shè)計(jì)[J].科學(xué)技術(shù)與工程，2019，19（16）：251?255.

[3] 趙國(guó)生，王慧強(qiáng)，王健.基于灰色Verhulst的網(wǎng)絡(luò)安全態(tài)勢(shì)感知模型[J].哈爾濱工業(yè)大學(xué)學(xué)報(bào)，2008，40（5）：798?801.

[4] 王晉東，沈柳青，王坤，等.網(wǎng)絡(luò)安全態(tài)勢(shì)預(yù)測(cè)及其在智能防護(hù)中的應(yīng)用[J].計(jì)算機(jī)應(yīng)用，2010，30（6）：1480?1482.

[5] 呂鎮(zhèn)邦，周波.基于WOWA?FAHP的網(wǎng)絡(luò)安全態(tài)勢(shì)評(píng)估[J].計(jì)算機(jī)科學(xué)，2009，36（7）：63?67.

[6] 黨德鵬，孟真.基于支持向量機(jī)的信息安全風(fēng)險(xiǎn)評(píng)估[J].華中科技大學(xué)學(xué)報(bào)（自然科學(xué)版），2010，38（3）：46?49.

[7] XUE J K， SHEN B. Dung beetle optimizer： A new meta?heuristic algorithm for global optimization [J]. The journal of supercomputing， 2023， 79（7）： 7305?7336.

[8] 班多晗，呂鑫，王鑫元.基于一維混沌映射的高效圖像加密算法[J].計(jì)算機(jī)科學(xué)，2020，47（4）：278?284.

[9] TANYILDIZI E， DEMIR G. Golden sine algorithm： A novel math?inspired algorithm [J]. Advances in electrical and computer engineering， 2017， 17（2）： 71?78.

[10] 施磊，郝武幫，郭曉龍.基于Levy飛行策略和改進(jìn)灰狼算法的光伏陣列MPPT研究[J].電力科學(xué)與工程，2023，39（6）：17?24.

[11] 張然，潘芷涵，尹毅峰，等.基于SAA?SSA?BPNN的網(wǎng)絡(luò)安全態(tài)勢(shì)評(píng)估模型[J].計(jì)算機(jī)工程與應(yīng)用，2022，58（11）：117?124.

[12] 姜萬(wàn)菲.基于多模型權(quán)重提取與融合的網(wǎng)絡(luò)安全態(tài)勢(shì)預(yù)測(cè)研究[D].蘭州：蘭州理工大學(xué)，2016.

[13] 孫雋豐，李成海，曹波.基于TCN?BiLSTM的網(wǎng)絡(luò)安全態(tài)勢(shì)預(yù)測(cè)[J].系統(tǒng)工程與電子技術(shù)，2023，45（11）：3671?3679.

[14] ZHANG Y， TAN X B， CUI X L， et al. Network security situation awareness approach based on Markov game model [J]. Journal of software， 2011， 22（3）： 495?508.

[15] 陳龍，呂磊，楊旭東.基于改進(jìn)CRITIC的灰色關(guān)聯(lián)網(wǎng)絡(luò)安全態(tài)勢(shì)評(píng)估方法[J].電訊技術(shù)，2022，62（4）：517?525.

[16] TIZHOOSH H R. Opposition?based learning： A new scheme for machine intelligence [C]// International Conference on Computational Intelligence for Modeling， Web Technologies and Internet Commerce. New York： IEEE， 2005： 695?701.

[17] 肖子雅，劉升.精英反向黃金正弦鯨魚算法及其工程優(yōu)化研究[J].電子學(xué)報(bào)，2019，47（10）：2177?2186.

基金項(xiàng)目：中國(guó)博士后科學(xué)基金項(xiàng)目（2015M572694，2016T90979）

作者簡(jiǎn)介：陳秋瓊（1987—），女，安徽人，碩士研究生，研究方向?yàn)榫W(wǎng)絡(luò)空間防御。