CN107147515A - 一种基于mln的网络空间安全态势预测方法及系统 - Google Patents
一种基于mln的网络空间安全态势预测方法及系统 Download PDFInfo
- Publication number
- CN107147515A CN107147515A CN201710169766.6A CN201710169766A CN107147515A CN 107147515 A CN107147515 A CN 107147515A CN 201710169766 A CN201710169766 A CN 201710169766A CN 107147515 A CN107147515 A CN 107147515A
- Authority
- CN
- China
- Prior art keywords
- cyberspace
- security postures
- data
- network space
- mln
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Pending
Links
Classifications
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04L—TRANSMISSION OF DIGITAL INFORMATION, e.g. TELEGRAPHIC COMMUNICATION
- H04L41/00—Arrangements for maintenance, administration or management of data switching networks, e.g. of packet switching networks
- H04L41/14—Network analysis or design
- H04L41/145—Network analysis or design involving simulating, designing, planning or modelling of a network
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04L—TRANSMISSION OF DIGITAL INFORMATION, e.g. TELEGRAPHIC COMMUNICATION
- H04L41/00—Arrangements for maintenance, administration or management of data switching networks, e.g. of packet switching networks
- H04L41/14—Network analysis or design
- H04L41/147—Network analysis or design for predicting network behaviour
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04L—TRANSMISSION OF DIGITAL INFORMATION, e.g. TELEGRAPHIC COMMUNICATION
- H04L63/00—Network architectures or network communication protocols for network security
- H04L63/20—Network architectures or network communication protocols for network security for managing network security; network security policies in general
Abstract
本发明公开了一种基于MLN的网络空间安全态势预测方法及系统,方法包括:采集特定网络空间中的资产信息数据;对采集得到的资产信息数据进行预处理,并构建训练网络空间安全态势感知模型;根据网络空间安全姿态感知模型和当前网络空间中的实际数据,对当前的网络空间安全态势进行评估;根据网络空间的安全态势评估结果,对未来的网络空间安全态势进行预测,得到安全态势预测结果。本发明通过应用马尔科夫逻辑网络,能很容易地利用一阶逻辑规则来表示对象和对象属性它们之间的联系。而且本发明使用的方法中通过引入背景知识,对网络空间中的对象关系把握更准确,从而有效提高评估的准确率。本发明可广泛应用于计算机网络领域中。
Description
技术领域
本发明涉及计算机网络技术领域,尤其涉及一种基于MLN的网络空间安全态势预测方法及系统。
背景技术
随着计算机和网络技术的发展,网络的规模和复杂性不断增大。为了应对越来越复杂的网络攻击手段,需要充分考虑各个安全节点之间的关联和动态,从而支持更全面的安全防护。然而,传统的一些安全检测预警技术,例如防火墙技术、入侵检测技术等,仅限于对单一方面的防护,缺乏对网络全局的准确监控。针对这个问题,网络安全态势感知在融合海量安全数据信息的基础上,从宏观全局的角度判断系统的安全状况,并且评估系统的安全变化趋势。网络安全态势感知综合考虑了各种防护措施之间的关联性,对安全威胁行为进行更精确的描述。
网络安全态势感知模型的过程主要表现为三级模型。第一级是网络安全态势要素的获取,Jajodia等和Wang等采集网络的脆弱性信息系统来评估网络的脆弱性态势;Ning等通过采集网络的警报信息来评估网路的威胁性态势;王娟等人提出了一种网络安全指标体系,根据不同层次、不同信息来源、不同需求提炼了4个表征宏观网络性质的二级综合性指标,并拟定了20多个一级指标构建网络安全指标体系,通过网络安全指标体系需要提取的所有网络安全态势要素。第二级是网络安全态势要素的理解和评估,网络安全态势评估主要分析信息之间的关联性,对数据信息进行融合,从宏观角度考虑网络安全的整体性。针对这个问题,主要分成基于逻辑关系的融合方法,基于数学模型的融合方法,基于概率统计的融合方法及基于规则推理的融合方法。警报关联是典型的基于逻辑关系的融合方法。基于数学模型的融合方法需要构造评定函数,而最具代表的评定函数是加权平均。贝叶斯网络、隐马尔科夫模型是最常见的基于概率统计的融合方法,李伟生等根据网络安全态势和安全事件之间的不同的关联性建立态势评估的贝叶斯网络模型,并给出相应的信息传播算法,以安全事件的发生为触发点,根据相应的信息传播算法评估网络的安全态势。目前D-S证据组合方法和模糊逻辑是基于规则推理的融合方法中的常见方法,Rao等利用模糊逻辑与贝叶斯网络相结合的方法,对多源数据信息进行处理,生成宏观态势图。第三级是网络安全态势要素的预测。目前网络安全态势预测主要采用神经网络、时间序列预测和支持向量机等方法。
网络安全设备提供的信息,在一定程度上是包含大量的不确定性信息,而安全态势评估需要利用这些信息进行推理。在现有的技术中,基于逻辑的方法不能很好地解决这种不确定性。另外,基于概率推理的方法需要大量的训练样本,工作量非常大,实践中难以获取,且无法利用领域的背景知识。
发明内容
为了解决上述技术问题,本发明的目的是提供一种能有效提高准确率的一种基于MLN的网络空间安全态势预测方法及系统。
本发明所采取的技术方案是:
一种基于MLN的网络空间安全态势预测方法,包括以下步骤:
采集特定网络空间中的资产信息数据;
对采集得到的资产信息数据进行预处理,并构建训练网络空间安全态势感知模型;
根据网络空间安全姿态感知模型和当前网络空间中的实际数据,对当前的网络空间安全态势进行评估;
根据网络空间的安全态势评估结果,对未来的网络空间安全态势进行预测,得到安全态势预测结果。
作为所述的一种基于MLN的网络空间安全态势预测方法的进一步改进,还包括以下步骤:
将当前网络空间的资产信息数据、安全态势评估结果和安全态势预测结果进行可视化展示。
作为所述的一种基于MLN的网络空间安全态势预测方法的进一步改进,所述的对采集得到的资产信息数据进行预处理,并构建训练网络空间安全态势感知模型,这一步骤具体包括:
根据采集到的资产信息数据,提取对应的谓词和变量;
根据资产信息数据中的异常事件数据和正常数据对应的谓词,构建模型的训练数据集;
将特定网络空间的背景知识转化为对应的一阶逻辑规则;
根据训练数据集和一阶逻辑规则进行权重学习,建立基于MLN的网络空间安全态势感知模型,并将建立得到的网络空间安全态势感知模型存入数据库中。
作为所述的一种基于MLN的网络空间安全态势预测方法的进一步改进,所述的根据网络空间安全姿态感知模型和当前网络空间中的实际数据,对当前的网络空间安全态势进行评估,这一步骤具体包括:
采集当前网络空间中的实际数据;
对实际数据提取对应的谓词和变量,得到谓词数据集;
根据谓词数据集和网络空间安全态势感知模型,进行最大后验概率估计,得出安全态势评估结果。
本发明所采用的另一技术方案是:
一种基于MLN的网络空间安全态势预测系统,包括:
数据采集模块,用于采集特定网络空间中的资产信息数据;
态势理解模块,用于对采集得到的资产信息数据进行预处理,并构建训练网络空间安全态势感知模型;
态势评估模块,用于根据网络空间安全姿态感知模型和当前网络空间中的实际数据,对当前的网络空间安全态势进行评估;
态势预测模块,用于根据网络空间的安全态势评估结果,对未来的网络空间安全态势进行预测,得到安全态势预测结果。
作为所述的一种基于MLN的网络空间安全态势预测系统的进一步改进,还包括:
可视化展示模块,用于将当前网络空间的资产信息数据、安全态势评估结果和安全态势预测结果进行可视化展示。
作为所述的一种基于MLN的网络空间安全态势预测系统的进一步改进,所述态势理解模块具体包括:
提取模块,用于根据采集到的资产信息数据,提取对应的谓词和变量;
训练数据集构建模块,用于根据资产信息数据中的异常事件数据和正常数据对应的谓词,构建模型的训练数据集;
规则转化模块,用于将特定网络空间的背景知识转化为对应的一阶逻辑规则;
模型建立模块,用于根据训练数据集和一阶逻辑规则进行权重学习,建立基于MLN的网络空间安全态势感知模型,并将建立得到的网络空间安全态势感知模型存入数据库中。
作为所述的一种基于MLN的网络空间安全态势预测系统的进一步改进,所述态势评估模块具体包括:
实际数据采集模块,用于采集当前网络空间中的实际数据;
谓词数据集提取模块,用于对实际数据提取对应的谓词和变量,得到谓词数据集;
评估结果计算模块,用于根据谓词数据集和网络空间安全态势感知模型,进行最大后验概率估计,得出安全态势评估结果。
本发明的有益效果是:
本发明一种基于MLN的网络空间安全态势预测方法及系统中通过应用马尔科夫逻辑网络,能很容易地利用一阶逻辑规则来表示对象和对象属性它们之间的联系。而且本发明使用的方法中通过引入背景知识,对网络空间中的对象关系把握更准确,从而有效提高评估的准确率。
附图说明
下面结合附图对本发明的具体实施方式作进一步说明:
图1是本发明一种基于MLN的网络空间安全态势预测方法的步骤流程图;
图2是本发明一种基于MLN的网络空间安全态势预测方法中态势理解的步骤流程图;
图3是本发明一种基于MLN的网络空间安全态势预测方法中态势评估的步骤流程图;
图4是本发明一种基于MLN的网络空间安全态势预测系统的模块方框图。
具体实施方式
参考图1,本发明一种基于MLN的网络空间安全态势预测方法,包括以下步骤:
采集特定网络空间中的资产信息数据;
对采集得到的资产信息数据进行预处理,并构建训练网络空间安全态势感知模型;
根据网络空间安全姿态感知模型和当前网络空间中的实际数据,对当前的网络空间安全态势进行评估;
根据网络空间的安全态势评估结果,对未来的网络空间安全态势进行预测,得到安全态势预测结果。
参考图2,进一步作为优选的实施方式,还包括以下步骤:
将当前网络空间的资产信息数据、安全态势评估结果和安全态势预测结果进行可视化展示。
进一步作为优选的实施方式,所述的对采集得到的资产信息数据进行预处理,并构建训练网络空间安全态势感知模型,这一步骤具体包括:
根据采集到的资产信息数据,提取对应的谓词和变量;
根据资产信息数据中的异常事件数据和正常数据对应的谓词,构建模型的训练数据集;
将特定网络空间的背景知识转化为对应的一阶逻辑规则;
根据训练数据集和一阶逻辑规则进行权重学习,建立基于MLN的网络空间安全态势感知模型,并将建立得到的网络空间安全态势感知模型存入数据库中。
参考图3,进一步作为优选的实施方式,所述的根据网络空间安全姿态感知模型和当前网络空间中的实际数据,对当前的网络空间安全态势进行评估,这一步骤具体包括:
采集当前网络空间中的实际数据;
对实际数据提取对应的谓词和变量,得到谓词数据集;
根据谓词数据集和网络空间安全态势感知模型,进行最大后验概率估计,得出安全态势评估结果。
参考,4,本发明一种基于MLN的网络空间安全态势预测系统,包括:
数据采集模块,用于采集特定网络空间中的资产信息数据;
态势理解模块,用于对采集得到的资产信息数据进行预处理,并构建训练网络空间安全态势感知模型;
态势评估模块,用于根据网络空间安全姿态感知模型和当前网络空间中的实际数据,对当前的网络空间安全态势进行评估;
态势预测模块,用于根据网络空间的安全态势评估结果,对未来的网络空间安全态势进行预测,得到安全态势预测结果。
进一步作为优选的实施方式,还包括:
可视化展示模块,用于将当前网络空间的资产信息数据、安全态势评估结果和安全态势预测结果进行可视化展示。
进一步作为优选的实施方式,所述态势理解模块具体包括:
提取模块,用于根据采集到的资产信息数据,提取对应的谓词和变量;
训练数据集构建模块,用于根据资产信息数据中的异常事件数据和正常数据对应的谓词,构建模型的训练数据集;
规则转化模块,用于将特定网络空间的背景知识转化为对应的一阶逻辑规则;
模型建立模块,用于根据训练数据集和一阶逻辑规则进行权重学习,建立基于MLN的网络空间安全态势感知模型,并将建立得到的网络空间安全态势感知模型存入数据库中。
进一步作为优选的实施方式,所述态势评估模块具体包括:
实际数据采集模块,用于采集当前网络空间中的实际数据;
谓词数据集提取模块,用于对实际数据提取对应的谓词和变量,得到谓词数据集;
评估结果计算模块,用于根据谓词数据集和网络空间安全态势感知模型,进行最大后验概率估计,得出安全态势评估结果。
其中,本发明的具体实施例如下:
S1:采集一个时间段内特定网络空间中的资产信息数据,包括主机状态、网络状态、开放服务状态、存储数据状态等等,以及端口被打开,服务被开启,数据被更新等的动作数据,并将数据存入数据库中;
S2:对采集的数据进行预处理,规范化安全要素数据,训练建立网络空间安全态势感知模型;
(1)根据当前的网络空间,构建出当前网络空间的对应的谓词和函数集,以及制定识别网络空间中异常事件的一阶逻辑规则。
(2)对步骤S1采集到的资产信息数据和动作数据进行预处理。根据(1)中的谓词和函数集,可以由技术人员通过编程将收集的数据提取转化为对应的谓词、变量。
(3)根据标记的异常事件数据和正常数据对应的谓词,构造模型的训练数据集。
(4)利用训练数据和一阶逻辑规则进行权重学习,建立基于MLN的网络空间安全态势感知模型。将建立的模型录入数据库。
S3:通过建立的模型以及采集的网络空间数据进行推理,评估当前的网络空间安全态势。
(1)重复步骤S1,采集当前网络空间中的资产信息数据和动作数据。
(2)采集到的资产信息数据和动作数据进行预处理。根据步骤2(1)中的谓词和函数集,可以由技术人员通过编程将收集的数据提取转化为对应的谓词、变量,规范化安全要素数据。
(3)根据谓词数据集和网络空间安全态势感知模型进行最大后验概率估计。
(4)推理得出当前网络安全空间存在的安全异常事件。
其中,在步骤S2完成后(即模型训练完成),可重复步骤S3,对不同时间段内当前的网络空间安全态势进行评估。
S4:根据上一步骤得到的网络空间安全态势评估结果,预测未来的网络空间安全态势上升或下降。一种简单地预测方式可以为,网络空间安全态势上升定义为在单位时间内异常事件的数量增多。同样,网络空间安全态势下降定义为在单位时间内异常事件的数量减少。
S5:将当前网络空间的资产信息数据,安全态势评估结果,安全态势预测结果,可视化展示给技术人员及用户。
从上述内容可知,本发明一种基于MLN的网络空间安全态势预测方法及系统中通过应用马尔科夫逻辑网络,能很容易地利用一阶逻辑规则来表示对象和对象属性它们之间的联系。而且本发明使用的方法中通过引入背景知识,对网络空间中的对象关系把握更准确,从而有效提高评估的准确率。
以上是对本发明的较佳实施进行了具体说明,但本发明创造并不限于所述实施例,熟悉本领域的技术人员在不违背本发明精神的前提下还可做作出种种的等同变形或替换,这些等同的变形或替换均包含在本申请权利要求所限定的范围内。
Claims (8)
1.一种基于MLN的网络空间安全态势预测方法,其特征在于,包括以下步骤:
采集特定网络空间中的资产信息数据;
对采集得到的资产信息数据进行预处理,并构建训练网络空间安全态势感知模型;
根据网络空间安全姿态感知模型和当前网络空间中的实际数据,对当前的网络空间安全态势进行评估;
根据网络空间的安全态势评估结果,对未来的网络空间安全态势进行预测,得到安全态势预测结果。
2.根据权利要求1所述的一种基于MLN的网络空间安全态势预测方法,其特征在于,还包括以下步骤:
将当前网络空间的资产信息数据、安全态势评估结果和安全态势预测结果进行可视化展示。
3.根据权利要求1所述的一种基于MLN的网络空间安全态势预测方法,其特征在于:所述的对采集得到的资产信息数据进行预处理,并构建训练网络空间安全态势感知模型,这一步骤具体包括:
根据采集到的资产信息数据,提取对应的谓词和变量;
根据资产信息数据中的异常事件数据和正常数据对应的谓词,构建模型的训练数据集;
将特定网络空间的背景知识转化为对应的一阶逻辑规则;
根据训练数据集和一阶逻辑规则进行权重学习,建立基于MLN的网络空间安全态势感知模型,并将建立得到的网络空间安全态势感知模型存入数据库中。
4.根据权利要求1所述的一种基于MLN的网络空间安全态势预测方法,其特征在于:所述的根据网络空间安全姿态感知模型和当前网络空间中的实际数据,对当前的网络空间安全态势进行评估,这一步骤具体包括:
采集当前网络空间中的实际数据;
对实际数据提取对应的谓词和变量,得到谓词数据集;
根据谓词数据集和网络空间安全态势感知模型,进行最大后验概率估计,得出安全态势评估结果。
5.一种基于MLN的网络空间安全态势预测系统,其特征在于,包括:
数据采集模块,用于采集特定网络空间中的资产信息数据;
态势理解模块,用于对采集得到的资产信息数据进行预处理,并构建训练网络空间安全态势感知模型;
态势评估模块,用于根据网络空间安全姿态感知模型和当前网络空间中的实际数据,对当前的网络空间安全态势进行评估;
态势预测模块,用于根据网络空间的安全态势评估结果,对未来的网络空间安全态势进行预测,得到安全态势预测结果。
6.根据权利要求6所述的一种基于MLN的网络空间安全态势预测系统,其特征在于,还包括:
可视化展示模块,用于将当前网络空间的资产信息数据、安全态势评估结果和安全态势预测结果进行可视化展示。
7.根据权利要求6所述的一种基于MLN的网络空间安全态势预测系统,其特征在于:所述态势理解模块具体包括:
提取模块,用于根据采集到的资产信息数据,提取对应的谓词和变量;
训练数据集构建模块,用于根据资产信息数据中的异常事件数据和正常数据对应的谓词,构建模型的训练数据集;
规则转化模块,用于将特定网络空间的背景知识转化为对应的一阶逻辑规则;
模型建立模块,用于根据训练数据集和一阶逻辑规则进行权重学习,建立基于MLN的网络空间安全态势感知模型,并将建立得到的网络空间安全态势感知模型存入数据库中。
8.根据权利要求6所述的一种基于MLN的网络空间安全态势预测系统,其特征在于:所述态势评估模块具体包括:
实际数据采集模块,用于采集当前网络空间中的实际数据;
谓词数据集提取模块,用于对实际数据提取对应的谓词和变量,得到谓词数据集;
评估结果计算模块,用于根据谓词数据集和网络空间安全态势感知模型,进行最大后验概率估计,得出安全态势评估结果。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201710169766.6A CN107147515A (zh) | 2017-03-21 | 2017-03-21 | 一种基于mln的网络空间安全态势预测方法及系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201710169766.6A CN107147515A (zh) | 2017-03-21 | 2017-03-21 | 一种基于mln的网络空间安全态势预测方法及系统 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN107147515A true CN107147515A (zh) | 2017-09-08 |
Family
ID=59783405
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201710169766.6A Pending CN107147515A (zh) | 2017-03-21 | 2017-03-21 | 一种基于mln的网络空间安全态势预测方法及系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN107147515A (zh) |
Cited By (13)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108429767A (zh) * | 2018-05-29 | 2018-08-21 | 广西电网有限责任公司 | 一种基于人工智能的网络安全态势预测系统 |
CN108566307A (zh) * | 2018-05-01 | 2018-09-21 | 北京广成同泰科技有限公司 | 一种定量化的网络安全保护强度评估方法及系统 |
CN108768774A (zh) * | 2018-05-29 | 2018-11-06 | 北京广成同泰科技有限公司 | 一种定量化的网络安全评估方法及评估系统 |
CN109166069A (zh) * | 2018-07-17 | 2019-01-08 | 华中科技大学 | 基于马尔科夫逻辑网络的数据关联方法、系统及设备 |
CN109302311A (zh) * | 2018-09-04 | 2019-02-01 | 北京邮电大学 | 实现网络态势感知的区块链网络、感知方法及电子设备 |
CN109558966A (zh) * | 2018-10-28 | 2019-04-02 | 西南电子技术研究所(中国电子科技集团公司第十研究所) | 智能判证预测事件发生的处理系统 |
CN111131338A (zh) * | 2020-04-01 | 2020-05-08 | 深圳市云盾科技有限公司 | 感知态势处物联网安全检测方法、系统及存储介质 |
CN111538842A (zh) * | 2019-11-15 | 2020-08-14 | 国家电网有限公司 | 网络空间态势的智能感知和预测方法、装置和计算机设备 |
CN111654321A (zh) * | 2020-06-01 | 2020-09-11 | 清华大学 | 卫星网络的管理方法、装置及电子设备 |
WO2021051536A1 (zh) * | 2019-09-18 | 2021-03-25 | 平安科技(深圳)有限公司 | 安全预警方法及相关设备、计算机可读存储介质 |
CN113542278A (zh) * | 2021-07-16 | 2021-10-22 | 北京源堡科技有限公司 | 一种网络安全评估方法、系统及装置 |
CN114745188A (zh) * | 2022-04-20 | 2022-07-12 | 医诺智能科技(广州)有限公司 | 一种医疗物联网平台的安全态势智能感知方法及终端 |
US11757919B2 (en) | 2020-04-20 | 2023-09-12 | Kovrr Risk Modeling Ltd. | System and method for catastrophic event modeling |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101436967A (zh) * | 2008-12-23 | 2009-05-20 | 北京邮电大学 | 一种网络安全态势评估方法及其系统 |
CN105357063A (zh) * | 2015-12-14 | 2016-02-24 | 成都为帆斯通科技有限公司 | 一种网络空间安全态势实时检测方法 |
CN105491013A (zh) * | 2015-11-20 | 2016-04-13 | 电子科技大学 | 一种基于sdn的多域网络安全态势感知模型及方法 |
-
2017
- 2017-03-21 CN CN201710169766.6A patent/CN107147515A/zh active Pending
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101436967A (zh) * | 2008-12-23 | 2009-05-20 | 北京邮电大学 | 一种网络安全态势评估方法及其系统 |
CN105491013A (zh) * | 2015-11-20 | 2016-04-13 | 电子科技大学 | 一种基于sdn的多域网络安全态势感知模型及方法 |
CN105357063A (zh) * | 2015-12-14 | 2016-02-24 | 成都为帆斯通科技有限公司 | 一种网络空间安全态势实时检测方法 |
Non-Patent Citations (2)
Title |
---|
吴浩坚: ""基于马尔科夫逻辑网络的活动识别系统研究与实现"", 《中国优秀硕士学位论文全文数据库信息科技辑》 * |
张勇等: ""一种基于隐Markov模型的网络安全态势感知方法研究"", 《NETINFO SECURITY》 * |
Cited By (19)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108566307A (zh) * | 2018-05-01 | 2018-09-21 | 北京广成同泰科技有限公司 | 一种定量化的网络安全保护强度评估方法及系统 |
CN108566307B (zh) * | 2018-05-01 | 2021-07-30 | 北京广成同泰科技有限公司 | 一种定量化的网络安全保护强度评估方法及系统 |
CN108768774A (zh) * | 2018-05-29 | 2018-11-06 | 北京广成同泰科技有限公司 | 一种定量化的网络安全评估方法及评估系统 |
CN108429767A (zh) * | 2018-05-29 | 2018-08-21 | 广西电网有限责任公司 | 一种基于人工智能的网络安全态势预测系统 |
CN108768774B (zh) * | 2018-05-29 | 2020-09-29 | 北京广成同泰科技有限公司 | 一种定量化的网络安全评估方法及评估系统 |
CN109166069B (zh) * | 2018-07-17 | 2020-09-08 | 华中科技大学 | 基于马尔科夫逻辑网络的数据关联方法、系统及设备 |
CN109166069A (zh) * | 2018-07-17 | 2019-01-08 | 华中科技大学 | 基于马尔科夫逻辑网络的数据关联方法、系统及设备 |
CN109302311A (zh) * | 2018-09-04 | 2019-02-01 | 北京邮电大学 | 实现网络态势感知的区块链网络、感知方法及电子设备 |
CN109558966A (zh) * | 2018-10-28 | 2019-04-02 | 西南电子技术研究所(中国电子科技集团公司第十研究所) | 智能判证预测事件发生的处理系统 |
WO2021051536A1 (zh) * | 2019-09-18 | 2021-03-25 | 平安科技(深圳)有限公司 | 安全预警方法及相关设备、计算机可读存储介质 |
CN111538842A (zh) * | 2019-11-15 | 2020-08-14 | 国家电网有限公司 | 网络空间态势的智能感知和预测方法、装置和计算机设备 |
CN111538842B (zh) * | 2019-11-15 | 2023-10-03 | 国家电网有限公司 | 网络空间态势的智能感知和预测方法、装置和计算机设备 |
CN111131338A (zh) * | 2020-04-01 | 2020-05-08 | 深圳市云盾科技有限公司 | 感知态势处物联网安全检测方法、系统及存储介质 |
US11757919B2 (en) | 2020-04-20 | 2023-09-12 | Kovrr Risk Modeling Ltd. | System and method for catastrophic event modeling |
CN111654321A (zh) * | 2020-06-01 | 2020-09-11 | 清华大学 | 卫星网络的管理方法、装置及电子设备 |
CN111654321B (zh) * | 2020-06-01 | 2021-04-27 | 清华大学 | 卫星网络的管理方法、装置及电子设备 |
CN113542278A (zh) * | 2021-07-16 | 2021-10-22 | 北京源堡科技有限公司 | 一种网络安全评估方法、系统及装置 |
CN113542278B (zh) * | 2021-07-16 | 2023-04-25 | 北京源堡科技有限公司 | 一种网络安全评估方法、系统及装置 |
CN114745188A (zh) * | 2022-04-20 | 2022-07-12 | 医诺智能科技(广州)有限公司 | 一种医疗物联网平台的安全态势智能感知方法及终端 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN107147515A (zh) | 一种基于mln的网络空间安全态势预测方法及系统 | |
CN110633855B (zh) | 一种桥梁健康状态检测与管养决策系统及方法 | |
US11301563B2 (en) | Recurrent neural network based anomaly detection | |
Wang et al. | Heterogeneous network representation learning approach for ethereum identity identification | |
CN106341414B (zh) | 一种基于贝叶斯网络的多步攻击安全态势评估方法 | |
CN102098180B (zh) | 一种网络安全态势感知方法 | |
CN107241352A (zh) | 一种网络安全事件分类与预测方法及系统 | |
CN106600115A (zh) | 一种企业信息系统运维智能分析方法 | |
CN111629006B (zh) | 融合深度神经网络和层级注意力机制的恶意流量更新方法 | |
CN107454076A (zh) | 一种网站画像方法 | |
CN101706930A (zh) | 基于本体论的反洗钱预警方法 | |
CN104112181A (zh) | 一种基于层次分析法的信息安全贝叶斯网络评估方法 | |
CN105025515B (zh) | 一种基于gm模型的无线传感器网络流量异常检测方法 | |
CN111669385B (zh) | 融合深度神经网络和层级注意力机制的恶意流量监测系统 | |
CN112291098B (zh) | 一种网络安全风险预测方法及其相关装置 | |
CN111680856A (zh) | 电力监控系统用户行为安全预警方法和系统 | |
CN107111610A (zh) | 用于神经语言行为识别系统的映射器组件 | |
CN108154256A (zh) | 预测风险值的确定方法及装置、存储介质 | |
CN115760210A (zh) | 一种基于ipso-lstm模型的医药销售预测系统及方法 | |
CN103049484A (zh) | 一种网页危险性的识别方法和装置 | |
Shu et al. | Dam anomaly assessment based on sequential variational autoencoder and evidence theory | |
Koc | Role of national conditions in occupational fatal accidents in the construction industry using interpretable machine learning approach | |
Wang et al. | Research of the early warning analysis of crop diseases and insect pests | |
CN112613231B (zh) | 一种机器学习中隐私可用均衡的轨迹训练数据扰动机制 | |
Jadhav et al. | Hybrid-Ids: an approach for intrusion detection system with hybrid feature extraction technique using supervised machine learning |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
RJ01 | Rejection of invention patent application after publication |
Application publication date: 20170908 |
|
RJ01 | Rejection of invention patent application after publication |