[发明专利]结合ACPN算法与粗糙集分析的网络安全态势评估方法

说明书

本发明提供一种结合ACPN算法与粗糙集分析的网络安全态势评估方法，将改进的ACPN网络与粗糙集分析相结合，对网络中的数据流进行预处理后进行特征提取得到能够代表网络流量特性的特征，再结合粗糙集分析产生的评估策略，建立完善的规则体系从而对网络态势进行精准评估。改进的ACPN网络主要改变了竞争层神经元的学习方式，采用良性竞争，从而提升ACPN模型的泛化能力。

技术领域

本发明涉及网络安全态势评估技术领域，具体涉及一种结合ACPN算法与粗糙集分析的网络安全态势评估方法。

背景技术

多层感知器是由感知器衍生出来的一种人工神经网络结构，其结构由三部分组成：输入层、隐藏层和输出层。深度神经网络算法，如BP网络、RBF算法、DBN(RBMs)模型、GMDH算法以及CPN算法都是由这种结构衍生出来的。

网络安全态势感知中通过应用深度神经网络提取输入5G承载网中的安全要素进行特征提取，从而构建态势评估所需的规则体系。但建立一个合适有效的深度神经网络模型来满足网络态势感知的功能要求，要注意以下三个方面的内容：1)用适当的优化方式来避免训练过程中出现收敛难的问题；2)注意数据拟合的情况，以防止模型功能应用到其他数据时表现不佳；3)注意优化模型结构，提高模型的预测精度。

基于BP神经网络进行网络安全态势感知存在反馈误差速度较慢以及易收敛到局部最优值的缺点，使用变步长学习策略和模拟退火算法(SA)进行优化。首先构建BP神经网络并进行初始化，根据网络数据进行态势感知等级的初始化分，将参数输入到BP网络中进行权值学习并采用模拟退火算法进行优化，若符合终止规则将得到最终的网络空间态势感知等级。BP神经网络算法可评估网络空间态势感知情况，削弱人为因素并提高结果的客观性和权威性，能够非常有效地处理非线性问题，但是，BP算法本质上为梯度下降算法，所要优化的目标函数又非常复杂，因此，必然会出现“锯齿形现象”(极易收敛于局部极小)。同时，BP算法存在麻痹现象，由于优化的目标函数很复杂，它必然会在神经元输出接近0或者1的情况下，出现一些平坦区，在这些区域内，权值误差改变较小，使训练几乎停顿。

基于RBF神经网络的网络安全态势感知引入了径向基函数(RBF)，利用网络安全态势值具有非线性时间序列的特点，使用RBF神经网络找出网络安全态势值的非线性映射关系。RBF神经网络是一种单隐层前馈神经网络，能够很容易地对非线性系统进行建模，由于其任意非线性映射的特点，以及简单的拓扑架构，很广泛地应用于时间序列预测问题中。更因为网络安全的不确定性以及非线性，RBF网络很适合网络安全态势预测。同时，RBF网络没有能力解释自己的推理过程和推理依据，当数据不充分的时候，神经网络就没有办法正常工作；其次，由于RBF网络将一切问题的特征都变成了数字，将一切推理都变成了数值计算，在一定程度上丢失了数据中的信息；最后，RBF网络在输入样本集中选择隐层基函数的中心，这在很多情况下难以反映系统真正的输入输出关系，并且初始点数过多，优选过程会出现数据病态现象。

基于深度置信网络(DBN)的网络安全态势感知与预测提出了一种基于深度置信网络的特征提取方法，通过多层玻尔兹曼机进行特征降维并提取影响网络安全的关键因素，在对数据进行特征提取后，根据特征之间的相似性对相似特征类别的数据赋予相同的标签，然后在深度置信网络最后一层加上softmax类型分类器，实现对网络安全态势感知与预测。采用非监督的方式在特征提取的基础上对相同类别的特征进行标识，不仅能够提取模型的精度，还大大的降低了模型的复杂度。但是，DBN生成模型不关心不同类别之间的最优分类面，在进行分类判断时，分类精度可能达不到预期的标准。而且生成模型学习数据的联合分布，学习问题的复杂度较高，此外，生成模型要求输入的数据具有平移不变性，对数据的要求比较高。

传统CPN算法的网络结构如图1所示，各层之间的神经元全互联连接。从拓扑结构看，CPN网与三层BP网络相近，但实际上CPN是由自组织网和Grossberg外星网组合而成。隐层为竞争层，采用无导师的竞争学习规则，而输出层为Grossberg层，采用有指导信号的Widrow-Hoff规则或Grossberg规则学习。