依赖单形向量机的启发式网络安全态势预测

发布时间：2021-07-30 21:19

　　以支持向量机（SVM）为基础提出一种网络安全态势预测方法.SVM可以借助于已有的网络安全态势值对未来安全进行预测,并引入了遗传算法对SVM进行参数优化,进而提升其预测效率.仿真结果表明,此模型在预测网络安全态势变化趋势方面有着很好的前景,能够显著提升预测精度,相较于传统预测技术优势显著,更契合当前的互联网环境. 

【文章来源】：湖南工程学院学报(自然科学版). 2020,30(01)

【文章页数】：4 页

【部分图文】：

网络安全态势样本数据图

首先将该态势时延设定为1,然后利用以上的试凑法不断提升嵌入的维数,通过分析获得8维,对应的SVM为7个输入变量与1个输出变量,该态势数据的重构就可以利用该时延与嵌入维数来实现,然后完成该SVM的训练与测试样本集.随后基于前者数据集来进行SVM学习,同时利用遗传算法对此模型参量加以优化.设置的参量包括进化代数、初始种群、变异与交叉概率,它们的值依次为100、40、0.01、0.05与0.95.该系统在运行至50.55 s之时出现目标误差,此时的SVM完成的训练步数达到5000,借助于该态势的适应度曲线可以得知,在30代遗传之后,该染色体的适应度开始逐渐稳定,据此就能得到该预测模型的最优参量:亦即高斯核函数宽度、不敏感损失函数与惩罚参数,依次为5、0.001与100.随机对该安全态势进行相应的预测,得到图2的适应度曲线.分析该图可知通过约30代的遗传,该染色体适应度开始渐稳,由此得到该模型的最优参量为:c=100,ε=0.001,σ=5.借助于该预测模型就可以得出预测误差整体较小,预测精度得到了明显的提升.3.3 网络安全态势预测

在使用最优参量c=100,ε=0.001,σ=5构筑相应的安全态势预测模型时,可以选用最优模型对这30个态势值进行预测,并得到图3的结果,而通过图3给出的预期曲线可以得知该预测模型整体预测误差较小,有着较高的预测精度.为了进行对比分析,运用BP与RBF这两种神经网络算法来进行预测,并借助于均方(MSE)与平均相对误差(MAE)来用作模型的评价指标,得到表2对比结果.

【参考文献】：
期刊论文
[1]一种基于混合核函数PSOSVR的网络安全态势预测方法[J]. 李方伟,罗嘉,朱江,张海波.  微电子学与计算机. 2015(12)
[2]组合核函数相关向量机的网络安全态势预测[J]. 刘付民,王静咏,张治斌.  计算机应用研究. 2016(08)
[3]相关向量机超参数优化的网络安全态势预测[J]. 肖汉杰,桑秀丽.  计算机应用. 2015(07)
[4]网络安全态势预测方法的仿真研究[J]. 曾斌,钟萍.  计算机仿真. 2012(05)
[5]网络安全态势预测方法的应用研究[J]. 王庚,张景辉,吴娜.  计算机仿真. 2012(02)



本文编号：3312146