神經(jīng)網(wǎng)絡(luò)視域下互聯(lián)網(wǎng)安全態(tài)勢預(yù)測方法分析

徐莎莎 楊俊丹 廖宋煒

摘要：傳統(tǒng)層次化網(wǎng)絡(luò)安全態(tài)勢評估模型在應(yīng)用時(shí)，主要利用入侵檢測系統(tǒng)和警報(bào)系統(tǒng)發(fā)揮態(tài)勢評估作用，對警告要素關(guān)聯(lián)性缺乏關(guān)注。文章以神經(jīng)網(wǎng)絡(luò)為基礎(chǔ)背景探討互聯(lián)網(wǎng)安全態(tài)勢預(yù)測，意在完善層次化態(tài)勢評估模型，融入模糊層，為提升網(wǎng)絡(luò)安全態(tài)勢評估質(zhì)量提供保障。通過實(shí)踐分析可知，模糊層構(gòu)建后，能夠通過警報(bào)匹配模式衡量警報(bào)成功率數(shù)值指標(biāo)，并且進(jìn)一步對警報(bào)威脅性、警報(bào)成功率、警報(bào)周期3項(xiàng)指標(biāo)進(jìn)行明確，確認(rèn)其對網(wǎng)絡(luò)安全態(tài)勢影響程度。最后，在不同模型結(jié)構(gòu)層級上計(jì)算出綜合警報(bào)態(tài)勢值，達(dá)到優(yōu)化錯(cuò)報(bào)漏報(bào)問題、提升評估結(jié)果準(zhǔn)確度的目標(biāo)。

關(guān)鍵詞：神經(jīng)網(wǎng)絡(luò)；互聯(lián)網(wǎng)安全態(tài)勢評估；深度學(xué)習(xí)；警報(bào)成功率；警報(bào)態(tài)勢值

中圖分類號：TP39中圖分類號? 文獻(xiàn)標(biāo)志碼：A文獻(xiàn)標(biāo)志碼

0 引言

網(wǎng)絡(luò)安全態(tài)勢感知是具有創(chuàng)新性和靈活性的網(wǎng)絡(luò)安全保障措施。通過綜合分析網(wǎng)絡(luò)系統(tǒng)現(xiàn)階段與前階段運(yùn)行狀態(tài)，對網(wǎng)絡(luò)運(yùn)行趨勢狀態(tài)進(jìn)行預(yù)測，有利于達(dá)成超前防御目標(biāo)，提升網(wǎng)絡(luò)系統(tǒng)抵御外部侵害的能力。將網(wǎng)絡(luò)安全保障工作中的防御被動化向主動化方向推進(jìn)，是神經(jīng)網(wǎng)絡(luò)系統(tǒng)支持下提升互聯(lián)網(wǎng)安全保障的科學(xué)方法?；诨ヂ?lián)網(wǎng)安全事態(tài)評估問題進(jìn)行研究，意在解決現(xiàn)階段互聯(lián)網(wǎng)安全穩(wěn)定狀態(tài)維護(hù)的實(shí)際問題，通過先進(jìn)技術(shù)與平臺應(yīng)用，借助神經(jīng)網(wǎng)絡(luò)計(jì)算方法，為提升互聯(lián)網(wǎng)平臺安全穩(wěn)定狀態(tài)提供支持。同時(shí)，態(tài)勢發(fā)展研究也能將隱患和問題在萌芽階段進(jìn)行解決。另外，態(tài)勢研究本身也具有創(chuàng)新性，通過數(shù)據(jù)分析、發(fā)展趨勢研究為安全保障提供支持的關(guān)鍵方法。

1 互聯(lián)網(wǎng)安全態(tài)勢評估模型研究

1.1 互聯(lián)網(wǎng)安全態(tài)勢評估層次化體系基本結(jié)構(gòu)分析

層次化評估模型在發(fā)揮作用時(shí)，以警報(bào)反饋及時(shí)性作為模型構(gòu)建切入點(diǎn)。通過構(gòu)建4個(gè)層次，對網(wǎng)絡(luò)安全態(tài)勢情況進(jìn)行多角度評估，但此種傳統(tǒng)層次化模型在警報(bào)信息獲取方面相對比較單一。本文通過借鑒傳統(tǒng)分層模型開展多方面信息綜合分析，利用模糊綜合評價(jià)法，對警報(bào)發(fā)生邏輯關(guān)系進(jìn)行梳理分析［1］。并同步制定模糊規(guī)則，分別將警報(bào)威脅性、警報(bào)成功率、警報(bào)傳遞周期作為模糊推理基準(zhǔn)指標(biāo)進(jìn)行設(shè)置。在此基礎(chǔ)上，形成更加完善且具有綜合性的評估框架。

1.2 基于分層態(tài)勢評估的模糊綜合評價(jià)方法分析

從改良后的結(jié)構(gòu)入手進(jìn)行觀察分析可知，模糊層中的警報(bào)威脅性、警報(bào)成功率、警報(bào)周期為核心改良要素，這3個(gè)要素共同構(gòu)成模糊層［2］。具體來說，模糊綜合評價(jià)方法流程要點(diǎn)包括以下幾部分。

1.2.1 三維要素確認(rèn)環(huán)節(jié)

這一環(huán)節(jié)須首先確認(rèn)因素及命名為U。設(shè)置U={u1，u2...un}集合中的數(shù)值分別代表評估對象的n不同類型影響因素。假設(shè)評估集為V，則可得V={v1，v2...vm}，其中M代表每個(gè)因素的m種評判結(jié)果。在具體進(jìn)行三維要素確認(rèn)時(shí)，U中的獨(dú)立子因素u1可通過評判方法f（ui）（i=1，2，3...n）得到對應(yīng)評判數(shù)值，F(xiàn)是評判過程中的模糊映射，映射范圍覆蓋因素集U到評判集V這一數(shù)值范圍。上述整體過程可通過以下公式表示。

f：U→F（U）

ui→f（ui）=（ri1，ri2... rim）∈F（V）

其中，ri1，ri2... rim分別表示指標(biāo)i對應(yīng)的評判級別m隸屬度向量數(shù)值。

基于上述f計(jì)算數(shù)值，可將模糊關(guān)系表示為：

Rf（ui，vj）=f（ui）（vj）=rij

其中，i=1，2，3...n；j=1，2，3...m。

隨后建立模糊評判矩陣R=（rij）nxm。

R=r11r12…r1mr21r22…r2mrn1rn2…rnm

通過上述分析過程可獲得模糊綜合評價(jià)方法3要素，即U，V，R。

1.2.2 計(jì)算警報(bào)相關(guān)度數(shù)值

警報(bào)相關(guān)度數(shù)值在計(jì)算過程中需要把握3方面步驟和要素。一是確定因素集與評判集具體范圍；二是構(gòu)建模糊評判矩陣，確認(rèn)計(jì)算隸屬度［3］；三是設(shè)置權(quán)重系數(shù)數(shù)值。其中，因素集與評判集的確認(rèn)環(huán)節(jié)，因素集可按層次劃分，首層因素集中包含操作系統(tǒng)、網(wǎng)絡(luò)安全配置、應(yīng)用服務(wù)、漏洞信息4方面要點(diǎn)。在第二層級因素集中，分別基于上述4個(gè)要點(diǎn)進(jìn)行進(jìn)一步細(xì)分。具體來說，細(xì)分后的數(shù)據(jù)指標(biāo)有多種不同類型，以IP地址相關(guān)性、主機(jī)狀態(tài)、系統(tǒng)類別、安全事件防護(hù)相關(guān)性等多方面指標(biāo)為典型代表。在構(gòu)建模糊評價(jià)矩陣，并確認(rèn)計(jì)算隸屬度環(huán)節(jié)需要設(shè)置不同類型約束條件，在約束條件背景下，進(jìn)行隸屬度范圍劃分。而在設(shè)置權(quán)重系數(shù)環(huán)節(jié)，須針對一個(gè)因素評判的過程，由專家咨詢或領(lǐng)域經(jīng)驗(yàn)進(jìn)行確認(rèn) ［4］。

2 互聯(lián)網(wǎng)安全態(tài)勢預(yù)測模型分析

2.1 互聯(lián)網(wǎng)安全態(tài)勢預(yù)測算法設(shè)計(jì)

粒子群算法背景下，主要應(yīng)用神經(jīng)網(wǎng)絡(luò)優(yōu)化，達(dá)到參數(shù)優(yōu)化效果。具體來說，優(yōu)化形式包括兩種。一是模型網(wǎng)絡(luò)結(jié)構(gòu)參數(shù)結(jié)合經(jīng)驗(yàn)公式設(shè)定，這一部分優(yōu)化數(shù)據(jù)具有固定不變的特征，應(yīng)用優(yōu)化算法主要優(yōu)化神經(jīng)網(wǎng)絡(luò)中的神經(jīng)元權(quán)值與自身閾值；二是利用粒子群優(yōu)化算法，對神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)超參數(shù)進(jìn)行調(diào)整，超參數(shù)具體包括神經(jīng)元數(shù)量、時(shí)間長度、批處理大小。本文主要利用改進(jìn)后粒子群算法，對長短記憶網(wǎng)的結(jié)構(gòu)超參數(shù)進(jìn)行優(yōu)化，減少主觀選擇對參數(shù)模型的影響。在選定訓(xùn)練數(shù)據(jù)后，除隱藏層數(shù)據(jù)外，其他神經(jīng)元個(gè)數(shù)可被有效確認(rèn)。隨后，須進(jìn)行神經(jīng)網(wǎng)絡(luò)訓(xùn)練環(huán)節(jié)的推進(jìn)［5］。其中，不確定隱藏層層數(shù)和隱藏層中的節(jié)點(diǎn)數(shù)量，主要需要基于經(jīng)驗(yàn)總結(jié)現(xiàn)階段具有應(yīng)用適宜性的隱藏層神經(jīng)元數(shù)目，經(jīng)驗(yàn)公式如下。

m=n+l+αm=nl

其中，m為隱藏層節(jié)點(diǎn)數(shù)量，n為輸入層節(jié)點(diǎn)數(shù)量，l為輸入層節(jié)點(diǎn)數(shù)量。完成參數(shù)優(yōu)化后，可進(jìn)一步選擇適當(dāng)函數(shù)公式進(jìn)行進(jìn)一步帶入訓(xùn)練與計(jì)算。

2.2 互聯(lián)網(wǎng)安全態(tài)勢預(yù)測模型建立

整體模型構(gòu)建須按照既定流程與步驟推進(jìn)，下文以構(gòu)建安全態(tài)勢預(yù)測模型為研究目標(biāo)分析模型的構(gòu)建流程。

2.2.1 數(shù)據(jù)預(yù)處理環(huán)節(jié)分析

為了精準(zhǔn)觀察時(shí)間序列規(guī)律性，避免數(shù)據(jù)受到梯度下降法算法影響，應(yīng)當(dāng)首先對網(wǎng)絡(luò)安全數(shù)據(jù)進(jìn)行統(tǒng)一處理，歸一處理方法須通過數(shù)據(jù)計(jì)算達(dá)到預(yù)期目標(biāo)，具體計(jì)算公式如下。

Δxt=xt+1-xty=Δx-ΔxminΔxmax-Δxmin

公式中，xt，xt＋1代表t時(shí)刻與t＋1時(shí)刻的訓(xùn)練樣本；Δxt代表樣本；xt＋1代表t＋1時(shí)刻的訓(xùn)練樣本。Δxmin，Δxmax代表樣本查分后的最小值與最大值；Y代表Δx進(jìn)行歸一化后得到的數(shù)值。

2.2.2 樣本及構(gòu)造環(huán)節(jié)分析

在訓(xùn)練集中，須進(jìn)一步對數(shù)據(jù)深度進(jìn)行劃分后形成標(biāo)準(zhǔn)輸入時(shí)間，具有n個(gè)屬性相同的網(wǎng)絡(luò)安全數(shù)據(jù)樣本。在此基礎(chǔ)上，進(jìn)行樣本態(tài)勢值確認(rèn)。例如，用X表示不同數(shù)據(jù)代號，用1～N表示數(shù)據(jù)差異數(shù)值，則 XN可被確定為一個(gè)階段性樣本數(shù)據(jù)范圍內(nèi)的態(tài)勢值。隨后，基于上述數(shù)據(jù)構(gòu)建矩陣。在樣本矩陣中，數(shù)列是訓(xùn)練樣本最后一行數(shù)值為樣本目標(biāo)函數(shù)值，獨(dú)立樣本均可形成階梯式矩陣，而測試樣本主要用來驗(yàn)證網(wǎng)絡(luò)計(jì)算數(shù)據(jù)結(jié)果的準(zhǔn)確性與有效性。

2.2.3 初始化粒子參數(shù)環(huán)節(jié)分析

具體來說，需要初始的參數(shù)包括種群規(guī)模、迭代次數(shù)、學(xué)習(xí)因子、粒子位置以及速度取向值限定區(qū)間。進(jìn)行參數(shù)初始化時(shí)，須參照標(biāo)準(zhǔn)化公式進(jìn)行驗(yàn)證確認(rèn)，確保初始化基礎(chǔ)參數(shù)的準(zhǔn)確有效，為后續(xù)模型構(gòu)建提供保障。

2.2.4 網(wǎng)絡(luò)參數(shù)初始化環(huán)節(jié)分析

網(wǎng)絡(luò)參數(shù)初始化環(huán)節(jié)需要應(yīng)用自適應(yīng)矩陣估計(jì)算法，進(jìn)行優(yōu)化算法訓(xùn)練。訓(xùn)練過程中，須持續(xù)計(jì)算損失函數(shù)值，直到計(jì)算次數(shù)達(dá)到最大迭代次數(shù)以及最小值趨于平穩(wěn)這一效果方可停止。

2.2.5 模型訓(xùn)練環(huán)節(jié)分析

模型訓(xùn)練是將訓(xùn)練樣本直接輸入神經(jīng)網(wǎng)絡(luò)進(jìn)行訓(xùn)練，結(jié)合訓(xùn)練樣本產(chǎn)生的均方誤差函數(shù)進(jìn)行確認(rèn)。將其作為損失函數(shù)開展模擬訓(xùn)練，結(jié)合獨(dú)立粒子適應(yīng)度函數(shù)取值，對局部最優(yōu)粒子和全局最優(yōu)粒子進(jìn)行有效優(yōu)化。當(dāng)?shù)螖?shù)達(dá)到最大值時(shí)，方可終止優(yōu)化過程，返回最優(yōu)粒子處。這時(shí)，例子所顯示的多維向量值可作為神經(jīng)網(wǎng)絡(luò)預(yù)測模型參數(shù)進(jìn)行確認(rèn)。

2.2.6 網(wǎng)絡(luò)安全態(tài)勢預(yù)測環(huán)節(jié)分析

結(jié)合專業(yè)訓(xùn)練計(jì)算算法，可求得模型參數(shù)最優(yōu)組合數(shù)值。并將測試樣本放入已經(jīng)完成訓(xùn)練的模型中，驗(yàn)證分析數(shù)值是否達(dá)到設(shè)定標(biāo)準(zhǔn)要求。在此基礎(chǔ)上，結(jié)合態(tài)勢威脅素質(zhì)水平對未來安全發(fā)展態(tài)勢進(jìn)行預(yù)測。

3 互聯(lián)網(wǎng)安全態(tài)勢預(yù)測仿真分析

在仿真分析中，須對一些基本算法參數(shù)進(jìn)行數(shù)值設(shè)定。在此基礎(chǔ)上，仿真構(gòu)建模型，并進(jìn)一步完成數(shù)據(jù)訓(xùn)練分析過程，隨著數(shù)據(jù)收斂，獲取數(shù)據(jù)指標(biāo)最優(yōu)值。在計(jì)算過程中，所需要關(guān)注的重點(diǎn)數(shù)據(jù)指標(biāo)為均方誤差，此數(shù)值主要表示誤差平方期望值。通過均方誤差與真實(shí)值之間的差距，確認(rèn)預(yù)測模型預(yù)測結(jié)果的準(zhǔn)確性。從兩者關(guān)系上來講，模型預(yù)測值與真實(shí)值偏差越小，預(yù)測精準(zhǔn)性越高。這種情況下，系數(shù)數(shù)值越接近數(shù)值1。在具體仿真測試時(shí)，為取得更加精準(zhǔn)有效的數(shù)值指標(biāo)，可進(jìn)行多次模型構(gòu)建和預(yù)測計(jì)算，采取取平均值方式得到最終預(yù)測數(shù)據(jù)，預(yù)測模型的3組實(shí)驗(yàn)預(yù)測結(jié)果對比統(tǒng)計(jì)模型如圖1所示。

圖1 3組實(shí)驗(yàn)預(yù)測模型對比結(jié)果

通過對圖形分析預(yù)測對比結(jié)果進(jìn)行觀察可知，在3組預(yù)測過程中，PSO_SVM預(yù)測技術(shù)在實(shí)踐應(yīng)用中效果相對較差，只能預(yù)測網(wǎng)絡(luò)安全序列數(shù)據(jù)的大致趨勢，這主要是由于支持向量機(jī)在小樣本二元分類領(lǐng)域有更好的應(yīng)用效果，若數(shù)據(jù)樣本復(fù)雜性逐步提高，容易產(chǎn)生較大誤差。而 LSTM隱含層神經(jīng)元個(gè)數(shù)選取過程中缺乏理論指導(dǎo)，容易出現(xiàn)局部最優(yōu)狀態(tài)，檢測結(jié)果精確度也相應(yīng)會受到一定影響。

4 結(jié)語

綜合本文實(shí)踐分析可知，神經(jīng)網(wǎng)絡(luò)視域下互聯(lián)網(wǎng)安全態(tài)勢預(yù)測工作落實(shí)執(zhí)行時(shí)，須結(jié)合互聯(lián)網(wǎng)安全態(tài)勢預(yù)測中的基礎(chǔ)算法與模型層次構(gòu)建要求對傳統(tǒng)算法進(jìn)行優(yōu)化，添加模糊層進(jìn)行3項(xiàng)關(guān)鍵數(shù)據(jù)指標(biāo)精準(zhǔn)定位，以新構(gòu)建預(yù)測模型與預(yù)測系統(tǒng)結(jié)構(gòu)為優(yōu)化神經(jīng)網(wǎng)絡(luò)支持下互聯(lián)安全態(tài)勢預(yù)測結(jié)果提供支持?；炯軜?gòu)構(gòu)建過程中，須借助神經(jīng)網(wǎng)絡(luò)基本技術(shù)以及相關(guān)計(jì)算方法為預(yù)測工作落實(shí)開展提供支持和保障。計(jì)算環(huán)節(jié)公式、計(jì)算方法應(yīng)結(jié)合神經(jīng)網(wǎng)絡(luò)構(gòu)建背景進(jìn)行精準(zhǔn)選擇、科學(xué)應(yīng)用，以便提升互聯(lián)網(wǎng)安全態(tài)勢預(yù)測工作的有效性。

參考文獻(xiàn)

［1］何春蓉，朱江.基于注意力機(jī)制的GRU神經(jīng)網(wǎng)絡(luò)安全態(tài)勢預(yù)測方法［J］.系統(tǒng)工程與電子技術(shù)，2021（1）：258-266.

［2］張然，劉敏，張啟坤，等.基于SOA_BP神經(jīng)網(wǎng)絡(luò)的網(wǎng)絡(luò)安全態(tài)勢預(yù)測算法研究［J］.微電子學(xué)與計(jì)算機(jī)，2020（6）：62-65，69.

［3］李子梅，姜亦學(xué).基于DRNN神經(jīng)網(wǎng)絡(luò)的橫搖運(yùn)動實(shí)時(shí)預(yù)測方法分析［J］.艦船科學(xué)技術(shù)，2021（16）：19-21.

［4］魏青梅，李宇博，應(yīng)雨龍.結(jié)合Dempster-Shafer證據(jù)理論與循環(huán)神經(jīng)網(wǎng)絡(luò)的網(wǎng)絡(luò)安全態(tài)勢預(yù)測［J］.濟(jì)南大學(xué)學(xué)報(bào)，2020（3）：238-246.

［5］涂錦，冷正興，劉丁毅.基于EMD和神經(jīng)網(wǎng)絡(luò)的非線性時(shí)間序列預(yù)測方法［J］.統(tǒng)計(jì)與決策，2020（8）：41-44.

（編輯 沈 強(qiáng)）

Analysis of internet security situation prediction method under neural network vision area

Xu? Shasha， Yang? Jundan， Liao? Songwei

（Jiangxi? University of Science and Technology， Nanchang 330000， China）

Abstract： When the traditional hierarchical network security situation assessment model is applied， it mainly uses the intrusion detection system and the alarm system to play the role of situation assessment， and lacks attention to the relevance of warning elements. This paper discusses the prediction of Internet security situation based on the background of neural network， aiming to improve the hierarchical situation assessment model， integrate into the fuzzy layer， and provide a guarantee for improving the quality of network security situation assessment. According to the practical analysis of this paper， it is known that after the fuzzy layer construction， the numerical indicators of alarm success rate can be measured through the alarm matching mode， and the three indicators of alarm threat， degree success rate and alarm cycle can be further clarified to confirm its impact on the network security situation. Finally， the comprehensive alarm situation value is calculated at different model structure levels to achieve the goal of optimizing the problem of misreporting and underreporting and improving the accuracy of the evaluation results.

Key words： neural network; internet security situation assessment; deep learning; alarm success rate; alert situation value