IGAPSO-ELM:一種網(wǎng)絡(luò)安全態(tài)勢(shì)預(yù)測(cè)模型

唐延強(qiáng)， 李成海， 王 堅(jiān)， 王亞男， 曹 波

(空軍工程大學(xué),a.研究生院; b.防空反導(dǎo)學(xué)院，西安 710000)

0 引言

在日益復(fù)雜的網(wǎng)絡(luò)環(huán)境中，網(wǎng)絡(luò)安全威脅越來(lái)越受到人們的重視。雖然目前已經(jīng)開(kāi)發(fā)了防火墻、入侵檢測(cè)系統(tǒng)等技術(shù)，但現(xiàn)有方法只能應(yīng)對(duì)已經(jīng)發(fā)生的威脅，卻不能預(yù)測(cè)網(wǎng)絡(luò)安全的整體趨勢(shì)。若能夠預(yù)測(cè)到網(wǎng)絡(luò)未來(lái)的安全狀況及變化趨勢(shì)，為網(wǎng)絡(luò)安全策略選取提供指導(dǎo)，則能夠極大地降低受到網(wǎng)絡(luò)攻擊的風(fēng)險(xiǎn)。網(wǎng)絡(luò)安全態(tài)勢(shì)預(yù)測(cè)是一種主動(dòng)防御機(jī)制[1],在獲取、變換及處理歷史和當(dāng)前態(tài)勢(shì)數(shù)據(jù)序列的基礎(chǔ)上，探尋態(tài)勢(shì)數(shù)據(jù)之間的發(fā)展變化規(guī)律，對(duì)態(tài)勢(shì)的未來(lái)發(fā)展趨勢(shì)和狀況進(jìn)行類似推理，進(jìn)而形成科學(xué)的判斷、推測(cè)和估計(jì)。

典型的網(wǎng)絡(luò)安全態(tài)勢(shì)預(yù)測(cè)方法有灰色理論預(yù)測(cè)[2]、時(shí)間序列預(yù)測(cè)[3]等，但由于網(wǎng)絡(luò)安全態(tài)勢(shì)變化趨勢(shì)是非線性、時(shí)變性的，很多經(jīng)典預(yù)測(cè)方法的預(yù)測(cè)精度不夠理想。隨著人工智能算法的普遍應(yīng)用，眾多研究者提出了一系列新的預(yù)測(cè)方法：馬爾可夫鏈預(yù)測(cè)[4]、支持向量機(jī)預(yù)測(cè)[5]和神經(jīng)網(wǎng)絡(luò)預(yù)測(cè)[6]等。文獻(xiàn)[7]提出支持向量機(jī)預(yù)測(cè)模型，通過(guò)布谷鳥(niǎo)搜索進(jìn)行參數(shù)優(yōu)化，降低了訓(xùn)練時(shí)間的開(kāi)銷，但預(yù)測(cè)精度有待提高;文獻(xiàn)[8]將模糊理論與粒子群優(yōu)化(Particle Swarm Optimization,PSO)算法和徑向基函數(shù)(Radial Basis Function,RBF)神經(jīng)網(wǎng)絡(luò)相結(jié)合，使PSO-RBF神經(jīng)網(wǎng)絡(luò)的模糊理論預(yù)測(cè)模型具有更快、更有效的評(píng)價(jià)和預(yù)測(cè)效果，但增加了模型的復(fù)雜度；文獻(xiàn)[9]將遺傳算法(Genetic Algorithm,GA)與BP神經(jīng)網(wǎng)絡(luò)相結(jié)合，用于優(yōu)化BP神經(jīng)網(wǎng)絡(luò)的初始值，避免了陷入局部極小值；文獻(xiàn)[10]提出一種PSO優(yōu)化在線極限學(xué)習(xí)機(jī)(Extreme Learning Machine,ELM)預(yù)測(cè)模型，解決了GA-BP模型訓(xùn)練時(shí)間過(guò)長(zhǎng)的問(wèn)題，但穩(wěn)定性不足。

綜上，雖然人工智能的方法對(duì)非線性時(shí)間序列數(shù)據(jù)具有很強(qiáng)的逼近和擬合能力，但是也存在一定的局限，如泛化能力弱、易陷入局部極小值等問(wèn)題。為了解決這些問(wèn)題，本文提出一種改進(jìn)遺傳粒子群算法優(yōu)化極限學(xué)習(xí)機(jī)(IGAPSO-ELM)的網(wǎng)絡(luò)安全態(tài)勢(shì)預(yù)測(cè)模型，建立算法參數(shù)的自適應(yīng)模型，并進(jìn)行對(duì)比實(shí)驗(yàn)，結(jié)果表明，所提算法與傳統(tǒng)ELM、文獻(xiàn)[11]中GA-ELM算法和文獻(xiàn)[12]中PSO-ELM算法相比，不僅提高了收斂速度，還對(duì)網(wǎng)絡(luò)安全態(tài)勢(shì)值有更高的預(yù)測(cè)精度。

1 極限學(xué)習(xí)機(jī)

極限學(xué)習(xí)機(jī)[13]是在長(zhǎng)短期記憶網(wǎng)絡(luò)的基礎(chǔ)上提出的一種新型的單隱含層前饋神經(jīng)網(wǎng)絡(luò)，其特點(diǎn)是隨機(jī)選取輸入層權(quán)重和隱含層偏置，是一種以Moore-Penrose矩陣?yán)碚摓榛A(chǔ)的快速學(xué)習(xí)算法，不僅學(xué)習(xí)速度快，而且泛化能力強(qiáng)。ELM基本網(wǎng)絡(luò)結(jié)構(gòu)分為輸入層、隱含層和輸出層3層，假設(shè)各層節(jié)點(diǎn)數(shù)分別為n，l，m，則其網(wǎng)絡(luò)結(jié)構(gòu)如圖1所示。

圖1 ELM網(wǎng)絡(luò)結(jié)構(gòu)Fig.1 Network structure of ELM

假設(shè)給定N個(gè)任意不同樣本(xi,ti)，其中xi=(xi1xi2…xin)T，ti=(ti1ti2…tim)T，則ELM輸出為

(1)

式中：wi=(wi1wi2…win)T,βi=(βi1βi2…βim)T分別為輸入層與隱含層、隱含層與輸出層之間的權(quán)值向量；bi為隱含層節(jié)點(diǎn)的偏置；g(·)為隱含層節(jié)點(diǎn)的激活函數(shù)。由于ELM具有一致逼近性特點(diǎn)，所以系統(tǒng)的矩陣表達(dá)式為

Hβ=Τ

(2)

(3)

式中：H為隱含層的輸出矩陣；Τ為樣本的期望輸出。在不考慮正則化的前提下，求解輸出權(quán)值的算式為

(4)

由此得出，ELM無(wú)需采用傳統(tǒng)神經(jīng)網(wǎng)絡(luò)的梯度下降法訓(xùn)練輸入樣本，縮短了大量的訓(xùn)練時(shí)間，同時(shí)其預(yù)測(cè)能力也得到了較好的保留。

2 IGAPSO-ELM網(wǎng)絡(luò)安全態(tài)勢(shì)預(yù)測(cè)模型

2.1 遺傳粒子群算法及其改進(jìn)

GAPSO算法[14]最早由彭曉波通過(guò)遺傳算法(GA)和粒子群優(yōu)化(PSO)算法融合得到，模仿自然界的個(gè)體成熟過(guò)程，對(duì)遺傳算法中每一代群體中的優(yōu)秀個(gè)體，采用粒子群算法獲得進(jìn)一步的提高，使算法獲得比遺傳算法和粒子群算法更好的優(yōu)化效果。但GAPSO算法存在以下缺點(diǎn)：算法執(zhí)行不同階段時(shí)對(duì)參數(shù)要求不同，固定參數(shù)設(shè)置會(huì)導(dǎo)致算法的搜索精度和收斂速度降低；在運(yùn)行PSO算法階段只考慮個(gè)體極值和全局極值，易陷入局部最優(yōu)，導(dǎo)致后期搜索精度不高；在運(yùn)行GA算法階段固定的交叉概率和變異概率同樣影響算法的尋優(yōu)能力。

針對(duì)以上缺點(diǎn)，本文分別對(duì)PSO算法的慣性權(quán)重和學(xué)習(xí)因子、GA算法的交叉概率和變異概率進(jìn)行改進(jìn)，以一種自適應(yīng)的方法實(shí)現(xiàn)對(duì)網(wǎng)絡(luò)安全態(tài)勢(shì)預(yù)測(cè)更高的精確度和更快的收斂速度。

PSO算法中的慣性權(quán)重和學(xué)習(xí)因子的作用主要為平衡粒子的全局與局部的搜索能力。但傳統(tǒng)的固定值和已有的線性遞減法[15]會(huì)導(dǎo)致慣性權(quán)重?zé)o變化和變化趨勢(shì)相差很大，如圖2(a)所示。文獻(xiàn)[16]指出，慣性權(quán)重的突變會(huì)導(dǎo)致算法的穩(wěn)定性降低，同時(shí)慣性權(quán)重因子落在[0.3,0.7]區(qū)間最為合適，因此，本文提出一種基于指數(shù)函數(shù)的非線性動(dòng)態(tài)慣性權(quán)重計(jì)算策略，使IGAPSO算法在迭代過(guò)程中更多地處于最佳位置，并且不同的最大迭代次數(shù)對(duì)慣性權(quán)重變化趨勢(shì)的影響不大，其算式為

(5)

式中,h(umax)為最大迭代次數(shù)的函數(shù)。與圖2(a)相比，圖2(b)中不同的最大迭代次數(shù)下,在迭代過(guò)程中慣性權(quán)重變化趨勢(shì)相差不大，有利于算法穩(wěn)定。

圖2 慣性權(quán)重與迭代次數(shù)關(guān)系圖Fig.2 Relationship between inertia weight and iteration times

PSO算法的學(xué)習(xí)因子分為個(gè)體學(xué)習(xí)因子c1和社會(huì)學(xué)習(xí)因子c2，分別控制算法的全局搜索和局部搜索。算法在搜索前期，應(yīng)當(dāng)使c1>c2，讓粒子進(jìn)行全局搜索，而在算法后期，為了讓粒子聚攏到最優(yōu)區(qū)域，應(yīng)當(dāng)使c1

(6)

使學(xué)習(xí)因子恰好處于最佳取值范圍之內(nèi)。

GAPSO算法中交叉操作和變異操作是以給定的概率進(jìn)行交叉變異的，而交叉概率pc和變異概率pm的選取是影響算法尋優(yōu)能力的重要因素之一。若pc太小，在進(jìn)行迭代時(shí)新個(gè)體的生成速度會(huì)變慢，導(dǎo)致計(jì)算過(guò)程提前終止；反之，群體中新生成的個(gè)體過(guò)多，會(huì)導(dǎo)致種群中已生成的優(yōu)秀個(gè)體遭到損壞。若pm太小，那么由變異操作生成新個(gè)體的能力就會(huì)變?nèi)?，?huì)使許多優(yōu)秀的基因過(guò)早失去而沒(méi)有進(jìn)入下一代，不利于維持種群的多樣性；反之，則近似于無(wú)所謂的隨機(jī)搜索算法。

因此，找尋一種自適應(yīng)交叉變異概率對(duì)算法的尋優(yōu)至關(guān)重要。目前對(duì)遺傳算法的自適應(yīng)交叉概率和變異概率改進(jìn)公式主要為

(7)

(8)

式中：pc1，pc2，pm1，pm2為常量；f′為發(fā)生交叉運(yùn)算的兩個(gè)個(gè)體相比之下較優(yōu)個(gè)體對(duì)應(yīng)的適應(yīng)度值；f為發(fā)生變異運(yùn)算粒子的適應(yīng)度函數(shù)值；favg表示對(duì)目前整個(gè)種群的適應(yīng)度函數(shù)值求取其平均值。從式中可看出，適應(yīng)度函數(shù)值比種群平均值低的個(gè)體發(fā)生交叉操作以及變異操作的概率相對(duì)較高，確保種群的多樣性；同時(shí),當(dāng)其減小時(shí)，種群中個(gè)體有收斂于局部最優(yōu)的趨勢(shì)，此時(shí)個(gè)體發(fā)生交叉和變異概率就會(huì)變大，增強(qiáng)種群生成新個(gè)體的能力并促使其跳出局部最優(yōu)解。但是,這種改進(jìn)方式在計(jì)算前期不利于計(jì)算。在計(jì)算初期，優(yōu)良單體基本沒(méi)有變異，也沒(méi)什么變化，但目前的優(yōu)良單體不一定是最終的最佳單體，所以計(jì)算結(jié)果容易把此優(yōu)良單體當(dāng)成最終最優(yōu)單體，而此時(shí)的單體只是局部最優(yōu)解。因此，本文依據(jù)上述特點(diǎn)對(duì)自適應(yīng)遺傳算法做修正，提出采用一種基于黃金分割指數(shù)函數(shù)的自適應(yīng)交叉和自適應(yīng)變異策略，使演化某一個(gè)時(shí)刻的優(yōu)良個(gè)體也產(chǎn)生變化，改進(jìn)后變化算式為

(9)

(10)

式中：pc1為算法設(shè)定的最大交叉概率，其值設(shè)為0.7；pm1為最大變異概率，其值設(shè)為0.01。同時(shí),公式中引入黃金分割率，依照“等比原則、對(duì)稱收縮、擇優(yōu)原則”逐次逼近最優(yōu)解，提高了搜索全局最優(yōu)解的速度。

為了驗(yàn)證IGAPSO算法的尋優(yōu)性能，選取Rastrigin和Rosenbrock兩個(gè)經(jīng)典的測(cè)試函數(shù)進(jìn)行實(shí)驗(yàn)，與GAPSO算法進(jìn)行對(duì)比，對(duì)改進(jìn)算法的性能進(jìn)行驗(yàn)證分析。以兩種函數(shù)作為GAPSO和IGAPSO算法的適應(yīng)度函數(shù)，各執(zhí)行20次，取平均值，3種優(yōu)化算法運(yùn)算20次的結(jié)果平均值對(duì)比情況如表1所示。

表1 優(yōu)化對(duì)比Table 1 Comparison of optimization

由表1可知，IGAPSO算法平均收斂迭代次數(shù)少于GAPSO算法，并且能搜索到更接近理論最優(yōu)值的解，搜索精度和收斂速度有較大提高,說(shuō)明IGAPSO算法的性能優(yōu)于GAPSO算法。

2.2 網(wǎng)絡(luò)安全態(tài)勢(shì)預(yù)測(cè)模型

極限學(xué)習(xí)機(jī)(ELM)隨機(jī)給定輸入權(quán)值和隱含層偏差，會(huì)出現(xiàn)部分?jǐn)?shù)值為0，導(dǎo)致節(jié)點(diǎn)失效，進(jìn)而出現(xiàn)預(yù)測(cè)效果較差、穩(wěn)定性不足等問(wèn)題。為了保證ELM可在一個(gè)最佳隱含層節(jié)點(diǎn)的條件下具有較高的網(wǎng)絡(luò)態(tài)勢(shì)預(yù)測(cè)精度，本文采用2.1節(jié)提出的IGAPSO算法對(duì)ELM進(jìn)行優(yōu)化。首先,通過(guò)試錯(cuò)法優(yōu)選最佳隱含層節(jié)點(diǎn)；其次，在訓(xùn)練ELM神經(jīng)網(wǎng)絡(luò)的過(guò)程中，用IGAPSO算法來(lái)調(diào)整ELM的初始權(quán)值和隱含層偏差，以提高預(yù)測(cè)精度。根據(jù)以上理論，提出IGAPSO-ELM的網(wǎng)絡(luò)安全態(tài)勢(shì)預(yù)測(cè)模型，該模型既降低了ELM的收斂速度，又增強(qiáng)了ELM的穩(wěn)定性，其算法流程為：

1) 通過(guò)樣本數(shù)據(jù)確定ELM網(wǎng)絡(luò)拓?fù)浣Y(jié)構(gòu)；

2) 初始化種群，將ELM訓(xùn)練樣本的均方根誤差作為適應(yīng)度函數(shù)；

3) 將構(gòu)建的訓(xùn)練樣本輸入ELM，根據(jù)ELM得到的預(yù)測(cè)值評(píng)價(jià)每個(gè)粒子的適應(yīng)度；

4) 采用改進(jìn)后的基于指數(shù)函數(shù)的非線性動(dòng)態(tài)慣性權(quán)重和學(xué)習(xí)因子的方法進(jìn)行迭代尋優(yōu)；

5) 更新粒子速度和位置，計(jì)算適應(yīng)度值；

6) 將計(jì)算出的適應(yīng)度函數(shù)值按大小進(jìn)行排序，前一半個(gè)體被選擇出來(lái)作為優(yōu)秀的樣本;

7) 將樣本進(jìn)行遺傳編碼，按照式(9)的交叉概率進(jìn)行自適應(yīng)交叉運(yùn)算；

8) 按照式(10)進(jìn)行自適應(yīng)變異運(yùn)算；

9) 更新新一代粒子群，計(jì)算適應(yīng)度值；

10) 達(dá)到迭代次數(shù)或者檢驗(yàn)是否滿足終止條件，若滿足則終止迭代，否則轉(zhuǎn)5)；

11) 將最優(yōu)適應(yīng)度值對(duì)應(yīng)的粒子作為ELM的連接權(quán)值和偏差；

12) 通過(guò)ELM預(yù)測(cè)得到態(tài)勢(shì)結(jié)果。

3 網(wǎng)絡(luò)安全態(tài)勢(shì)預(yù)測(cè)仿真實(shí)驗(yàn)

3.1 實(shí)驗(yàn)環(huán)境

為了獲取真實(shí)有效的網(wǎng)絡(luò)安全態(tài)勢(shì)值，本文采用文獻(xiàn)[18]中搭建的網(wǎng)絡(luò)環(huán)境所得的實(shí)驗(yàn)數(shù)據(jù)：通過(guò)網(wǎng)絡(luò)安全評(píng)估系統(tǒng)每隔30 min對(duì)主機(jī)遭受的攻擊次數(shù)、攻擊種類和攻擊嚴(yán)重程度進(jìn)行綜合性評(píng)估，計(jì)算出當(dāng)前時(shí)段的網(wǎng)絡(luò)安全態(tài)勢(shì)值，最終選取150個(gè)態(tài)勢(shì)值經(jīng)歸一化處理得到本次實(shí)驗(yàn)的樣本數(shù)據(jù),如圖3所示。本文仿真實(shí)驗(yàn)基于Windows 10,64位操作系統(tǒng)，Intel Core i7 CPU，2.60 GHz，16 GiB，Matlab R2016b平臺(tái)。

圖3 網(wǎng)絡(luò)安全態(tài)勢(shì)值Fig.3 Network security situation value

3.2 實(shí)驗(yàn)結(jié)果分析

本次實(shí)驗(yàn)利用獲取的網(wǎng)絡(luò)安全態(tài)勢(shì)值進(jìn)行態(tài)勢(shì)預(yù)測(cè)，通過(guò)前n個(gè)時(shí)間段的態(tài)勢(shì)值預(yù)測(cè)下一個(gè)時(shí)間段的態(tài)勢(shì)值。實(shí)驗(yàn)中為了驗(yàn)證n的取值對(duì)最終結(jié)果的影響，分別選取n為5和10進(jìn)行對(duì)比預(yù)測(cè)，并驗(yàn)證測(cè)試樣本數(shù)量m對(duì)最終預(yù)測(cè)精確度的影響。

選取150個(gè)連續(xù)樣本的態(tài)勢(shì)值組成網(wǎng)絡(luò)安全態(tài)勢(shì)時(shí)間序列，采用滑動(dòng)窗口(大小為n+1，每次滑動(dòng)一個(gè)單位)的方法形成150-(n+1)+1個(gè)樣本。當(dāng)n=5時(shí)，形成145個(gè)樣本，從中選取訓(xùn)練樣本125個(gè)，測(cè)試樣本20個(gè)；當(dāng)n=10時(shí)，共形成140個(gè)樣本。

為了評(píng)價(jià)網(wǎng)絡(luò)態(tài)勢(shì)預(yù)測(cè)結(jié)果的優(yōu)劣，選擇平均相對(duì)誤差(MRE)、均方誤差(MSE)、平均絕對(duì)誤差(MAE)和擬合優(yōu)度決定系數(shù)R2作為預(yù)測(cè)結(jié)果的評(píng)價(jià)指標(biāo)，其中:MRE反映測(cè)量的可信度；MSE評(píng)價(jià)預(yù)測(cè)值偏離實(shí)際值差值的平方和的平均數(shù)，其值越小，說(shuō)明預(yù)測(cè)模型精確度越好；MAE更好地反映了預(yù)測(cè)值誤差的實(shí)際情況，相比于MSE，在存在異常值的情況下MAE魯棒性更好。各評(píng)價(jià)算式為

(11)

(12)

(13)

(14)

優(yōu)化結(jié)果對(duì)比見(jiàn)表2。圖4為n=5，m=20；n=10，m=20和n=10，m=30時(shí)的預(yù)測(cè)結(jié)果對(duì)比、收斂曲線對(duì)比和樣本誤差對(duì)比圖。

從表2和圖4可以看出，當(dāng)n=10時(shí)，本文提出的IGAPSO-ELM算法的各方面預(yù)測(cè)效果都優(yōu)于n=5時(shí)的預(yù)測(cè)效果，所以選用連續(xù)10個(gè)態(tài)勢(shì)值來(lái)預(yù)測(cè)下一時(shí)間段的網(wǎng)絡(luò)安全態(tài)勢(shì)更加合適。當(dāng)n=10，m=20時(shí)，IGAPSO-ELM的各評(píng)價(jià)指標(biāo)皆小于其余3種模型，表明IGAPSO-ELM的可信度更高，預(yù)測(cè)精度更精準(zhǔn)，魯棒性更好；當(dāng)n固定為10時(shí)，隨著m的增多，IGAPSO-ELM的各種誤差也會(huì)增加，收斂速度變慢，收斂程度較低，對(duì)于測(cè)試結(jié)果的擬合程度也有所下降，如圖5所示。同時(shí)，當(dāng)n=10，m=20時(shí)，本文提出的IGAPSO-ELM算法對(duì)預(yù)測(cè)結(jié)果的擬合度可高達(dá)0.99；當(dāng)n=10，m=30時(shí)，出現(xiàn)GAPSO-ELM的MAE比PSO-ELM的高，側(cè)面說(shuō)明m的增大會(huì)導(dǎo)致預(yù)測(cè)誤差的實(shí)際情況變差。

表2 優(yōu)化結(jié)果對(duì)比Table 2 Comparison of optimization results

圖4 實(shí)驗(yàn)對(duì)比圖Fig.4 Experimental comparison charts

圖5 算法擬合度對(duì)比Fig.5 Comparison of algorithm fitting degree

通過(guò)3次不同參數(shù)的對(duì)比實(shí)驗(yàn)得出如下結(jié)論。

1) 當(dāng)n固定且測(cè)試樣本數(shù)量固定時(shí)，本文提出的IGAPSO-ELM算法在預(yù)測(cè)數(shù)據(jù)精確度上優(yōu)于GA-ELM，PSO-ELM和GAPSO-ELM算法，算法的收斂速度相對(duì)較快。

2) 當(dāng)n不固定、測(cè)試樣本數(shù)量固定時(shí)，對(duì)于本文所采用的4種算法，n=10時(shí)的預(yù)測(cè)效果比n=5時(shí)的預(yù)測(cè)效果更優(yōu)。n越大，特征提取越多，從而預(yù)測(cè)精度越高，但n不能無(wú)限度大，n取值的增大會(huì)導(dǎo)致算法的收斂速度變慢。如果用于大型網(wǎng)絡(luò)，n的選取可采用試錯(cuò)法找到最適合的值。

3) 當(dāng)n固定、測(cè)試樣本數(shù)量不固定時(shí)，顯然測(cè)試樣本數(shù)量的增多會(huì)導(dǎo)致誤差增大，收斂速度變慢，因此選擇合適的測(cè)試樣本數(shù)量也至關(guān)重要。

4 結(jié)束語(yǔ)

本文在GAPSO算法的基礎(chǔ)上進(jìn)行了改進(jìn)，提出一種基于動(dòng)態(tài)指數(shù)函數(shù)自適應(yīng)參數(shù)的IGAPSO算法，并用改進(jìn)后的算法優(yōu)化ELM神經(jīng)網(wǎng)絡(luò)進(jìn)行網(wǎng)絡(luò)安全態(tài)勢(shì)預(yù)測(cè)。雖然GAPSO算法比GA算法和PSO算法有更好的優(yōu)化效果，但是其仍存在PSO算法和GA算法易陷入局部最優(yōu)解的缺點(diǎn)，同時(shí)預(yù)測(cè)精度仍可提高。本文將GAPSO中靜態(tài)的慣性權(quán)重、學(xué)習(xí)因子、交叉率和變異率改為基于指數(shù)函數(shù)的自適應(yīng)動(dòng)態(tài)數(shù)值，既保證了全局尋優(yōu)的能力，又增強(qiáng)了局部搜索能力。IGAPSO算法兼顧了GA算法和PSO算法的優(yōu)點(diǎn)，通過(guò)仿真實(shí)驗(yàn)最終證明IGAPSO-ELM算法對(duì)網(wǎng)絡(luò)安全態(tài)勢(shì)預(yù)測(cè)有較好的作用。但I(xiàn)GAPSO-ELM算法也存在一些不足，在模型的隱含層節(jié)點(diǎn)選取過(guò)程中人為干預(yù)過(guò)大，偶然性較大；同時(shí)，n和m的選擇也具有一定隨機(jī)性，過(guò)少過(guò)大都會(huì)影響最終的網(wǎng)絡(luò)安全態(tài)勢(shì)預(yù)測(cè)結(jié)果。因此，下一步將考慮自適應(yīng)隱含層節(jié)點(diǎn)個(gè)數(shù)以及n和m的個(gè)數(shù)，自行調(diào)整適應(yīng)每一個(gè)網(wǎng)絡(luò)環(huán)境。