基于PSO-SVR的網(wǎng)絡(luò)態(tài)勢預(yù)測模型

王 瑞李芯蕊馬雙斌

1(甘肅省公安廳網(wǎng)絡(luò)安全保衛(wèi)總隊 蘭州 730030)2(蘭州大學(xué)甘肅省信息安全等級保護(hù)測評中心 蘭州 730030)3(蘭州大學(xué)應(yīng)用技術(shù)研究院有限責(zé)任公司 蘭州 730030)(313916914@qq.com)

隨著網(wǎng)絡(luò)的發(fā)展，各行業(yè)經(jīng)營模式的互聯(lián)網(wǎng)化，使得網(wǎng)絡(luò)成為我們生活中不可或缺的一部分.同時，網(wǎng)絡(luò)安全問題也日益嚴(yán)峻，最近的勒索病毒更是對我們的一個嚴(yán)重警告，時時刻刻提醒著我們生活的網(wǎng)絡(luò)環(huán)境仍然存在著很大的不安全性以及不確定性.網(wǎng)絡(luò)安全態(tài)勢預(yù)測(network situation prediction)是指在一定環(huán)境下，基于當(dāng)前的網(wǎng)絡(luò)安全態(tài)勢的評估值和以前的一段時間周期內(nèi)的歷史評估數(shù)據(jù)，通過具有有效規(guī)則的網(wǎng)絡(luò)安全態(tài)勢值來表達(dá)網(wǎng)絡(luò)運(yùn)行的安全狀況，模擬相同條件下下一時間周期的安全態(tài)勢宏觀變化情況，給網(wǎng)絡(luò)管理員提供必要的安全防范策略決策支持.網(wǎng)絡(luò)安全態(tài)勢的概念于1999 年由Bass[1]正式提出，并構(gòu)建了基于多傳感器數(shù)據(jù)融合的網(wǎng)絡(luò)安全態(tài)勢感知模型.隨后，國內(nèi)外許多研究者投入大量精力對網(wǎng)絡(luò)安全態(tài)勢預(yù)測的相關(guān)理論及實踐進(jìn)行研究：Lai等人[2]提出附加權(quán)重的GM(1,1)預(yù)測模型對網(wǎng)絡(luò)態(tài)勢進(jìn)行預(yù)測的方法；在Bao等人[3]提出的入侵意圖的基礎(chǔ)上，針對多步攻擊的預(yù)測算法，謝麗霞等人[4]通過自適應(yīng)遺傳算法優(yōu)化RBF神經(jīng)網(wǎng)絡(luò)的參數(shù)，并建立預(yù)測模型對網(wǎng)絡(luò)態(tài)勢進(jìn)行感知；唐成華等人[5]針對態(tài)勢評估性能所存在的問題，提出了DS融合知識的評估方法.

目前網(wǎng)絡(luò)安全態(tài)勢預(yù)測模型主要有灰色理論預(yù)測模型、回歸分析預(yù)測模型和神經(jīng)網(wǎng)絡(luò)預(yù)測模型.灰色理論預(yù)測模型具有很強(qiáng)的適用性，同時其算法簡單且易于實現(xiàn).灰色模型計算工作量小，并且可以通過對少量樣本的分析來體現(xiàn)網(wǎng)絡(luò)的安全態(tài)勢[6].但是，灰色理論模型預(yù)測的精度不高，具有較大誤差，僅能反映基本的網(wǎng)絡(luò)安全的未來走勢，導(dǎo)致其應(yīng)用范圍狹窄，具有很大的局限性和不科學(xué)性.回歸分析預(yù)測模型在時間上表現(xiàn)了很好的相關(guān)性，它能根據(jù)歷史自變量值來估計因變量的總體平均值.同時，在預(yù)測結(jié)果方面，回歸分析預(yù)測模型也體現(xiàn)了因變量的隨機(jī)性及周期性.但是，回歸分析預(yù)測模型也有一定的不足之處，它需要繁多的人工操作，對于中長期的情況，該方法效果并不理想.神經(jīng)網(wǎng)絡(luò)是在現(xiàn)代神經(jīng)科學(xué)的基礎(chǔ)上提出和發(fā)展起來的，它是由神經(jīng)元作為基本單位，大量的微處理單元連接而成的復(fù)雜的、能夠進(jìn)行任務(wù)并行處理的系統(tǒng).它通過非線性的方式將復(fù)雜的問題進(jìn)行轉(zhuǎn)換，隨后通過超強(qiáng)的自組織、自學(xué)習(xí)能力，建立模型來處理不精確、模糊或海量的信息.但是神經(jīng)網(wǎng)路方法需要較長的訓(xùn)練時間，消耗比較大，容易受到主觀因素的影響，陷入局部極小值[7]，影響結(jié)果的客觀性.

1 支持向量機(jī)

支持向量機(jī)是由Corinna Cortes和Vladimir Vapnik在1995年提出，它是一種監(jiān)督學(xué)習(xí)模型，可用來進(jìn)行數(shù)據(jù)分類、回歸分析以及孤立點檢測等應(yīng)用.其優(yōu)勢在于它在高維空間中有效，且通過核機(jī)制的引入，能有效執(zhí)行非線性分類的情況，針對線性不可分情況，引入核函數(shù)有效克服維數(shù)災(zāi)難[7].支持向量機(jī)的另一個特點在于它是把結(jié)構(gòu)風(fēng)險最小化，可以有效解決易陷入局部最小和過學(xué)習(xí)的問題.

支持向量機(jī)的結(jié)構(gòu)示意圖如圖1所示：

圖1 支持向量機(jī)的結(jié)構(gòu)示意圖

在圖1所示支持向量機(jī)的結(jié)構(gòu)中，要選擇滿足下述定理1的特征的核函數(shù)，將非線性的輸入隱式映射到高維的特征空間中.

定理1[8]. 若對稱函數(shù)K(μ,υ)能以正系數(shù)αk>0展開成

(1)

其充要條件為K(μ,υ)是某個特征空間中的內(nèi)積，在使g≠0條件下：

(2)

?K(μ,υ)g(μ)dμdμ>0

(3)

成立.

1.4.2 現(xiàn)有居家養(yǎng)老服務(wù)難以滿足農(nóng)村老人醫(yī)療護(hù)理服務(wù)需求 隨著經(jīng)濟(jì)社會發(fā)展以及醫(yī)療技術(shù)水平的提高，在帶來老年人壽命延長的同時，也導(dǎo)致了老年人群的殘障比增加。據(jù)第六次人口普查資料顯示（圖3），隨著年齡的增長，農(nóng)村自評為健康的老年人下降明顯，失能、失智的老年人數(shù)目不斷增加。同時，由于長時間從事重體力勞動、又缺乏體檢等預(yù)防性觀念，農(nóng)村老年人的健康狀況與城市相比較差，農(nóng)村老人存在“潛在的”醫(yī)療服務(wù)需求，但是農(nóng)村醫(yī)療資源相對缺乏、供給缺位，不利于農(nóng)村居家養(yǎng)老服務(wù)項目和服務(wù)內(nèi)容的拓展。

2 粒子群優(yōu)化支持向量機(jī)

核函數(shù)和懲罰函數(shù)都具有可調(diào)節(jié)性，對支持向量機(jī)模型的建立起著至關(guān)重要的作用.選擇合適的核函數(shù)將數(shù)據(jù)投影到比較合適的特征空間后才能使用支持向量機(jī)進(jìn)行分類和預(yù)測[9].根據(jù)數(shù)據(jù)樣本的規(guī)模和特點，并針對本文的網(wǎng)絡(luò)態(tài)勢預(yù)測問題，可以選擇粒子群算法來優(yōu)化支持向量機(jī)的參數(shù).在解決網(wǎng)絡(luò)搜索算法受限的問題上，粒子群算法和遺傳算法都可以作為優(yōu)化算法，但粒子群算法未使用交叉和變異操作，簡化了操作步驟，提高了效率.

每個優(yōu)化問題的潛在解其實就是粒子群算法的“粒子”，可以把它當(dāng)作一個D維搜索空間上的點.

粒子群算法(particle swarm optimization)的基本原理可以描述為：假設(shè)在D維搜索空間中共有n個粒子以一定的速度在飛行，選取種群X=(X1,X2,…,Xn)，第i個粒子的位置為Xi=(xi 1,xi 2,…,xi n)，第i個粒子的速度為Vi=(vi 1,vi 2,…,vi D).根據(jù)目標(biāo)函數(shù)計算出Xi對應(yīng)的適應(yīng)度值，其中Pi=(pi 1,pi 2,…,pi D)為其個體極值，種群的全局極值為Pg=(pg 1,pg 2,…,pg D).粒子的速度和位置的更新公式為

vi j(t+1)=wvi j(t)+c1r1(pi j(t)-
xi j(t))+c2r2,

(4)

xi j(t+1)=xi j(t)+vi j(t+1),

(5)

其中，w為慣性權(quán)重，i=1,2,…,n，j=1,2,…,d.

可以得到粒子群優(yōu)化參數(shù)選優(yōu)的具體過程為[10]：

Step1. 根據(jù)適應(yīng)度函數(shù)評價粒子，直到滿足停止迭代條件，其中適應(yīng)度函數(shù)是根據(jù)交叉驗證意義下的誤差確定;

Step2. 初始化具有n個粒子數(shù)目的種群，設(shè)定空間位置和速度、最大迭代次數(shù)kmax、慣性權(quán)重w、學(xué)習(xí)因子c1,c2以及終止條件;

Step3. 求種群中每個粒子的適應(yīng)度值;

Step4. 比較每個粒子的適應(yīng)值和經(jīng)過位置pbesti；效果好，作為當(dāng)前最優(yōu)位置pbesti；否則，保持原位置;

Step5. 比較每個粒子適應(yīng)值和全局所經(jīng)歷的最優(yōu)位置gbest，效果好，則將其作為種群經(jīng)歷的最優(yōu)位置gbest;

Step6. 按照式(4)(5)對粒子速度和位置進(jìn)行更新;

Step7.判斷是否符合終止條件，若滿足則輸出，否則轉(zhuǎn)Step3;我們把循環(huán)終止條件設(shè)為達(dá)到最大迭代次數(shù)genmax.

3 建立PSO-SVR預(yù)測模型

本文取絕對誤差、平均絕對誤差、平均相對誤差和平均平方根誤差作為實驗的評價指標(biāo)；這些值越小，說明預(yù)測得越準(zhǔn)確.

本文采用的實驗數(shù)據(jù)來自國家互聯(lián)網(wǎng)應(yīng)急中心網(wǎng)站上公布的態(tài)勢報告，我們分別選取5個影響安全態(tài)勢的因素：主機(jī)數(shù)量-感染病毒、網(wǎng)站數(shù)量-被篡改、網(wǎng)站總數(shù)-被植入后門、網(wǎng)站數(shù)量-仿冒頁面和信息安全漏洞數(shù)量-新增.安全級別可分為：優(yōu)、良、中、差、危.將安全態(tài)勢轉(zhuǎn)換為數(shù)字表示，如表1所示:

表1 安全態(tài)勢與數(shù)字對應(yīng)表

本文提出了基于PSO-SVR的網(wǎng)絡(luò)態(tài)勢預(yù)測模型，將過去和現(xiàn)在的統(tǒng)計指標(biāo)數(shù)據(jù)進(jìn)行歸一化處理，形成歷史網(wǎng)絡(luò)態(tài)勢值，將該值經(jīng)過模型訓(xùn)練和測試后，可以達(dá)到預(yù)測未來的網(wǎng)絡(luò)態(tài)勢值的目的.在本文中我們?nèi)?00周的態(tài)勢報告，形成100組數(shù)據(jù).取前90周作為訓(xùn)練，后10周作為模型預(yù)測.數(shù)據(jù)集中包含5個特征和1個標(biāo)簽.

4 模型預(yù)測結(jié)果

網(wǎng)絡(luò)態(tài)勢實際值和預(yù)測值的對比如表2所示：

表2 網(wǎng)絡(luò)態(tài)勢實際值和預(yù)測值的對比

使用PSO-SVR模型測試樣本的網(wǎng)絡(luò)態(tài)勢預(yù)測曲線圖如圖2所示：

圖2 網(wǎng)絡(luò)態(tài)勢預(yù)測曲線圖

預(yù)測結(jié)果的絕對誤差曲線圖如圖3所示:

圖3 絕對誤差曲線圖

用評價指標(biāo)對預(yù)測的結(jié)果進(jìn)行定性的評判，得到各評價指標(biāo)的值如表3所示：

表3 網(wǎng)絡(luò)態(tài)勢實際值和預(yù)測值的對比

從表2、圖2和圖3可得：本文提出的模型對實驗過程中所取的測試樣本的預(yù)測值與實際態(tài)勢值的基本相符，通過對實驗結(jié)果的分析，可以得出本文所提出的模型有較好的預(yù)測準(zhǔn)確度，能夠符合網(wǎng)絡(luò)安全態(tài)勢預(yù)測技術(shù)的要求.

5 結(jié) 論

本文使用PSO優(yōu)化SVR參數(shù)對網(wǎng)絡(luò)安全態(tài)勢進(jìn)行預(yù)測.該預(yù)測模型能得到與真實值誤差較小的預(yù)測值，擬合性較好.實驗表明，PSO-SVR預(yù)測模型可以較好地預(yù)測網(wǎng)絡(luò)態(tài)勢，取得了較好的效果，增強(qiáng)網(wǎng)絡(luò)安全防御的主動性，降低網(wǎng)絡(luò)攻擊給人們帶來的損失，實用范圍廣泛.