一種基于SA-SOA-BP神經網絡的網絡安全態(tài)勢預測算法

張 然，劉 敏，張啟坤，尹毅峰

(鄭州輕工業(yè)大學 計算機與通信工程學院，鄭州 450002)

1 引 言

隨著大數據、人工智能和互聯(lián)網的高速發(fā)展及應用，網絡結構的復雜化、數據的多元化以及網絡協(xié)議的多樣化，使得多層面、多形式的網絡安全風險隨之加劇.網絡攻擊方式也變得多樣化，日漸向著分布化、規(guī)?；碗s化等方向發(fā)展，而像入侵檢測系統(tǒng)、防火墻等傳統(tǒng)的網絡安全防御手段已經不能滿足現在高速、智能、多源的網絡安全需求，我們需要更加先進、優(yōu)化的技術手段和方式方法去防范網絡安全事件的發(fā)生.

安全態(tài)勢感知最早運用在航空和軍事領域，用來快速決策和處理復雜的航空和軍事事件.1999年，Bass首次提出了網絡安全態(tài)勢感知(network security situation awareness,NSSA)的概念[1]，后來態(tài)勢感知被研究者們廣泛地運用到網絡安全領域.研究者們發(fā)現態(tài)勢感知不僅可以進行網絡安全態(tài)勢評估，也可以用來進行網絡安全態(tài)勢預測，使原來的被動防御變?yōu)橹鲃臃烙?，可以很大程度的解決網絡安全的防御問題，因此成為了當下的一個熱點研究方向.

本文的主要工作如下：

1)提出了一種基于SA-SOA-BP神經網絡的網絡安全態(tài)勢預測方法，利用改進的BP神經網絡模型訓練產生安全態(tài)勢值來預測未來網絡安全態(tài)勢的狀況以及發(fā)展趨勢.

2)將人群搜索算法應用到BP神經網絡中優(yōu)化它的權值和閾值，提高基于神經網絡的網絡安全態(tài)勢預測的精準度.

3)將模擬退火算法引入到人群搜索算法中來克服它的局部最優(yōu)和收斂緩慢的問題，進一步提高安全態(tài)勢預測的精準度和收斂速度.

4)應用不同優(yōu)化算法進行實驗對比，表明我們提出的基于SA-SOA-BP神經網絡的網絡安全態(tài)勢預測方法的誤差最小，精準度最高，收斂速度較快，可以有效預測未來網絡安全態(tài)勢的變化情況.

2 相關工作

目前，網絡安全態(tài)勢預測的研究已經非常廣泛，國外對這方面的研究相對比較早.文獻[2]將現有的網絡安全狀況預測機制分為三大類，并就每種模型的優(yōu)缺點進行了回顧.文獻[3]提供了有關網絡安全中的預測和方法的概述，對攻擊預測、意圖識別、入侵預測和網絡安全態(tài)勢預測進行了討論和比較.文獻[4]提出了一種基于變長馬爾可夫的預測模型，通過捕獲攻擊軌跡的順序屬性，實現對該攻擊的預測.文獻[5]提出了一種基于時間序列波動分析和預測的方法，實現對分布式拒絕服務(DDoS)活動的預測.文獻[6]提出了基于語義Web的網絡安全狀態(tài)預測工具，它可以在系統(tǒng)配置不斷變化的領域(如計算機網絡)中應用.

近些年國內在網絡安全態(tài)勢預測方面也做了大量的研究，很多研究者們嘗試將人工智能的方法引入態(tài)勢感知領域來提高態(tài)勢評估和預測的準確性.文獻[7]提出了一種基于灰色關聯(lián)分析和支持向量機的網絡安全態(tài)勢預測方法，該方法采用灰色關聯(lián)分析法(GRA)對網絡評估指標進行加權分析，利用支持向量機(SVM)算法對預測過程進行仿真，提高了預測的精準度.文獻[8]提出了一種基于改進的深度神經網絡模型的入侵檢測方法，該方法利用自編碼器對數據特征學習、降維和去冗，利用深度神經網絡分類，再通過多層網格搜索算法優(yōu)化，很大程度上提高了精準度和訓練速度.文獻[9]提出了一種基于時空維度分析的網絡安全態(tài)勢預測方法，解決了未來安全態(tài)勢要素值的新變化以及周圍節(jié)點安全態(tài)勢要素對態(tài)勢預測的影響，但此方法受提取的態(tài)勢要素值的影響較大，另外該方法中用到了脆弱性預測算法，它的隨機性較大，對預測的準確性有影響.文獻[10]提出了一種基于隱Markov模型的實時網絡安全態(tài)勢預測模型，可以有效的提高預測的實時性，但是HMM模型存在參數估計的效率性問題.文獻[11]提出了一種基于優(yōu)化RBF神經網絡的SDN網絡安全態(tài)勢評估方法，該方法在SDN網絡中能全面提取態(tài)勢指標，再通過改進的K-means和PSO算法優(yōu)化RBF神經網絡，在一定程度上提高了態(tài)勢評估的準確性和性能，但在提取態(tài)勢指標時還存在不足.文獻[12]提出了一種基于模擬退火算法和變步長學習策略優(yōu)化BP神經網絡的評估模型，克服了傳統(tǒng)BP神經網絡反饋誤差慢和易陷入局部極值的局限性，提高了評估的精準度.文獻[13]提出了一種基于MapReduce和SVM的網絡安全態(tài)勢預測模型，該模型使用杜鵑算法優(yōu)化SVM的參數，并使用MapReduce對SVM進行分布式訓練，以提高訓練速度.文獻[14]提出了一種基于IFS-NARX模型的網絡安全態(tài)勢預測方法，該方法具有較高的學習效率，可以更及時、準確地預測網絡安全態(tài)勢.文獻[15]提出了一種基于灰色神經網絡的云環(huán)境中網絡安全態(tài)勢預測方法，該方法用于解決云環(huán)境中現有的網絡安全態(tài)勢預測在準確性和實時性能方面的局限性.這些預測模型和方法是近幾年研究中比較常用的，主要有基于向量機模型、時間序列分析模型、要素分析方法、隱Markov模型、神經網絡模型等，這些改進的方法相比傳統(tǒng)方法在一定程度上提高了評估預測的效果，但是這些方法面對收集到的海量數據，在準確性和效率上還不理想，無法適應動態(tài)多變的網絡安全需求.

人群搜索算法(SOA)是一種智能搜索算法，應用較為廣泛.在前面的研究中我們采用SOA優(yōu)化BP神經網絡并應用于網絡安全態(tài)勢預測，從一定程度上提高了預測的精準度，但SOA存在搜索后期易陷入局部最優(yōu)即“早熟”現象和收斂緩慢的問題.為了克服這個問題，本文又將模擬退火算法(SA)引入人群搜索算法(SOA)并與BP神經網絡相結合，對基于SA-SOA-BP神經網絡的網絡安全態(tài)勢預測算法進行研究和仿真實驗.

3 基于SA-SOA-BP神經網絡的網絡安全態(tài)勢預測

BP(Back Propagation)神經網絡是1986年由Rumellhart和McCelland為首的科學小組提出[16].由于BP神經網絡結構簡單，可調整的參數多，訓練的算法多，魯棒性和自我學習能力強，并且可操作性好，因此它是目前應用最廣泛的神經網絡預測模型之一[17].BP神經網絡主要是通過反向傳播算法反復調整網絡的權值和閾值，直到得到最優(yōu)的權值和閾值，再經過不斷地學習和訓練，使輸出數據與真實值盡量地一致，最后當輸出的誤差平方和小于指定的誤差時，訓練完成，保存最優(yōu)連接權值和閾值.但是它的初始連接權值和閾值難以準確獲得并且迭代次數多、運算速度低，不能保證收斂到全局極值點.針對BP神經網絡的這些局限性，大多數的研究都是通過智能優(yōu)化算法尋找最優(yōu)權值和閾值來彌補BP神經網絡的不足，比如采用粒子群算法(PSO)優(yōu)化BP神經網絡[18]，采用遺傳算法(GA)優(yōu)化BP神經網絡[19]等.

為了彌補BP神經網絡的局限性，本文將人群搜索算法(SOA)應用到BP神經網絡中，迭代尋找其最優(yōu)權值和閾值.但是SOA算法在尋找最優(yōu)個體的過程中易陷入局部最優(yōu)和出現收斂緩慢等問題，因此又將模擬退火算法(SA)引入到人群搜索算法(SOA)中，提高它的全局搜索能力，并將模擬退火算法優(yōu)化的人群搜索算法(SA-SOA)與BP神經網絡相結合進行網絡安全態(tài)勢預測，以此提高基于BP神經網絡進行網絡安全態(tài)勢預測的效率和準確性.

3.1 人群搜索算法

人群搜索算法(Seeker Optimization Algorithm，簡稱SOA)是一種較新的啟發(fā)式隨機搜索算法[20].它主要研究和分析人類在隨機搜尋過程中的智能行為，依靠人類的社會經驗，同時結合進化的思想，以搜索最優(yōu)位置為核心，通過利己、利他、預動和不確定這四種搜索策略行為對其進行建模，確定人群搜索的方向和步長，然后不斷地更新位置，獲得最優(yōu)解.SOA算法的優(yōu)點在于它簡單，概念明確、清晰、易于理解、收斂速度快、收斂精度高.其計算步驟主要包括：

1)搜索步長的確定

在確定步長時，需要對個體最優(yōu)適應度值進行降序排列，并給每個個體賦予索引號作為模糊推理的輸入，本文是使用高斯線性隸屬函數來表示搜索步長的模糊變量的輸出,它可以很好的將第i個個體最佳適應度值線性的映射到最小和最大隸屬度之間，映射公式如下：

(1)

uij=ui+(1-ui)*rand(j=1,2,3,…，D)

(2)

上式中，ui為第i個個體對應的隸屬度；Indexfitnessgbest(i)為第i個個體最佳適應度值的索引號；sizepop=30,sizepop為種群規(guī)模；Umax=0.95和Umin=0.0111分別表示最大和最小函數隸屬度；uij表示在j維探索空間中目標函數值i所對應的隸屬度；根據公式(1)和公式(2)得到最佳適應度值個體對應的隸屬度，再根據公式(3)確定步長：

(3)

上式中，aij表示為第i個搜尋者在j維搜索空間的搜索步長，δij為高斯隸屬函數的參數，其值由下列公式確定.

δij=H(t)*|zbest-5*rands(1,10)|

(4)

(5)

zbest表示為全局最佳；rands(1,10)表示為[1,10]之間的隨機實數；H(t)表示第t次迭代的權重函數值，在迭代的過程中是不斷的變化，它受最大迭代次數和當前迭代次數的影響，其中maxgen=100.

2)搜索方向的確定

在確定搜索方向時，依據個體最佳和全體最佳與當前個體相比較確定搜索方向是利己、利他還是預動方向.

(6)

(7)

(8)

基于SA-SOA-BP神經網絡的網絡安全態(tài)勢預測算法是以三個方向的隨機加權幾何平均數為標準確定搜索方向，其計算公式如下：

(9)

(10)

在上式中，W為慣性權值，φ1和φ2為[0,1]內均勻分布的常數.t為當前迭代次數，取值范圍為[2,maxgen]之間的整數，Wmax=0.9為權重最大值，Wmin=0.1為權重最小值.

3)位置更新

計算得到個體探索的方向和步長之后，要對個體的位置進行更新.位置更新公式如下：

(11)

人群搜索算法屬于一種優(yōu)化算法，一般都是通過此算法去優(yōu)化另一種算法或模型，使優(yōu)化后的算法或模型具有更好的準確性、穩(wěn)定性、收斂性和有效性等.它為一些傳統(tǒng)的預測模型提供了幫助.

3.2 模擬退火算法

模擬退火算法(Simulated Annealing，簡稱SA)最早是由Metropolis[21]在1953年提出，并由Kirkpatrick[22]等成功引入組合優(yōu)化領域.其思想是對高溫固體退火降溫過程進行模擬，通過加溫、等溫和冷卻這三個過程，將系統(tǒng)的能量看成優(yōu)化問題的目標函數，其能量隨著溫度的降低也隨之下降，當溫度緩緩降溫并趨于零時，此時既是能量最低狀態(tài)，也是得到相對全局最優(yōu)解的時刻[23].SA算法具有較強的魯棒性、隱含并行性、廣泛的適應性，以及全局搜索能力，它主要利用Metropolis算法并適當控制溫度的下降過程，以一定的概率接受劣質解，跳出陷入局部極值的陷阱，從而提高算法的全局收斂性.SA算法在大多數情況下也是用于優(yōu)化另一種算法或模型，很少單獨使用.

人群搜索算法(SOA)具有收斂速度快和精度高等優(yōu)點，但同時也易陷入局部最優(yōu)，即出現“早熟”現象，原因是人群搜索算法在搜索后期，當搜索步長趨于零時，仍不能搜索到全局最優(yōu)解.為了解決這一問題，本文將模擬退火算法(SA)引入到人群搜索算法(SOA)中，SA算法在搜索尋優(yōu)過程中會以一定的概率接受劣質解，即SA算法既能接受優(yōu)解又能接受惡解，從此避免了SOA算法陷入局部最優(yōu).

1)初始化溫度

在退火算法中，初始化溫度的確定很關鍵，它將會直接影響算法的初始性能，若確定不好，最終可能導致無用的搜索和增加搜索時間.初始溫度確定如下:

(12)

上式中，fitnesszbest表示全局最佳適應度值.α為初始接受概率，一般取值為[0.2,0.5].

2)退火速率的控制

Tt+1=γTt(2≤t≤maxgen,0≤γ≤1)

(13)

上式中，γ為降溫的速率，t為迭代次數.

3)突跳概率的確定

當退火溫度確定時，當前最佳適應度值就以突跳概率代替以前個體最佳適應度值和全局最佳適應度值，則突跳概率的確定公式如下：

(14)

df=fitness(i)-fitnesszbest

(15)

上式中，fitness(i)為當前個體適應度值，fitnesszbest為全局最佳適應度值.如果df<0，則以概率1接受新解；否則以概率exp(-df/T)接受新解.從上式可以看出，在一定程度上退火算法可以幫助人群搜索算法避免陷入局部最優(yōu)值，最后得到最優(yōu)解.

3.3 基于SA-SOA-BP神經網絡的安全態(tài)勢預測算法

應用模擬退火算法優(yōu)化人群搜索算法改進BP神經網絡(簡稱SA-SOA-BP神經網絡)的網絡安全態(tài)勢預測方法的主要步驟如下：

Step 1.預處理樣本數據，再根據樣本數據的特點確定BP神經網絡的結構，并初始化BP神經網絡的連接權值和閾值.

Step 2.初始化種群個體、種群規(guī)模、最大迭代次數、空間維數、最小最大隸屬度、權重的最小值最大值.

Step 3.初始化退火的溫度、降溫速率、突跳概率.

Step 4.將預處理過的樣本數據代入適應度函數中，計算個體的適應度值，找出全局最佳、個體最佳、個體最佳適應度值和全局最佳適應度值.此算法是以用訓練數據訓練BP神經網絡得到的預測值與真實值之間的誤差絕對值和作為個體適應度值.

Step 5.初始化經驗梯度方向、搜索步長和方向以及高斯函數的參數δij.確定搜索策略，即搜索方向的確定，根據公式(6)-式(7)計算可得；確定經驗梯度的方向，根據公式(9)計算可得；確定高斯函數的參數δij，根據公式(4)-式(5)計算可得；確定搜索步長的大小，根據公式(3)計算可得；根據計算得到的步長和方向按公式(11)更新位置，更新個體最優(yōu)和群體最優(yōu)以及它們的適應度值.

Step 6.Metropolis準則的引入.在全局最優(yōu)適應度值的鄰域內選擇一個搜尋者，按公式(15)計算當前個體的適應度值與全局最佳適應度值的差值df.如果df<0，則以概率1接受新的位置，否則以概率exp(-df/T)接受新的位置，然后更新個體最優(yōu)位置gbest和群體最優(yōu)位置zbest.

Step 7.降溫處理，根據公式(13)控制溫度.

Step 8.判斷是否滿足循環(huán)的終止條件，即是否超過最大迭代次數和種群規(guī)模.如果沒有，繼續(xù)迭代尋優(yōu)，跳轉至Step 5.

Step 9.得到最佳網絡權值和閾值，并賦值賦給BP神經網絡的隨機初始閾值和權值.

Step 10.訓練及預測.將處理過的訓練數據輸入該模型，經過訓練，得到具有預測能力的SA-SOA-BP模型，再將測試數據輸入該模型，得到預測態(tài)勢值，分析結果.

基于SA-SOA-BP神經網絡的安全態(tài)勢預測算法流程如圖1所示.

4 實驗與結果分析

本文將模擬退火算法(SA)引入人群搜索算法(SOA)優(yōu)化BP神經網絡應用于網絡安全態(tài)勢預測中來提高預測的準確性和收斂性.實驗以《網絡安全信息與動態(tài)周報》2015年第1期-2017年第7期所發(fā)布的網絡安全數據作為實驗數據，它主要以感染病毒的主機數量、被篡改的網站總數、被植入后門網站總數、境內網站的仿冒頁面數量和新增信息安全漏洞數量作為評價指標.這五方面可以比較全面的反應現代網絡安全的狀況，可以作為評價每周的網絡安全基本態(tài)勢的指標.為了實驗方便，這里將優(yōu)、良、中、差、危五個安全等級轉化為數字等級，如表1所示.

圖1 基于SA-SOA-BP的網絡安全態(tài)勢預測算法流程圖Fig.1 Flow chart of network security situation prediction algorithm based on SA-SOA-BP

表1 網絡安全態(tài)勢值轉換表Table 1 Network security situation value conversion table

4.1 數據預處理

根據神經網絡的特性，訓練樣本數量過多，將會增加訓練的時間，數量過少將會降低預測準確度，所以本文選擇101條數據為訓練樣本，10條數據為測試樣本.為了提高預測的準確度，需要先對數據進行預處理和歸一化操作.數據歸一化的方法一般有兩種，一種是歸一化為[0，1]，一種是歸一化為[-1，1].本實驗用到了后一種方法，歸一化公式見公式(16)，歸一化后的結果如圖2所示.

(16)

4.2 預測及結果分析

1)確定BP神經網絡的網絡結構.由上述所知網絡安全態(tài)勢共有五大評價指標，最后要化為一個安全等級，所以此實驗有五個輸入參數，一個輸出參數，再根據公式(17)-公式(19)確定隱含層節(jié)點個數.

l

(17)

(18)

l=log2n

(19)

此公式中，n為輸入層節(jié)點數；l為隱含層節(jié)點數；m為輸出層節(jié)點數；a為0-10之間的正整數.再根據試湊法確定此實驗的隱含層節(jié)點數為8，最終確定本實驗的網絡結構為5-8-1.

圖2 樣本數據標準化Fig.2 Standardization of sample data

2)驗證應用SA-SOA算法優(yōu)化BP神經網絡進行網絡安全態(tài)勢預測的精準性和優(yōu)越性.采用均方誤差(MSE)、平均絕對百分比誤差(MAPE)和均方根誤差(RMSE)三個性能指標來衡量真實值與預測值之間的差異.

均方誤差指標：

(20)

平均絕對百分比誤差指標:

(21)

均方根誤差指標：

(22)

3)與其它優(yōu)化算法的預測結果進行對比分析.圖3顯示了基于粒子群算法(PSO)、遺傳算法(GA)、人群搜索算法(SOA)和SA-SOA算法優(yōu)化BP神經網絡進行網絡安全態(tài)勢預測的實驗結果對比圖，以及各個優(yōu)化算法的預測值的折線圖的變化趨勢和真實值的折線圖的接近程度.

圖3 SA-SOA與其它算法優(yōu)化BP神經網絡的安全態(tài)勢預測對比圖Fig.3 Comparison chart of SA-SOA and other algorithms to optimize the BP neural network for security situation prediction

從圖3可以看到，基于PSO算法優(yōu)化BP神經網絡得到的預測值折線圖在開始部分相對于真實值折線圖變化波動比較大，后期相對穩(wěn)定；基于GA優(yōu)化BP神經網絡得到的預測值折線圖主要在第6個測試樣本數據點與真實值的折線圖相差較大，其它部分比較接近；基于SOA優(yōu)化BP神經網絡得到的預測值折線圖相對真實值的折線圖變化波動有點大，不太穩(wěn)定；而基于SA-SOA算法優(yōu)化BP神經網絡得到的預測值折線圖整體上比較接近真實值折線圖，比其它的智能優(yōu)化算法相對真實值的折線圖波動最小，與真實值的折線圖更接近，更吻合.

表2給出了PSO、GA、SOA及SA-SOA優(yōu)化BP神經網絡進行網絡安全態(tài)勢預測得到的10個測試值以及與真實值之間的絕對誤差.

表2 預測數據分析表Table 2 Prediction data analysis table

從表2可以看出各個算法在10個測試樣本數據點得到的預測值以及它們與真實值之間的絕對誤差的具體數值，整體上看基于模擬退火算法改進的SOA-BP算法的誤差更小，這說明基于SA-SOA-BP算法進行網絡安全態(tài)勢預測的準確性更高.

表3分別計算了PSO、GA、SOA、SA-SOA優(yōu)化BP神經網絡進行網絡安全態(tài)勢預測得到的預測值與真實值之間的均方誤差、平均絕對百分誤差以及均方根誤差.

從表3可以宏觀地看出，基于SA-SOA-BP神經網絡的網絡安全態(tài)勢預測算法得到的預測值與真實值之間的均方誤差、平均絕對百分比誤差和均方根誤差三個衡量指標值相對其它優(yōu)化算法得到的衡量指標值都是最小，這從宏觀角度表明了基于SA-SOA-BP神經網絡的網絡安全態(tài)勢預測算法比其它三種算法具有更高的精準性和有效性.

表3 精準度對照表Table 3 Accuracy comparison table

4.3 算法收斂性分析

由于在本實驗中是用訓練數據預測誤差絕對值和作為個體適應度值，個體適應度值越小，說明該個體越優(yōu).因此個體最優(yōu)適應度的變化情況既可以反應算法的收斂情況，又可以反應訓練數據集的訓練過程.圖4給出了PSO、GA、SOA和SA-SOA優(yōu)化BP神經網絡算法在迭代尋優(yōu)過程中最優(yōu)個體適應度值的變化趨勢.

圖4 最優(yōu)個體適應度值變化對照圖Fig.4 Comparison chart of optimal individual fitness value changes

從圖4中可以看出，PSO-BP算法在開始時得到的最優(yōu)個體適應度值相對較高，并且自第25次和第62次迭代時開始長期陷入局部極值，跳出局部極值的時間較長，最優(yōu)個體適應度值的最小值為21.727；GA-BP算法在第4次迭代時陷入局部極值，經過30次迭代才跳出了局部極值，但是之后又陷入了局部極值，并一直到最后沒有再跳出局部極值的陷阱，并且此算法是所有算法中最早陷入局部極值的算法，最優(yōu)個體適應度值的最小值為23.837；SOA-BP算法在前期的優(yōu)化效果雖然比較好，但是在自第42次迭代開始陷入局部極值后，一直陷入局部極值中沒有跳出，最優(yōu)個體適應度值的最小值為22.957；SA-SOA-BP算法是最不容易陷入局部最優(yōu)的算法，多次跳出了局部極值的陷阱，其最優(yōu)個體適應度值的最小值達到20.699.另外在第84次迭代時，SA-SOA-BP算法首先達到了最小的適應度值20.699，而SOA-BP算法在此時并沒有達到最小的適應度值，說明了在100次迭代內SA-SOA-BP算法的收斂速度相對較快達到最小的適應度值.從圖4的最優(yōu)個體適應度值的變化趨勢可以看出，采用SA-SOA優(yōu)化BP神經網絡進行預測的收斂效果比PSO、GA和SOA算法優(yōu)化BP神經網絡進行態(tài)勢預測的收斂效果更好，其適應度值在趨于平穩(wěn)時值最小.綜上所述，SA-SOA-BP算法的收斂性效果相對較好，速度相對較快.

5 總 結

本文將模擬退火算法引入人群搜索算法來優(yōu)化BP神經網絡，提出了一種基于SA-SOA-BP神經網絡的網絡安全態(tài)勢預測方法，解決了BP神經網絡權值和閾值難以確定和SOA算法在搜索后期收斂速度緩慢和易于陷入局部最優(yōu)等問題，增強了人群搜索算法的全局尋優(yōu)能力，加快了算法的收斂速度，提高了網絡安全態(tài)勢預測的準確性.對比實驗結果表明，基于SA-SOA-BP神經網絡的網絡安全態(tài)勢預測算法比SOA優(yōu)化BP神經網絡、GA優(yōu)化BP神經網絡以及PSO算法優(yōu)化BP神經網絡的預測結果更為穩(wěn)定、準確，并具有更好的穩(wěn)定性和收斂性.下一步的研究將與其它智能預測算法進行對比，進一步尋找精度和效率更高的網絡安全態(tài)勢預測方法.