基于神经网络的网络安全态势感知系统的研究与实现

发布时间：2021-07-28 00:06

　　随着互联网、移动互联网以及物联网的不断普及,当前的网络环境不断趋于复杂化。因此网络安全威胁的种类、严重性不断增加,传统的网络安全防护手段迎来了巨大的挑战。而网络安全态势感知不仅能够对当前的网络环境的安全状态变化形成及时的监测,而且能够基于收集的网络历史数据对未来一段时间内的网络发展态势进行有效预测,因此网络安全态势感知技术有很大的研究价值。本文对网络安全态势感知技术中态势评估和态势预测进行深入研究,本文的研究内容如下:1.分析并结合真实网络防御数据集（CSE-CIC-IDS2018）相关数据内容,构建网络安全态势评估指标体系。该指标体系将态势要素从脆弱性、容灾性、威胁性和稳定性四个方面进行划分,并提出标称型二级指标的量化公式,使得态势要素能从不同的维度综合衡量网络环境的安全状态。2.提出一种基于遗传算法优化改进的支持向量机模型参数的算法实现网络安全的态势评估。本文通过分析线性核函数与高斯核函数的特性,实现一种新的融合核函数,其能够动态的兼顾全局与局部特征。同时为了解决传统支持向量机算法采用网格搜索方式进行参数寻优的效率较低和陷入局部最优解的缺点,本文采用遗传算法对改进的支持向量机算法的... 

【文章来源】：南京邮电大学江苏省

【文章页数】：74 页

【学位级别】：硕士

【部分图文】：

移动互联网接入流量由于人工智能(AI)、区块链和雾计算技术的发展以及一些科技公司的推进，近年来物联网

南京邮电大学硕士研究生学位论文第一章绪论6丰富。1.2.2神经网络在网络安全态势感知模型中的应用机器学习是一门众多领域交汇形成的学科领域，其涉及到概率论、统计学、多媒体、图形学等许多学科内容，因此各类学科技术的研究进展都能给机器学习带来巨大发展，同时机器学习也为许多领域提供了重要的技术支撑，例如生物信息、金融管理、电气领域等，因此机器学习是目前最主要的研究热点之一[31]。机器学习通常按其学习的方式可以分为无监督学习和有监督学习这两大类算法，机器学习的各类别常用算法如下图1.2所示。图1.2机器学习分类神经网络作为机器学习中重要的一个研究分支，能够有效的解决各类非线性复杂化问题[32]，其在网络安全态势感知模型中也有着众多的研究与应用，以下将介绍神经网络在态势评估和预测两方面应用的研究现状。(1)神经网络在态势评估中的应用目前，神经网络在态势评估中应用的研究大多处于浅层神经网络上。其应用通常采用BP(errorBackPropagation,误差逆传播)神经网络、模糊神经网络(FuzzyNeuralNetwork,FNN)等。周显春等人[33]将态势评估模型抽象成三层模型，并使用BP神经网络对模型进行训练使其更加全面、准确，解决了态势要素与评估结果不对应的问题。在现有的基于BP神经网络的网络安全态势评估模型的研究基础上，Dong等人[34]以及Fu等人[35]都提出了改进的BP神经网络态势评估模型。Dong等人结合布谷鸟搜索(CuckooSearch,CS)算法对BP神经网络的收敛速度慢、容易陷入局部最小值等缺点进行了改进，并引入动量因子和自适应学习率对算法进行了优化，使得模型收敛速度更快，评估精度更高。Fu等人通过改进的自适应遗传算法优

南京邮电大学硕士研究生学位论文第二章相关背景知识介绍9第二章相关背景知识介绍本章节主要介绍本文中基于神经网络的网络安全态势感知系统研究与实现所涉及到的网络安全态势感知相关技术理论。首先介绍了网络安全态势感知中的Endsley态势感知三层模型，并在该模型的基础上对态势要素提娶态势评估和态势预测相关技术进行展开介绍。网络安全态势感知概述目前，国内外设计的各种网络安全态势感知模型大多数还是基于Endsley态势感知三层模型加以设计和改进的，Endsley的态势感知三层模型如下图2.1所示：图2.1网络安全态势感知三层模型(a)态势要素提取层：该层主要在数据收集器收集到的各种网络数据中按定义的态势指标体系筛选出相关态势指标，并进行一些数据预处理操作，将处理的数据提供给后两层使用。(b)态势理解层：该层又叫做态势评估层，主要对上一层获取的态势要素进行综合分析，建立态势要素与态势值的映射关系，并结合网络安全等级评估划分表根据评估出来的态势值确定当前网络环境的安全等级。(c)态势预测层：该主要结合态势要素提取层获取的态势要素以及态势评估层评估产生的态势值进行时序预测，实时判断出网络环境在未来一段时间内的发展趋势。本层是整个态势感知模型的核心与最终目标，为网络环境管理人员能快速的进行决策提供了保障。网络安全态势感知相关技术网络安全态势感知主要包含态势要素提娶态势评估以及态势预测三个阶段。以上三个


本文编号：3306804