CN110493035A - 一种网络安全指数计算的数据输入方法及装置 - Google Patents
一种网络安全指数计算的数据输入方法及装置 Download PDFInfo
- Publication number
- CN110493035A CN110493035A CN201910679650.6A CN201910679650A CN110493035A CN 110493035 A CN110493035 A CN 110493035A CN 201910679650 A CN201910679650 A CN 201910679650A CN 110493035 A CN110493035 A CN 110493035A
- Authority
- CN
- China
- Prior art keywords
- data
- index
- network
- network security
- dimension
- 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
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/045—Combinations of networks
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
-
- 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
- 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
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- General Engineering & Computer Science (AREA)
- Computing Systems (AREA)
- General Health & Medical Sciences (AREA)
- General Physics & Mathematics (AREA)
- Computational Linguistics (AREA)
- Data Mining & Analysis (AREA)
- Evolutionary Computation (AREA)
- Biomedical Technology (AREA)
- Molecular Biology (AREA)
- Artificial Intelligence (AREA)
- Life Sciences & Earth Sciences (AREA)
- Biophysics (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Health & Medical Sciences (AREA)
- Computer Networks & Wireless Communication (AREA)
- Signal Processing (AREA)
- Computer Security & Cryptography (AREA)
- Computer Hardware Design (AREA)
- Data Exchanges In Wide-Area Networks (AREA)
Abstract
本发明公开了一种网络安全指数计算的数据输入方法,包括根据获取的网络安全数据进行数据划分,得到第一网络安全数据;通过对所述第一网络安全数据进行数据处理,得到第二网络安全数据;利用所述第二网络安全数据构造等长多维向量;将所述等长多维向量组成数据集合,并进行数据的输入。本发明还公开了一种网络安全指数计算的数据输入装置。本发明实施例提供的一种网络安全指数计算的数据输入方法及装置,能够提高网络安全指数计算模型的准确度。
Description
技术领域
本发明涉及网络与信息安全领域,尤其涉及一种网络安全指数计算的数据输入方法及装置。
背景技术
现有网络安全指数计算一般是通过网络安全专家经验设定网络安全指标体系以及相应的各个指标的权重值,之后计算得出网络安全指数,这样子的计算方法过于依赖网络安全专家,主观性强,不能根据实际情况学习调整,准确度不高。
还有研究是将前馈神经网络用于网络安全指数计算,通过前馈神经网络训练和调整出网络安全指标体系中各个指标权重,但是由于前馈社交网络的深度有限,计算量大,不易收敛,该方法运用到大规模网络的网络安全指数计算时同样是准确度不高。
发明内容
本发明实施例提供一种网络安全指数计算的数据输入方法及装置,能够提高网络安全指数计算模型的准确度。
为了解决上述技术问题,本发明实施例提供了一种网络安全指数计算的数据输入方法,包括
根据获取的网络安全数据进行数据划分,得到第一网络安全数据;
通过对所述第一网络安全数据进行数据处理,得到第二网络安全数据;
利用所述第二网络安全数据构造等长多维向量;
将所述等长多维向量组成数据集合,并进行数据的输入。
作为优选方案,所述根据获取的网络安全数据进行数据划分,得到第一网络安全数据,具体为:
根据获取的网络安全数据按照基础维、脆弱维、威胁维进行数据划分,获得所述第一网络安全数据;
所述第一网络安全数据为基础运行指数、脆弱性指数、风险指数。
作为优选方案,所述通过对所述第一网络安全数据进行数据处理,得到第二网络安全数据,具体为:对所述第一网络安全数据进行量化处理,获得所述第二网络安全数据。
作为优选方案,所述对所述第一网络安全数据进行量化处理,获得所述第二网络安全数据,包括对所述基础运行指数进行量化处理;根据划分的所述基础运行指数进行定量数据归一化处理,以计算单位时间段内的指标过载率;
根据所述指标过载率进行定性量化处理,并按照规则将指标分成N个等级,每一所述等级指标分别进行归一化赋值;其中N为正整数。
作为优选方案,所述对所述第一网络安全数据进行量化处理,获得所述第二网络安全数据,包括对所述脆弱性指数进行层次式指标的量化处理;
根据得到的三级指标基础网络的网络脆弱性指数,计算二级的所述网络脆弱性指数,以通过深度学习网络输入二级网络脆弱性指标。
作为优选方案,所述对所述第一网络安全数据进行量化处理,获得所述第二网络安全数据,包括对所述风险指数进行层次式指标的量化处理;
根据得到的三级指标基础网络的网络风险指数,计算二级的所述网络风险指数,以通过深度学习网络输入二级网络风险性指标。
作为优选方案,所述利用所述第二网络安全数据构成等长多维向量,具体为:
将所述第二网络安全数据按照基础运行维、脆弱维、威胁维三个维度排序进行子网划分,以构成所述等长多维向量di,其中,di=(基础运行维X个指标;脆弱维Y个指标;威胁维Z个指标);其中X、Y、Z均为正整数。
作为优选方案,所述将所述等长多维向量组成数据集合,具体为:
根据所述等长多维向量di组成数据集合D={d1,d2,…,dn},其中di为一个子网中采集到的网络安全指标数据。
作为优选方案,所述将所述等长多维向量组成数据集合,并进行数据输入,具体为:
将数据输入设置为m行*n列的模拟图片数据,其中,n列数据代表n个不同的网络子网;
将所述模拟图片数据分组输入卷积神经网络中进行网络安全指数的计算。
为解决相同的技术问题,本发明实施例还提供了一种网络安全指数计算的数据输入装置,包括:
数据划分单元,用于根据获取的网络安全数据进行数据划分,得到第一网络安全数据;
第一数据处理单元,用于通过对所述第一网络安全数据进行数据处理,得到第二网络安全数据;
第二数据处理单元,用于利用所述第二网络安全数据构造等长多维向量;
数据输入单元,用于将所述等长多维向量组成数据集合,并进行数据的输入。
作为优选方案,所述数据划分单元,还用于根据获取的网络安全数据按照基础维、脆弱维、威胁维进行数据划分,获得所述第一网络安全数据;
所述第一网络安全数据为基础运行指数、脆弱性指数、风险指数。
作为优选方案,所述第一数据处理单元,还用于对所述第一网络安全数据进行量化处理,获得所述第二网络安全数据。
作为优选方案,所述第一数据处理单元,还用于对所述基础运行指数进行量化处理;根据划分的所述基础运行指数进行定量数据归一化处理,以计算单位时间段内的指标过载率;
根据所述指标过载率进行定性量化处理,并按照规则将指标分成N个等级,每一所述等级指标分别进行归一化赋值;其中N为正整数。
作为优选方案,所述第一数据处理单元,还用于对所述脆弱性指数进行层次式指标的量化处理;
根据得到的三级指标基础网络的网络脆弱性指数,计算二级的所述网络脆弱性指数,以通过深度学习网络输入二级网络脆弱性指标。
作为优选方案,所述第一数据处理单元,还用于对所述风险指数进行层次式指标的量化处理;
根据得到的三级指标基础网络的网络风险指数,计算二级的所述网络风险指数,以通过深度学习网络输入二级网络风险性指标。
作为优选方案,所述第二数据处理单元,还用于将所述第二网络安全数据按照基础运行维、脆弱维、威胁维三个维度排序进行子网划分,以构成所述等长多维向量di,其中,di=(基础运行维X个指标;脆弱维Y个指标;威胁维Z个指标);其中X、Y、Z均为正整数。
作为优选方案,所述数据输入单元,还用于根据所述等长多维向量di组成数据集合D={d1,d2,…,dn},其中di为一个子网中采集到的网络安全指标数据。
作为优选方案,所述数据输入单元,还用于将数据输入设置为m行*n列的模拟图片数据,其中,n列数据代表n个不同的网络子网;
将所述模拟图片数据分组输入卷积神经网络中进行网络安全指数的计算。
相比于现有技术,本发明实施例提供了一种网络安全指数计算的数据输入方法,包括根据获取的网络安全数据进行数据划分,得到第一网络安全数据;通过对所述第一网络安全数据进行数据处理,得到第二网络安全数据;利用所述第二网络安全数据构造等长多维向量;将所述等长多维向量组成数据集合,并进行数据的输入;有益效果在于,通过将网络安全数据进行数据划分,并将对数据进行数据处理,以构造等长多维向量;并且根据所述等长多维向量组成数据集合以构成二维图像矩阵,并将所述二维图像矩阵输入卷积神经网络中进行网络安全指数的计算,从而使得网络安全指数计算更加客观,从而提高网络安全指数计算模型的准确率。
附图说明
图1是本发明实施例提供的一种网络安全指数计算的数据输入方法的流程示意图;
图2是本发明实施例提供的一种网络安全指数计算的数据输入方法其中一实施例的网络安全指标排列示意图。
图3是本发明实施例提供的一种网络安全指数计算的数据输入装置的结构示意图。
具体实施方式
下面将结合本发明实施例中的附图,对本发明实施例中的技术方案进行清楚、完整地描述,显然,所描述的实施例仅仅是本发明一部分实施例,而不是全部的实施例。基于本发明中的实施例,本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例,都属于本发明保护的范围。
请参见图1,本发明优选实施例提供了一种网络安全指数计算的数据输入方法,至少包括:
S1:根据获取的网络安全数据进行数据划分,得到第一网络安全数据;
S2:通过对所述第一网络安全数据进行数据处理,得到第二网络安全数据;
S3:利用所述第二网络安全数据构造等长多维向量;
S4:将所述等长多维向量组成数据集合,并进行数据的输入。
在本实施例中,通过将网络安全数据进行数据划分,并将对数据进行数据处理,以构造等长多维向量;并且根据所述等长多维向量组成数据集合以构成二维图像矩阵,并将所述二维图像矩阵输入卷积神经网络中进行网络安全指数的计算,从而使得网络安全指数计算更加客观,从而提高网络安全指数计算模型的准确率。
在本实施例中,所述根据获取的网络安全数据进行数据划分,得到第一网络安全数据,具体为:根据获取的网络安全数据按照基础维、脆弱维、威胁维进行数据划分,获得所述第一网络安全数据;所述第一网络安全数据为基础运行指数、脆弱性指数、风险指数。
在本实施例中,将获取的网络安全数据安全按照基础维、脆弱维、威胁维进行划分得到基础运行指数、脆弱性指数、以及风险指数,所述基础运行指数反映特定网络的基本状态以及一定的安全信息与抗风险能力;所述脆弱性指数反映特定网络存在的各种不同类型的安全漏洞以及安全漏洞对网络安全影响的严重程度;所述风险指数反映网络受到的来自网络外部的不同网络攻击要素以及主动攻击的严重程度。
在本实施例中,通过对网络安全数据进行划分并分组,使得同一特性的数据集进入同一训练batch,从而提高模型精确度。
在本实施例中,所述通过对所述第一网络安全数据进行数据处理,得到第二网络安全数据,具体为:对所述第一网络安全数据进行量化处理,获得所述第二网络安全数据。
在本实施例中,所述对所述第一网络安全数据进行量化处理,获得所述第二网络安全数据,包括对所述基础运行指数进行量化处理;根据划分的所述基础运行指数进行定量数据归一化处理,以计算单位时间段内的指标过载率;
根据所述指标过载率进行定性量化处理,并按照规则将指标分成N个等级,每一所述等级指标分别进行归一化赋值;其中N为正整数。
在本实施例中,对所述基础运行指数进行定量数据的归一化,在每个时间段内用各个指标的过载率来衡量严重程度,过载率如下定义:og=kg/lg,其中i属于整数集合{1,2,3,4},分别表示流量峰值、带宽利用率、CPU利用率和内存利用率,j是节点数取值范围从1到N,其中,N为正整数,代表属性i在节点j的阈值,代表了属性i在节点j的真实值,是属性i在节点j的过载率。对所述过载率进行定性量化,将所述过载率按照一定的规则分为5个等级,并为每个等级进行归一化赋值。
在本实施例中,所述基础运行指数的容灾性量化中,存活主机数量、关键设备数量、安全设备数量使用线性归一化方法进行量化,而其它指标量化过程可以根据真实环境灵活地进行定性量化。
在本实施例中,所述对所述第一网络安全数据进行量化处理,获得所述第二网络安全数据,包括对所述脆弱性指数进行层次式指标的量化处理;
根据得到的三级指标基础网络的网络脆弱性指数,计算二级的所述网络脆弱性指数,以通过深度学习网络输入二级网络脆弱性指标与其它二级指标到的最终网络安全指数。
在本实施例中,网络二级脆弱性指数V的计算分两步:
按照所述脆弱性指数分级标准将二级网络脆弱性指标再分为n类,并根据每类三级脆弱性的数据,确定各类基本脆弱性特征指标A1、A2、A3、…、Am-1,Am,再由所述特征指标计算对应的网络二级脆弱性指数V。
定义t时刻的某类网络二级脆弱性指数V为:
V(t)=f(g(A1(t)),g(A2(t)),…g(An(t)))
其中:
(1)Ai(t)为t时刻指标Ai的数值,g(Ai(t))为Ai(t)的归一化值。
(2)函数f为一类聚集函数用来通过一类事件各特征的量化值来计算脆弱性的大小:
其中
其中wi为指标的权重,权重的合理性、准确性直接影响评价结果的可靠性。
在本实施例中,所述对所述第一网络安全数据进行量化处理,获得所述第二网络安全数据,包括对所述风险指数进行层次式指标的量化处理;
根据得到的三级指标基础网络的网络风险指数,计算二级的所述网络风险指数,以通过深度学习网络输入二级网络风险性指标。
在本实施例中,所述利用所述第二网络安全数据构成等长多维向量,具体为:
将所述第二网络安全数据按照基础运行维、脆弱维、威胁维三个维度排序进行子网划分,以构成所述等长多维向量di,其中,di=(基础运行维X个指标;脆弱维Y个指标;威胁维Z个指标);其中X、Y、Z均为正整数。
在本实施例中,所述将所述等长多维向量组成数据集合,具体为:
根据所述等长多维向量di组成数据集合D={d1,d2,…,dn},其中di为一个子网中采集到的网络安全指标数据。
请参照图2,在本实施例中,将所述网络安全数据进行子网划分,,将获得的网络安全数据划分为n个子网,因此,D={d1,d2,…,dn}中di为一个子网中采集到的网络安全指标数据。对每一个di,其排列方式按照基础运行维、脆弱维、威胁维三个维度排序,其中,di=(基础运行维X个指标;脆弱维Y个指标;威胁维Z个指标),其中X、Y、Z均为正整数。因此每个时间点获得的网络安全数据就组成了一个类似二维图像的(n*m)的矩阵。
在本实施例中,所述将所述等长多维向量组成数据集合,并进行数据输入,具体为:
将数据输入设置为m行*n列的模拟图片数据,其中,n列数据代表n个不同的网络子网;
将所述模拟图片数据分组输入卷积神经网络中进行网络安全指数的计算。
在本实施例中,用于网络安全态势量化评估的卷积神经网络的输入为:数据输入设置为m行*n列的模拟图片数据,其中,n列数据代表n个不同的网络子网,每一行数据代表一个基本网络安全指标数据在n个子网中的不同采集数据,同时,同一batch中的数据,其m行*n列数据有相似的大小特性,从而得到类似安全等级输出。
请参照图3,本发明实施例还提供了一种网络安全指数计算的数据输入装置,包括:
数据划分单元31,用于根据获取的网络安全数据进行数据划分,得到第一网络安全数据;
第一数据处理单元32,用于通过对所述第一网络安全数据进行数据处理,得到第二网络安全数据;
第二数据处理单元33,用于利用所述第二网络安全数据构造等长多维向量;
数据输入单元34,用于将所述等长多维向量组成数据集合,并进行数据的输入。
在本实施例中,所述数据划分单元31,还用于根据获取的网络安全数据按照基础维、脆弱维、威胁维进行数据划分,获得所述第一网络安全数据;
所述第一网络安全数据为基础运行指数、脆弱性指数、风险指数。
在本实施例中,所述第一数据处理单元32,还用于对所述第一网络安全数据进行量化处理,获得所述第二网络安全数据。
在本实施例中,所述第一数据处理单元32,还用于对所述基础运行指数进行量化处理;根据划分的所述基础运行指数进行定量数据归一化处理,以计算单位时间段内的指标过载率;
根据所述指标过载率进行定性量化处理,并按照规则将指标分成N个等级,每一所述等级指标分别进行归一化赋值;其中N为正整数。
在本实施例中,所述第一数据处理单元32,还用于对所述脆弱性指数进行层次式指标的量化处理;
根据得到的三级指标基础网络的网络脆弱性指数,计算二级的所述网络脆弱性指数,以通过深度学习网络输入二级网络脆弱性指标。
在本实施例中,所述第一数据处理单元32,还用于对所述风险指数进行层次式指标的量化处理;
根据得到的三级指标基础网络的网络风险指数,计算二级的所述网络风险指数,以通过深度学习网络输入二级网络风险性指标。
在本实施例中,所述第二数据处理单元33,还用于将所述第二网络安全数据按照基础运行维、脆弱维、威胁维三个维度排序进行子网划分,以构成所述等长多维向量di,其中,di=(基础运行维X个指标;脆弱维Y个指标;威胁维Z个指标);其中X、Y、Z均为正整数。
在本实施例中,所述数据输入单元34,还用于根据所述等长多维向量di组成数据集合D={d1,d2,…,dn},其中di为一个子网中采集到的网络安全指标数据。
在本实施例中,所述数据输入单元34,还用于将数据输入设置为m行*n列的模拟图片数据,其中,n列数据代表n个不同的网络子网;将所述模拟图片数据分组输入卷积神经网络中进行网络安全指数的计算。
相比于现有技术,本发明实施例提供的一种网络安全指数计算输入方法及装置具有如下有益效果:
(1)通过将网络安全数据进行数据划分,并将对数据进行数据处理,以构造等长多维向量;并且根据所述等长多维向量组成数据集合以构成二维图像矩阵,并将所述二维图像矩阵输入卷积神经网络中进行网络安全指数的计算,从而使得网络安全指数计算更加客观,从而提高网络安全指数计算模型的准确率。
(2)本发明实施例通过将实时、海量、高维的网络安全数据组织成类似于图像的二维数据,数据输入方式直接影响卷积神经网络的训练和学习效果,本发明实施例的数据组织输入方式使得卷积神经网络所构建的网络安全指数计算模型更加准确。
以上所述是本发明的优选实施方式,应当指出,对于本技术领域的普通技术人员来说,在不脱离本发明原理的前提下,还可以做出若干改进和润饰,这些改进和润饰也视为本发明的保护范围。
Claims (10)
1.一种网络安全指数计算的数据输入方法,其特征在于,包括
根据获取的网络安全数据进行数据划分,得到第一网络安全数据;
通过对所述第一网络安全数据进行数据处理,得到第二网络安全数据;
利用所述第二网络安全数据构造等长多维向量;
将所述等长多维向量组成数据集合,并进行数据的输入。
2.如权利要求1所述的网络安全指数计算的数据输入方法,其特征在于,所述根据获取的网络安全数据进行数据划分,得到第一网络安全数据,具体为:
根据获取的网络安全数据按照基础维、脆弱维、威胁维进行数据划分,获得所述第一网络安全数据;
所述第一网络安全数据为基础运行指数、脆弱性指数、风险指数。
3.如权利要求2所述的网络安全指数计算的数据输入方法,其特征在于,所述通过对所述第一网络安全数据进行数据处理,得到第二网络安全数据,具体为:对所述第一网络安全数据进行量化处理,获得所述第二网络安全数据。
4.如权利要求3所述的网络安全指数计算的数据输入方法,其特征在于,所述对所述第一网络安全数据进行量化处理,获得所述第二网络安全数据,包括对所述基础运行指数进行量化处理;根据划分的所述基础运行指数进行定量数据归一化处理,以计算单位时间段内的指标过载率;
根据所述指标过载率进行定性量化处理,并按照规则将指标分成N个等级,每一所述等级指标分别进行归一化赋值;其中N为正整数。
5.如权利要求3所述的网络安全指数计算的数据输入方法,其特征在于,所述对所述第一网络安全数据进行量化处理,获得所述第二网络安全数据,包括对所述脆弱性指数进行层次式指标的量化处理;
根据得到的三级指标基础网络的网络脆弱性指数,计算二级的所述网络脆弱性指数,以通过深度学习网络输入二级网络脆弱性指标。
6.如权利要求3所述的网络安全指数计算的数据输入方法,其特征在于,所述对所述第一网络安全数据进行量化处理,获得所述第二网络安全数据,包括对所述风险指数进行层次式指标的量化处理;
根据得到的三级指标基础网络的网络风险指数,计算二级的所述网络风险指数,以通过深度学习网络输入二级网络风险性指标。
7.如权利要求1或2所述的网络安全指数计算的数据输入方法,其特征在于,所述利用所述第二网络安全数据构成等长多维向量,具体为:
将所述第二网络安全数据按照基础运行维、脆弱维、威胁维三个维度排序进行子网划分,以构成所述等长多维向量di,其中,di=(基础运行维X个指标;脆弱维Y个指标;威胁维Z个指标);其中X、Y、Z均为正整数。
8.如权利要求7所述的网络安全指数计算的数据输入方法,其特征在于,所述将所述等长多维向量组成数据集合,具体为:
根据所述等长多维向量di组成数据集合D={d1,d2,…,dn},其中di为一个子网中采集到的网络安全指标数据。
9.如权利要求1或2所述的网络安全指数计算的数据输入方法,其特征在于,所述将所述等长多维向量组成数据集合,并进行数据输入,具体为:
将数据输入设置为m行*n列的模拟图片数据,其中,n列数据代表n个不同的网络子网;
将所述模拟图片数据分组输入卷积神经网络中进行网络安全指数的计算。
10.一种网络安全指数计算的数据输入装置,其特征在于,包括:
数据划分单元,用于根据获取的网络安全数据进行数据划分,得到第一网络安全数据;
第一数据处理单元,用于通过对所述第一网络安全数据进行数据处理,得到第二网络安全数据;
第二数据处理单元,用于利用所述第二网络安全数据构造等长多维向量;
数据输入单元,用于将所述等长多维向量组成数据集合,并进行数据的输入。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910679650.6A CN110493035A (zh) | 2019-07-25 | 2019-07-25 | 一种网络安全指数计算的数据输入方法及装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910679650.6A CN110493035A (zh) | 2019-07-25 | 2019-07-25 | 一种网络安全指数计算的数据输入方法及装置 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN110493035A true CN110493035A (zh) | 2019-11-22 |
Family
ID=68548302
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201910679650.6A Pending CN110493035A (zh) | 2019-07-25 | 2019-07-25 | 一种网络安全指数计算的数据输入方法及装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN110493035A (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114285638A (zh) * | 2021-12-24 | 2022-04-05 | 江苏瑞新信息技术股份有限公司 | 一种网络空间安全防护能力指数度量方法 |
Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102457412A (zh) * | 2011-10-14 | 2012-05-16 | 中国人民解放军国防科学技术大学 | 基于指标体系的大规模网络安全态势评估方法 |
CN103581186A (zh) * | 2013-11-05 | 2014-02-12 | 中国科学院计算技术研究所 | 一种网络安全态势感知方法及系统 |
CN104794534A (zh) * | 2015-04-16 | 2015-07-22 | 国网山东省电力公司临沂供电公司 | 一种基于改进深度学习模型的电网安全态势预测方法 |
CN105871882A (zh) * | 2016-05-10 | 2016-08-17 | 国家电网公司 | 基于网络节点脆弱性和攻击信息的网络安全风险分析方法 |
CN106953862A (zh) * | 2017-03-23 | 2017-07-14 | 国家电网公司 | 网络安全态势的感知方法和装置及感知模型训练方法和装置 |
CN107454105A (zh) * | 2017-09-15 | 2017-12-08 | 北京理工大学 | 一种基于ahp与灰色关联的多维网络安全评估方法 |
CN107483487A (zh) * | 2017-09-15 | 2017-12-15 | 北京理工大学 | 一种基于topsis的多维网络安全度量方法 |
-
2019
- 2019-07-25 CN CN201910679650.6A patent/CN110493035A/zh active Pending
Patent Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102457412A (zh) * | 2011-10-14 | 2012-05-16 | 中国人民解放军国防科学技术大学 | 基于指标体系的大规模网络安全态势评估方法 |
CN103581186A (zh) * | 2013-11-05 | 2014-02-12 | 中国科学院计算技术研究所 | 一种网络安全态势感知方法及系统 |
CN104794534A (zh) * | 2015-04-16 | 2015-07-22 | 国网山东省电力公司临沂供电公司 | 一种基于改进深度学习模型的电网安全态势预测方法 |
CN105871882A (zh) * | 2016-05-10 | 2016-08-17 | 国家电网公司 | 基于网络节点脆弱性和攻击信息的网络安全风险分析方法 |
CN106953862A (zh) * | 2017-03-23 | 2017-07-14 | 国家电网公司 | 网络安全态势的感知方法和装置及感知模型训练方法和装置 |
CN107454105A (zh) * | 2017-09-15 | 2017-12-08 | 北京理工大学 | 一种基于ahp与灰色关联的多维网络安全评估方法 |
CN107483487A (zh) * | 2017-09-15 | 2017-12-15 | 北京理工大学 | 一种基于topsis的多维网络安全度量方法 |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114285638A (zh) * | 2021-12-24 | 2022-04-05 | 江苏瑞新信息技术股份有限公司 | 一种网络空间安全防护能力指数度量方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN111262858B (zh) | 基于sa_soa_bp神经网络的网络安全态势预测方法 | |
CN110138627B (zh) | 一种基于安全风险量化的边缘侧终端安全接入策略选择方法 | |
CN109670302B (zh) | 一种基于svm的虚假数据注入攻击的分类方法 | |
CN108777641B (zh) | 一种基于李群的网络系统风险度量方法 | |
CN113422695B (zh) | 一种提高物联网拓扑结构鲁棒性能的优化方法 | |
CN103646177B (zh) | 一种考虑温度影响的土木工程结构损伤预警方法 | |
CN109146057A (zh) | 一种基于查表计算的高精度的神经网络工程化方法 | |
CN107944702A (zh) | 一种网络安全层次分析评估方法、装置及计算机可读存储介质 | |
CN110519094B (zh) | 一种基于装备体系网络的打击链路评估方法 | |
CN105631532A (zh) | 一种基于模糊决策的神经网络模型电力系统负荷预测方法 | |
CN108881250A (zh) | 电力通信网络安全态势预测方法、装置、设备及存储介质 | |
CN107563220A (zh) | 一种基于计算机的大数据分析控制系统及控制方法 | |
CN107517201A (zh) | 一种基于时序移除的网络脆弱性辨识方法 | |
Xiao et al. | Network security situation prediction method based on MEA-BP | |
CN108008632A (zh) | 一种基于协议的时滞马尔科夫系统的状态估计方法和系统 | |
CN104539601A (zh) | 动态网络攻击过程可靠性分析方法及系统 | |
CN114494771B (zh) | 一种可防御后门攻击的联邦学习图像分类方法 | |
CN110298170B (zh) | 一种考虑盲目攻击因子的电力scada系统安全性评估方法 | |
CN110493035A (zh) | 一种网络安全指数计算的数据输入方法及装置 | |
EP3934202A1 (en) | Method for forecasting health status of distributed networks by artificial neural networks | |
CN116362329A (zh) | 一种融合参数优化的集群联邦学习方法及设备 | |
CN108228959A (zh) | 利用删失数据估计系统实际状态的方法及应用其的滤波器 | |
CN108931700A (zh) | 一种基于WSNs的电网安全风险预警系统 | |
CN109871682B (zh) | 异构虚拟机平台的执行体统一控制方法 | |
CN113239351B (zh) | 一种面向物联网系统的新型数据污染攻击防御方法 |
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 | ||
RJ01 | Rejection of invention patent application after publication |
Application publication date: 20191122 |