网络安全态势感知技术研究现状

发布时间：2021-11-21 21:58

　　长久以来,网络安全态势感知技术的研究取得了长足的进展,但是随着大数据时代的来临,先前的研究显示出其局限性和不足之处,人工神经网络的出现促进了网络安全态势感知技术的进一步发展。着重分析了神经网络在网络安全态势中的应用,解决了网络安全态势的特征提取和预测问题,为神经网络技术与网络安全态势感知技术的结合奠定了基础。 

【文章来源】：科技与创新. 2020,(14)

【文章页数】：5 页

【部分图文】：

基于LR-IPSO的安全态势要素提取模型

针对网络安全态势预测模型，传统神经网络解决方案可能会产生一些偏差。因此，引入人工智能优化算法优化了人工神经网络的参数，普遍适用于各种人工神经网络模型。一些学者开始逐步研究智能优化算法与人工神经网络的结合，并取得了较好的效果。为了预测网络安全态势，有的学者提出了一种基于小波神经网络（WNN）的网络安全状况定量预测方法，其网络结构如图2所示。其中采用梯度下降法来训练和优化WNN参数[33]。范九伦等人[34]依据网络安全态势值之间的非线性映射关系进行态势预测，采用布谷鸟搜索算法对RBF神经网络的结构参数进行优化，并在其间引入模拟退火算法思想和动态发现概率机制，以提升预测精度。仿真实验显示，改进后的布谷鸟搜索算法搜索效率更高，寻优结果更精确。孟锦等人[35]针对网络安全态势感知中的预测问题，提出了采用径向基函数（RBF）神经网络对态势值进行预测的方法，为了提高RBF神经网络的预测精度，使用混合递阶遗传算法（HHGA）对RBF神经网络进行训练，获得了神经网络结构参数。实验结果说明了此预测方法的有效性，并通过与已有的预测方法进行对比实验，验证了所提算法在精度方面的优越性。

王宇飞[36]从本质上深入剖析网络安全态势感知和网络安全态势预测的异同点，进而结合两者在工作原理上的相似性，利用人工智能理论提出基于集成学习Boosting算法的一体化NSSE模型，实现了对目标网络当前及未来安全态势的全方位评估，其结果如图3～图5和表1所示，从图中可知，相对比于BPNN和SVM,Boosting的预测精度较高。图4 SVM预测NSSV与NSSV真实值比较

【参考文献】：
期刊论文
[1]基于RBF神经网络的网络安全态势预测方法[J]. 范九伦,伍鹏.  西安邮电大学学报. 2017(02)
[2]网络空间安全态势感知研究[J]. 赵淦森,吴杰超,陈梓豪,任雪琦,谭昊翔,马朝辉.  网络与信息安全学报. 2016(10)
[3]网络空间态势感知模型及应用研究[J]. 李明,脱永军,黄云霞.  通信技术. 2016(09)
[4]网络安全态势认知融合感控模型[J]. 刘效武,王慧强,吕宏武,禹继国,张淑雯.  软件学报. 2016(08)
[5]基于隐马尔可夫模型的网络安全态势预测方法[J]. 文志诚,陈志刚.  中南大学学报(自然科学版). 2015(10)
[6]基于能力机会意图模型的网络安全态势感知方法[J]. 贾雪飞,刘玉岭,严妍,吴迪.  计算机应用研究. 2016(06)
[7]基于本体的网络安全态势知识库模型[J]. 华辉有,陈启买.  计算机应用. 2014(S2)
[8]一种实时网络安全态势预测方法[J]. 黄同庆,庄毅.  小型微型计算机系统. 2014(02)
[9]网络态势预测的广义回归神经网络模型[J]. 卓莹,张强,龚正虎.  解放军理工大学学报(自然科学版). 2012(02)
[10]基于HHGA-RBF神经网络的网络安全态势预测模型[J]. 孟锦,马驰,何加浪,张宏.  计算机科学. 2011(07)

硕士论文
[1]基于卷积神经网络的入侵检测技术的研究[D]. 赵昱博.哈尔滨工程大学 2018
[2]基于集成学习的网络安全态势评估模型研究[D]. 王宇飞.华北电力大学 2012



本文编号：3510325