论文部分内容阅读
随着互联网规模和应用范围不断扩大,网络攻击正逐步向各类联网终端渗透,且攻击手段越发高明隐蔽,网络瘫痪、数据和用户信息泄露等安全问题日益突出,严峻的网络安全形势给传统单点单源的安全防御系统带来新的挑战。网络安全态势感知是近年来国内外学者为解决单一防御问题而出现的新技术,能够实现对网络整体上的安全态势进行监控和预测,对调整安全策略,提高网络系统的应急响应能力具有重要的现实意义。网络安全态势感知包括3个关键技术:态势要素获取、态势评估和态势预测,前者为后者提供数据支撑。现有的态势预测方法对初始训练数据依赖性强,预测结果准确性不高,即态势评估结果的客观性以及态势预测方法的有效性是影响预测精度的关键。本文针对以上问题展开研究,具体工作如下:设计基于多种群遗传算法(MPGA)优化HMM的态势评估方法。相比传统的静态评估方法,HMM直接在态势要素信息和网络安全状态之间建立映射关系,实时量化网络安全态势值,具有建模简单、运算高效等优点。但模型参数的确定是影响其性能的关键,利用MPGA对模型参数进行优化,通过加强种群之间的信息交流,丰富个体多样性,以及提高种群的平均适应度值来提高算法的全局搜索能力,加快收敛速度。最后将评估结果与网络受攻击情况进行对比,具有很好的一致性,表明该方法是客观合理的。设计基于混沌粒子群算法(CPSO)优化小波神经网络(WNN)的态势预测方法。由于态势值序列具有非线性时间序列的特点,而小波神经网络对于处理非线性时间序列数据具有比传统神经网络更强的映射能力。本文在小波神经网络的基础上,针对其学习算法对初始参数值敏感,易陷入局部极值的缺陷,利用CPSO优良的全局和局部搜索特性对WNN的尺度因子、伸缩因子和权值参数进行训练优化,以获取更优的态势预测模型。实验结果表明,CPSO-WNN的收敛速度和预测精度都得到了明显提高。