CN112260870B - 基于动态模糊聚类和灰色神经网络的网络安全预测方法 - Google Patents

基于动态模糊聚类和灰色神经网络的网络安全预测方法 Download PDF

Info

Publication number
CN112260870B
CN112260870B CN202011130245.8A CN202011130245A CN112260870B CN 112260870 B CN112260870 B CN 112260870B CN 202011130245 A CN202011130245 A CN 202011130245A CN 112260870 B CN112260870 B CN 112260870B
Authority
CN
China
Prior art keywords
sequence
value
selecting
individual
neural network
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.)
Active
Application number
CN202011130245.8A
Other languages
English (en)
Other versions
CN112260870A (zh
Inventor
徐光侠
张家俊
马创
刘俊
王利
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Chongqing University of Post and Telecommunications
Original Assignee
Chongqing University of Post and Telecommunications
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Chongqing University of Post and Telecommunications filed Critical Chongqing University of Post and Telecommunications
Priority to CN202011130245.8A priority Critical patent/CN112260870B/zh
Publication of CN112260870A publication Critical patent/CN112260870A/zh
Application granted granted Critical
Publication of CN112260870B publication Critical patent/CN112260870B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

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
    • H04L41/147—Network analysis or design for predicting network behaviour
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/23—Clustering techniques
    • 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
    • G06N3/084—Backpropagation, e.g. using gradient descent
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/12—Computing arrangements based on biological models using genetic models
    • G06N3/126—Evolutionary algorithms, e.g. genetic algorithms or genetic programming
    • 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

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • Data Mining & Analysis (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Biophysics (AREA)
  • Health & Medical Sciences (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Evolutionary Computation (AREA)
  • Evolutionary Biology (AREA)
  • General Engineering & Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Artificial Intelligence (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Signal Processing (AREA)
  • Computer Networks & Wireless Communication (AREA)
  • Computing Systems (AREA)
  • Software Systems (AREA)
  • Mathematical Physics (AREA)
  • Biomedical Technology (AREA)
  • Computational Linguistics (AREA)
  • General Health & Medical Sciences (AREA)
  • Molecular Biology (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Genetics & Genomics (AREA)
  • Physiology (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)

Abstract

本发明涉及计算机领域，尤其涉及一种基于动态模糊聚类和灰色神经网络的网络安全预测方法，包括将网络入侵攻击类型的每个数据类型视为一个种群，对种群进行初始化并采用实数编码对种群进行编码；使用自适应方法对交叉算子和变异算子进行处理；使用基于动态模糊聚类优化后的自适应遗传算法对初始权值分布进行粗略调整优化；计算种群的个体适应度函数；本发明具有良好的容错性和稳定性。

Description

基于动态模糊聚类和灰色神经网络的网络安全预测方法
技术领域
本发明涉及计算机领域，尤其涉及一种基于动态模糊聚类和灰色神经网络的网络安全预测方法。
背景技术
网络和通信技术的飞速发展使得互联网得到了大规模应用，互联网服务应用极大方便了人们的生活和工作，推动着社会的进步和发展。但同时，网络安全事件发生的频率大大提高，并呈现出有组织、有目的、针对性强等特点。现有的传统安全防护设备功能单一、组织合作能力较低，没有从宏观的角度对网络的安全起到防护作用，这些传统的安全防护措施已不能很好的保护我们免受来自网络的恶意攻击。因此，安全技术才应与时俱进，利用人工智能、大数据等新兴技术，建立适合当下安全环境的新型防御体系，而网络安全态势感知及预测，无疑能让我们预知威胁，了解风险所在。
态势感知及预测是一种基于环境的、动态的、整体的洞悉安全风险的能力，它以安全大数据为基础，从全局视角提升对安全威胁的发现识别、理解分析及响应处置能力的一种方式，旨在大规模网络环境中对能够引起网络态势发生变化的安全要素进行获取、理解、显示以及最近发展趋势的顺延性预测，进而进行安全相关的决策与行动。实现网络安全态势感知及预测既需要利用已有实时或准实时的检测技术，同时还需要通过更长时间的数据分析发现异常行为，而内容维度上，也需要覆盖网络流量、终端行为、内容载荷等方面，提供完整有效的检测能力。
自适应遗传算法是对基本遗传算法的一种改进，它通过对遗传参数的自适应调整，大大提高了遗传算法的收敛精度，但存在着收敛速度慢、易陷入早熟的问题。动态模糊聚类和淘汰规则的小生境技术能够应用于自适应遗传算法的参数寻优过程，有效提高预测性能。BP神经网络是一种按照误差逆向传播算法训练的多层前馈神经网络，具有良好的非线性映射能力、自学习和自适应能力、泛化能力和容错能力，但仍存在着局部极小化及收敛速度过慢等问题。灰色系统理论以灰色系统为研究对象，以灰色系统的白化、淡化、量化、模型化、最优化为核心，以对各种灰色系统发展的预测和控制为目的。
发明内容
针对传统预测方法的不足，为了进一步提高复杂网络中安全态势值的预测精度，并且能够更好的体现相关因素对系统因素的影响，本发明提出一种基于动态模糊聚类和灰色神经网络的网络安全预测方法，包括以下步骤：
S1、根据网络入侵及攻击检测的数据类型将其划分为若干个分类，每个类中选出适应度较大的个体作为该类的达标组成一个种群，使用动态模糊聚类对初始化种群pini进行小生境划分，实现种群初始化，采用实数编码的方式实现对种群的编码；
S2、获取个体适应度值并对适应度值前Q的个体进行降序排序；
S3、采用期待值算法进行遗传过程中的选择操作，使用自适应方法对交叉算子和变异算子进行处理，完成选择、交叉、变异遗传操作；
S4、采用动态模糊淘汰机制实现小生境整体淘汰；
S5、使用基于动态模糊聚类优化后的自适应遗传算法对初始权值分布进行粗略调整优化，在解空间中找出权值分布较优的搜索空间；
S6、使用BP算法在这个较小的解空间中搜索出最优解，采用基于动态模糊聚类优化后的自适应遗传算法对神经网络权值进行优化；
S7、建立三参数区间灰数序列；
S8、设系统特征为数据序列及其相关因素序列均为三参数区间灰数序列，获取由GM(0,N)模型推广到三参数区间灰数信息下的SGM(0,N)模型；
S9、使用基于动态模糊聚类和自适应遗传算法优化的BP神经网络改进SGM模型，构建优化后的BP神经网络与SGM(0,N)模型相结合的SGBP(0,N)预测模型，并利用该模型进行网络安全预测。
进一步的，个体适应度值表示为：
Figure BDA0002734916620000031
其中，f为个体适应度值，Yt为输出层第t个节点的实际输出量，Y′t为输出层第t个节点的期望输出量，n为结点的总个数。
进一步的，步骤S4具体包括以下步骤：
S41、对个体的实数基因码制进行归一化处理；
S42、根据归一化的操作，构建个体间的模糊相似矩阵R；
S43、通过寻找存在模糊矩阵R的最小传递闭包，获得相应的模糊等价矩阵T，并利用T进行种群的聚类，比较相似系数β与每对个体间的等价系数Tpq，若β≤Tpq，则将个体xp和xq划分为同一小生境，以此类推，直到所有个体均被划分到小生境中；
S44、根据每代的等价模糊等价矩阵以及种群个体数，对相似度系数λ动态更新；
S45、通过每个小生境中个体适应度值大小的比较，对适应度值相对较小的个体施加惩罚因子；
S46、判断若某小生境的适应度值远小于其他小生境，则用满足适应度要求的个体进行替换。
进一步的，步骤S5具体包括以下步骤：
S51、初始化种群P，包括交叉规模、交叉概率pc、突变概率pm以及对任意WIHij和WHOji初始化，采用实数进行编码，初始化种群取25；
S52、计算每一个个体评价函数，并将其排序，按
Figure BDA0002734916620000032
概率值选择网络个体，其中个体i的适配值fi表示为：
Figure BDA0002734916620000041
S53、以概率Pc对个体Gi和Gi+1进行交叉操作，产生新个体Gi和Gi+1，没有进行交叉操作的个体直接进行复制；
S54、利用概率Pm进行突变操作产生Gi的新个体G；
S55、将新个体插入到种群P中，并计算新个体的评价函数；
S56、计算ANN的误差平方和，若达到预定值εGA，即找到满意个体，跳转步骤S57，否则转步骤S53；
S57、以遗传算法的优化初值作为初始权值，用BP算法训练网络在，直到指定精度εBP，且εGA<εGA，将最终群体中的最优个体解码得到优化后的网络连接权系数；
其中，k为输出层结点数，p为学习样本数，WIHij为输入层中第i结点的输出，WHOji为隐含层中第j结点于输出层第i结点的连接权值，Vk表示学习样本信号，Tk表示教师信号。
进一步的，步骤S8中三参数区间灰数信息下的SGM(0,N)模型下求解过程具体包括以下步骤：
S81、数据预处理，根据实际需求确定构建模型所需样本数，并根据三参数区间灰数数据序列的一阶累加序列求得该样本一阶累加序列；
S82、确定系统行为序列，从下界序列
Figure BDA0002734916620000042
中界序列
Figure BDA0002734916620000043
以及上界序列
Figure BDA0002734916620000044
中选取一个；
S83、确定相关因素序列，选取所有相关因素序列的系统行为序列；
S84、运用灰色关联分析法，确定相关因素对系统行为序列变量发展的影响大小，确定Nv值，建立GM(0,Nv)模型并求解，其中，Nv表示由灰色关联分析法所确定的微分方程的阶数；
S85、重复步骤S82～S84，分别获取根据每个系统行为序列下GM(0,Nv)模型的预测值；
S86、重复步骤S82、S83、S84、S85，分别选取下界序列
Figure BDA0002734916620000051
中间值序列
Figure BDA0002734916620000052
上界序列
Figure BDA0002734916620000053
为系统行为序列，并分别选取所有相关因素序列的下界、中间值、上界序列作为相关因素，根据所建立的GM(0,Nv)模型求解所得到的预测值，预测值包括选取下界序列
Figure BDA0002734916620000054
为系统行为序列，并选取所有相关元素的下界值序列得到的预测值
Figure BDA0002734916620000055
选取所有相关元素的中间值序列得到的预测值
Figure BDA0002734916620000056
选取所有相关元素的上界序列得到的预测值
Figure BDA0002734916620000057
选取中间序列
Figure BDA0002734916620000058
为系统行为序列，并选取所有相关元素的下界值序列得到的预测值
Figure BDA0002734916620000059
选取所有相关元素的中间值序列得到的预测值
Figure BDA00027349166200000510
选取所有相关元素的上界序列得到的预测值
Figure BDA00027349166200000511
选取上界序列
Figure BDA00027349166200000512
为系统行为序列，并选取所有相关元素的下界值序列得到的预测值
Figure BDA00027349166200000513
选取所有相关元素的中间值序列得到的预测值
Figure BDA00027349166200000514
选取所有相关元素的上界序列得到的预测值
Figure BDA00027349166200000515
k＝1,2,…,n，k表示预测序列顺序，n为系统特征行为数据序列元素的总个数。
S87、对获取的预测值，进行一阶累减还原得到初步预测值，并将该值作为SGM(0,N)模型的预测值。
本发明针对自适应遗传算法优化BP神经网络模型，提出使用动态模糊聚类和淘汰规则的小生境技术，通过期待值法选择操作、自适应交叉、变异操作、小生境动态模糊聚类及惩罚机制改善自适应遗传算法的参数寻优过程，优化种群的初始权值和阈值，有效改进BP神经网络参数，并采用三参数区间灰数信息下的SGM(0,N)模型，利用优化后的BP神经网络对非线性拟合具有良好预测效果这一优点，改进SGM(0,N)模型，构建BP神经网络与SGM(0,N)模型结合的SGBP(0,N)预测模型，进而提高网络安全态势预测模型的参数寻优能力；利用该模型对网络安全态势进行预测，结果表明改进后的模型预测输出和实际负荷值拟合度较高，并具有良好的容错性和稳定性，即本发明对网络安全态势预测更具优势。
附图说明
图1是本发明一种基于动态模糊聚类和灰色神经网络结合的网络安全态势预测方法；
图2是BP神经网络的训练流程。
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。
本发明提出一种基于动态模糊聚类和灰色神经网络的网络安全预测方法，具体包括以下步骤：
S1、根据网络入侵及攻击检测的数据类型将其划分为若干个分类，每个类中选出适应度较大的个体作为该类的达标组成一个种群，并使用动态模糊聚类对初始化种群pini进行小生境划分，实现种群初始化，采用实数编码的方式实现对种群的编码，h1,h2,…,hM(其中M＝m×n)代表了输入层到隐含层各连接权值，h1,h2,…,hN(其中N＝n×u)表示隐含层到输出层的连接权值。
S2、确定适应度值并对其进行排序，适应度值的改变决定了自适应遗传算法的进化方向，进而使用神经网络的误差函数构造个体适应度函数：
Figure BDA0002734916620000061
其中，
Figure BDA0002734916620000062
其中，Yt为输出层第t个节点的实际输出量，Y′t为输出层第t个节点的期望输出量；通过适应度函数获得所有个体的适应度值，采取降序排列，同时对前Q个体进行存储。
S3、采用期待值算法
Figure BDA0002734916620000063
进行遗传过程中的选择操作，保存优势个体，使用自适应方法对交叉算子和变异算子进行处理，完成选择、交叉、变异遗传操作，其中，qi为个体期待值，fSum为种群中所有个体的适应度值总和，fi为小生境的第i个体的适应度值，i<N，N为种群的个体总数。
S4、采用动态模糊淘汰机制实现小生境整体淘汰，最终达到小生境择优的目的，有效改善自适应遗传算法早熟收敛的问题。
S5、使用基于动态模糊聚类优化后的自适应遗传算法对初始权值分布进行粗略调整优化，在解空间中找出权值分布较优的搜索空间。
S6、使用BP算法在这个较小的解空间中搜索出最优解，采用基于动态模糊聚类优化后的自适应遗传算法对神经网络权值进行优化，防止搜索陷入局部极小值。
S7、建立三参数区间灰数序列，其三参数区间下灰数数据序列为：
Figure BDA0002734916620000071
其中，
Figure BDA0002734916620000072
Figure BDA0002734916620000073
为
Figure BDA0002734916620000074
取值可能性最大的数，三参数区间灰数数据序列的一阶累加序列为：
Figure BDA0002734916620000075
S8、设系统特征为数据序列及其相关因素序列均为三参数区间灰数序列，由GM(0,N)模型推广到三参数区间灰数信息下的SGM(0,N)模型如下：
Figure BDA0002734916620000076
其中，a为用于缩减模型误差范围的常数，bi为三参数区间灰数数据序列的相关系数，i∈{b2，b3，..，bN}。
S9、使用基于动态模糊聚类和自适应遗传算法优化的BP神经网络改进SGM模型，构建优化后的BP神经网络与SGM(0,N)模型相结合的SGBP(0,N)预测模型，提高网络安全态势预测模型预测精度，并使用三参数区间灰数表达数据样本，加强模型动态可变性。
实施例1
本实施例对步骤S4进一步说明，包括以下步骤：
S41、对个体的实数基因码制进行归一化处理，其中，xpj表示个体xp的第j位置的基因码制，归一化之后个体xp的第j位置的基因码制表示为：
Figure BDA0002734916620000081
S42、根据归一化的操作，通过
Figure BDA0002734916620000082
公式构建个体间的模糊相似矩阵R；
S43、通过寻找存在模糊矩阵R的最小传递闭包，根据上层中建立的模糊相似矩阵R改造成模糊等价矩阵T，即获得相应的模糊等价矩阵T，并利用T进行种群的聚类，比较相似系数β与每对个体间的等价系数，若β≤Tpq，则将个体xp和xq划分为同一小生境，Tpq表示个体xp和xq间的等价系数，以此类推，直到所有个体均被划分到小生境中，其中：
Figure BDA0002734916620000083
S44、根据每代的等价模糊等价矩阵以及种群个体数，对相似度系数动态更新，第t个节点的相似度系数计算公式设置为：
Figure BDA0002734916620000084
其中Tmaxj表示最大适应度值个体与xmax与个体xj之间的等价系数，N为种群个体总数。
S45、通过每个小生境中个体适应度值大小的比较，对适应度值相对较小的个体施加惩罚因子：
min{wp…wq}＝penalty*min{wp…wq}
其中，wp、wq分别表示个体xq和xp的适应度值，penalty是一个较强的惩罚因子。
S46、为定量分析改进后的小生境在保持种群多样性上的优势，定义种群熵dt进行多样性比较，其中
Figure BDA0002734916620000085
Pn＝Lmin/N，其中Q代表第t代中存在子种群的个数，Lmin表示第m代中的第n个子种群的个体数，N为种群总个体数，d越大，则说明其多样性越高。
S47、判断若某小生境的适应度值远小于其他小生境，即：
|fi-fmax|＜fdefault
则用满足适应度要求的个体进行替换，即：
fi＝fniche(i),(1≤i≤n)
fniche＝(f1,f2,f3……fn)
其中fmax是同代最优个体的适应度值，定义适应度的默认阈值为fdefault，fniche(i)表示小生境的第i个体的适应度值。
实施例2
BP神经网络结构如图2，建立三层BP网络，其中li为输入层中第i个结点的输出，Hi为隐含层中第i个结点的输出，Oi为输出层中第i个结点的输出，WIHij为输入层中第i个结点与隐含层第j个结点连接权值，WHOji为隐含层中第j个结点与输出层第i个结点的连接权值。
S51、初始化种群P，包括交叉规模、交叉概率、突变概率Pm以及对任意WIHij和WHOji初始化，采用实数进行编码，初始化种群取30。
S52、计算每一个个体评价函数，并将其排序，按
Figure BDA0002734916620000091
概率值选择网络个体，其中fi为个体i的适配值，可用误差平方和E来衡量，即:
Figure BDA0002734916620000092
E(i)＝∑p∑k(vk-Tk)2
S53、以概率Pc对个体Gi和Gi+1交叉操作，产生新个体Gi和Gi+1，没有进行交叉操作的个体直接进行复制。
S54、利用概率Pm突变产生Gi的新个体G。
S55、将新个体插入到种群P中，并计算新个体的评价函数。
S56、如果找到了满意的个体，则结束，否则转步骤S54。
S57、达到所要求的性能指标后，将最终群体中的最优个体解码得到优化后的网络连接权系数。
实施例3
本实施例对步骤S8进一步说明，包括以下步骤：
S81、数据预处理，确定构建模型所需样本数，即：
Figure BDA0002734916620000101
求得一阶累加序列。
S82、确定系统行为序列，从
Figure BDA0002734916620000102
中选取一个，如下界序列
Figure BDA0002734916620000103
S83、确定相关因素序列，选取所有相关因素序列的下界序列(或者中间值序列或者上界序列)作为相关因素序列，如
Figure BDA0002734916620000104
S84、运用灰色关联分析法，确定相关因素对系统行为序列变量发展的影响大小，确定Nv值，建立GM(0,Nv)模型并求解，及相应的预测值为：
Figure BDA0002734916620000105
Figure BDA0002734916620000106
S85、重新选取相关因素，重复步骤S82、S83,并记相应的预测值为:
Figure BDA0002734916620000107
其中，
Figure BDA0002734916620000108
分别表示选取下界序列
Figure BDA0002734916620000109
为系统行为序列，并分别选取所有相关元素的中间值序列及上界序列作为相关元素所得到的预测值。
S86、重复步骤S82、S83、S84、S85，依次求得相应的预测值：
Figure BDA00027349166200001010
其中，k＝1,2,…,n，
Figure BDA00027349166200001011
表示选取中间值序列
Figure BDA00027349166200001012
为系统行为序列，并分别选取所有相关因素序列的下界序列、中间值序列、上界序列作为相关元素序列所得到的预测值，
Figure BDA00027349166200001013
表示选取上界序列
Figure BDA00027349166200001014
为系统行为序列，并分别选取所有相关因素序列的下界序列、中间值序列、上界序列作为相关元素序列所得到的预测值。
S87、一阶累减还原得到初步预测值：
Figure BDA0002734916620000111
其中：
Figure BDA0002734916620000112
Figure BDA0002734916620000113
其中：
Figure BDA0002734916620000114
Figure BDA0002734916620000115
其中：
Figure BDA0002734916620000116
S88、求得最终的预测值
Figure BDA0002734916620000117
Figure BDA0002734916620000118
Figure BDA0002734916620000119
实施例4
本实施例对步骤S9进一步说明，包括以下步骤：
S91、构建SGM(0,N)模型，实现步骤S81-S88，得到：
分别选取下界序列
Figure BDA00027349166200001110
中间值序列
Figure BDA00027349166200001111
上界序列
Figure BDA00027349166200001112
为系统行为序列，并分别选择所有相关因素序列的下界、中间值、上界序列作为相关因素，根据所建立的GM(0,Nv)模型求解所得到的预测值，L、M、U分别表示选取所有相关因素序列的下界、中间值、上界序列作为相关因素，获得的序列包括
Figure BDA00027349166200001113
Figure BDA00027349166200001114
k＝1,2,…,n；L、M、U分别表示选取所有相关因素序列的下界、中间值、上界序列作为相关因素。
S92、取SGM(0,N)模型下界序列的预测值：
Figure BDA00027349166200001115
作为基于动态模糊聚类和自适应遗传算法的BP神经网络的输入项，实际值作为输出项，训练神经网络，再输入需要预测的SGM(0,N)得到的预测值进行仿真，求出最终值。
尽管已经示出和描述了本发明的实施例，对于本领域的普通技术人员而言，可以理解在不脱离本发明的原理和精神的情况下可以对这些实施例进行多种变化、修改、替换和变型，本发明的范围由所附权利要求及其等同物限定。

Claims (8)

1.基于动态模糊聚类和灰色神经网络的网络安全预测方法，其特征在于，包括以下步骤：
S1、根据网络入侵及攻击检测的数据类型将其划分为若干个分类，每个类中选出适应度较大的个体作为该类的达标组成一个种群，使用动态模糊聚类对初始化种群pini进行小生境划分，实现种群初始化，采用实数编码的方式实现对种群的编码；
S2、获取个体适应度值并对适应度值前Q的个体进行降序排序；
S3、采用期待值算法进行遗传过程中的选择操作，使用自适应方法对交叉算子和变异算子进行处理，完成选择、交叉、变异遗传操作；
S4、采用动态模糊淘汰机制实现小生境整体淘汰；
S5、使用基于动态模糊聚类优化后的自适应遗传算法对初始权值分布进行粗略调整优化，在解空间中找出神经网络权值分布较优的搜索空间；
S6、使用BP算法在这个较小的解空间中搜索出最优解，采用基于动态模糊聚类优化后的自适应遗传算法对神经网络权值进行优化；
S7、建立三参数区间灰数序列；
S8、设系统特征为数据序列及其相关因素序列均为三参数区间灰数序列，获取由GM(0,N)模型推广到三参数区间灰数信息下的SGM(0,N)模型；
S9、使用基于动态模糊聚类和自适应遗传算法优化的BP神经网络改进SGM模型，构建优化后的BP神经网络与SGM(0,N)模型相结合的SGBP(0,N)预测模型，并分别取SGM(0,N)模型下界、中间值、上界序列的预测值，作为BP神经网络的输入项，取其实际值作为输出项，训练神经网络，最终利用该模型进行网络安全预测。
2.根据权利要求1所述的基于动态模糊聚类和灰色神经网络的网络安全预测方法，其特征在于，个体适应度值表示为：
Figure FDA0002734916610000021
其中，f为个体适应度值，Yt为输出层第t个节点的实际输出量，Y′t为输出层第t个节点的期望输出量，n为输出层节点的总个数。
3.根据权利要求1所述的基于动态模糊聚类和灰色神经网络的网络安全预测方法，其特征在于，步骤S4具体包括以下步骤：
S41、对个体的实数基因码制进行归一化处理；
S42、根据归一化的操作，构建个体间的模糊相似矩阵R；
S43、通过寻找存在模糊矩阵R的最小传递闭包，获得相应的模糊等价矩阵T，并利用T进行种群的聚类，比较相似系数β与每对个体间的等价系数Tpq，若β≤Tpq，则将个体xp和xq划分为同一小生境，以此类推，直到所有个体均被划分到小生境中；
S44、根据每代的等价模糊等价矩阵以及种群个体数，对相似度系数λ动态更新；
S45、通过每个小生境中个体适应度值大小的比较，对适应度值相对较小的个体施加惩罚因子；
S46、判断若某小生境的适应度值远小于其他小生境，则用满足适应度要求的个体进行替换。
4.根据权利要求3所述的基于动态模糊聚类和灰色神经网络的网络安全预测方法，其特征在于，模糊矩阵R表示为：
Figure FDA0002734916610000022
其中，
Figure FDA0002734916610000023
表示个体xp的第j位置的基因码制归一化之后的值，chromlen表示种群个体的维度。
5.根据权利要求3所述的基于动态模糊聚类和灰色神经网络的网络安全预测方法，其特征在于，更新相似度系数λ包括：
Figure FDA0002734916610000031
其中，λt表示相似度系数，Tmaxj表示最大适应度值个体与xmax与个体xj之间的等价系数，N表示种群的总个体数。
6.根据权利要求1所述的基于动态模糊聚类和灰色神经网络的网络安全预测方法，其特征在于，步骤S5具体包括以下步骤：
S51、初始化种群P，包括交叉规模、交叉概率pc、突变概率pm以及对任意WIHij和WHOji初始化，采用实数进行编码，初始化种群取25；
S52、计算每一个个体评价函数，并将其排序，按
Figure FDA0002734916610000032
概率值选择网络个体，其中个体i的适配值fi表示为：
Figure FDA0002734916610000033
S53、以概率Pc对个体Gi和Gi+1进行交叉操作，产生新个体Gi和Gi+1，没有进行交叉操作的个体直接进行复制；
S54、利用概率Pm进行突变操作产生Gi的新个体G；
S55、将新个体插入到种群P中，并计算新个体的评价函数；
S56、计算神经网络的误差平方和，若达到预定值εGA，即找到满意个体，跳转步骤S57，否则转步骤S53；
S57、以遗传算法的优化初值作为初始权值，用BP算法训练网络在，直到指定精度εBP，且εGA<εGA，将最终群体中的最优个体解码得到优化后的网络连接权系数；
其中，k为输出层结点数，p为学习样本数，WIHij为输入层中第i结点的输出，WHOji为隐含层中第j结点于输出层第i结点的连接权值，Vk表示学习样本信号，Tk表示教师信号。
7.根据权利要求1所述的基于动态模糊聚类和灰色神经网络的网络安全预测方法，其特征在于，步骤S8中三参数区间灰数信息下的SGM(0,N)模型下求解过程具体包括以下步骤：
S81、数据预处理，根据实际需求确定构建模型所需样本数，并根据三参数区间灰数数据序列的一阶累加序列求得该样本一阶累加序列；
S82、确定系统行为序列，从下界序列
Figure FDA0002734916610000041
中界序列
Figure FDA0002734916610000042
以及上界序列
Figure FDA0002734916610000043
中选取一个；
S83、确定相关因素序列，选取所有相关因素序列的系统行为序列；
S84、运用灰色关联分析法，确定相关因素对系统行为序列变量发展的影响大小，确定Nv值，建立GM(0,Nv)模型并求解，其中，Nv表示由灰色关联分析法所确定的Nv阶微分方程；
S85、重复步骤S82～S84，分别获取根据每个系统行为序列下GM(0,Nv)模型的预测值；
S86、重复步骤S82、S83、S84、S85，分别选取下界序列
Figure FDA0002734916610000044
中间值序列
Figure FDA0002734916610000045
上界序列
Figure FDA0002734916610000046
为系统行为序列，并分别选取所有相关因素序列的下界、中间值、上界序列作为相关因素，根据所建立的GM(0,Nv)模型求解所得到的预测值，预测值包括选取下界序列
Figure FDA0002734916610000047
为系统行为序列，并选取所有相关元素的下界值序列得到的预测值
Figure FDA0002734916610000048
选取所有相关元素的中间值序列得到的预测值
Figure FDA0002734916610000049
选取所有相关元素的上界序列得到的预测值
Figure FDA00027349166100000410
选取中间序列
Figure FDA00027349166100000411
为系统行为序列，并选取所有相关元素的下界值序列得到的预测值
Figure FDA00027349166100000412
选取所有相关元素的中间值序列得到的预测值
Figure FDA00027349166100000413
选取所有相关元素的上界序列得到的预测值
Figure FDA00027349166100000414
选取上界序列
Figure FDA00027349166100000415
为系统行为序列，并选取所有相关元素的下界值序列得到的预测值
Figure FDA00027349166100000416
选取所有相关元素的中间值序列得到的预测值
Figure FDA00027349166100000417
选取所有相关元素的上界序列得到的预测值
Figure FDA00027349166100000418
k＝1,2,…,n，k表示预测序列顺序，n为系统特征行为数据序列元素的总个数；
S87、对获取的预测值，进行一阶累减还原得到初步预测值，并将该值作为SGM(0,N)模型的预测值。
8.根据权利要求7所述的基于动态模糊聚类和灰色神经网络的网络安全预测方法，其特征在于，SGBP(0,N)预测模型的构建包括：
取SGM(0,N)模型下界序列的预测值，作为基于动态模糊聚类和自适应遗传算法的BP神经网络的输入项，实际值作为输出项，训练神经网络，再输入需要预测的SGM(0,N)得到的预测值进行仿真，求出最终值；重复上述步骤，依次得到中间值序列、上界序列的最终值，并使用三参数区间灰数表达数据样本。
CN202011130245.8A 2020-10-21 2020-10-21 基于动态模糊聚类和灰色神经网络的网络安全预测方法 Active CN112260870B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202011130245.8A CN112260870B (zh) 2020-10-21 2020-10-21 基于动态模糊聚类和灰色神经网络的网络安全预测方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202011130245.8A CN112260870B (zh) 2020-10-21 2020-10-21 基于动态模糊聚类和灰色神经网络的网络安全预测方法

Publications (2)

Publication Number Publication Date
CN112260870A CN112260870A (zh) 2021-01-22
CN112260870B true CN112260870B (zh) 2022-04-05

Family

ID=74264034

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202011130245.8A Active CN112260870B (zh) 2020-10-21 2020-10-21 基于动态模糊聚类和灰色神经网络的网络安全预测方法

Country Status (1)

Country Link
CN (1) CN112260870B (zh)

Families Citing this family (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113033419A (zh) * 2021-03-24 2021-06-25 河南中烟工业有限责任公司 基于进化神经网络的设备故障辨识方法及系统

Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN106453294A (zh) * 2016-09-30 2017-02-22 重庆邮电大学 基于模糊淘汰机制的小生境技术的安全态势预测方法
CN108667834A (zh) * 2018-04-28 2018-10-16 广东电网有限责任公司 基于人工免疫和灰色关联度分析的网络安全态势感知方法
CN110336768A (zh) * 2019-01-22 2019-10-15 西北大学 一种基于联合隐马尔可夫模型与遗传算法的态势预测方法

Family Cites Families (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
TWI234974B (en) * 2003-12-22 2005-06-21 Inst Information Industry Methodology of predicting distributed denial of service based on gray theory

Patent Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN106453294A (zh) * 2016-09-30 2017-02-22 重庆邮电大学 基于模糊淘汰机制的小生境技术的安全态势预测方法
CN108667834A (zh) * 2018-04-28 2018-10-16 广东电网有限责任公司 基于人工免疫和灰色关联度分析的网络安全态势感知方法
CN110336768A (zh) * 2019-01-22 2019-10-15 西北大学 一种基于联合隐马尔可夫模型与遗传算法的态势预测方法

Non-Patent Citations (4)

* Cited by examiner, † Cited by third party
Title
"基于改进灰色理论的网络安全态势预测方法研究";邓勇杰;《中国优秀硕士学位论文全文数据库 信息科技辑》;20160615;全文 *
"网络安全态势评估与预测技术研究";黄卿;《中国优秀博硕士学位论文全文数据库(硕士)信息科技辑》;20170315;全文 *
Shaobo Zhang ; Yongjun Shen ; Guidong Zhang."Network Security Situation Prediction Model Based on Multi-Swarm Chaotic Particle Optimization and Optimized Grey Neural Network".《2018 IEEE 9th International Conference on Software Engineering and Service Science (ICSESS)》.2019, *
曾祥艳 ; 王旻燕 ; 何芳丽 ; 迟晓妮."基于GM(0,N)模型的三元区间数序列预测".《控制与决策》.2019, *

Also Published As

Publication number Publication date
CN112260870A (zh) 2021-01-22

Similar Documents

Publication Publication Date Title
CN106453293B (zh) 一种基于改进bpnn的网络安全态势预测方法
Benardos et al. Optimizing feedforward artificial neural network architecture
Kozeny Genetic algorithms for credit scoring: Alternative fitness function performance comparison
CN110070141A (zh) 一种网络入侵检测方法
CN113538125A (zh) 一种基于萤火虫算法优化Hopfield神经网络的风险评级方法
CN111680786B (zh) 一种基于改进权重门控单元的时序预测方法
Gong et al. Immune secondary response and clonal selection inspired optimizers
CN111104975B (zh) 一种基于广度学习的信用评估方法
CN112288137A (zh) 一种计及电价和Attention机制的LSTM短期负荷预测方法及装置
CN113407864A (zh) 一种基于混合注意力网络的群组推荐方法
CN115115389A (zh) 一种基于价值细分和集成预测的快递客户流失预测方法
CN112819024B (zh) 模型处理方法、用户数据处理方法及装置、计算机设备
CN110889560A (zh) 一种具有深度可解释性的快递序列预测的方法
CN112581264A (zh) 一种基于蝗虫算法优化mlp神经网络的信用风险预测方法
CN112260870B (zh) 基于动态模糊聚类和灰色神经网络的网络安全预测方法
CN113887694A (zh) 一种注意力机制下基于特征表征的点击率预估模型
KR101635623B1 (ko) 해양 저서생태계 변화 예측 시스템
Ekong et al. A Machine Learning Approach for Prediction of Students’ Admissibility for Post-Secondary Education using Artificial Neural Network
CN116015967B (zh) 基于改进鲸鱼算法优化delm的工业互联网入侵检测方法
Reddy et al. Neural networks for prediction of loan default using attribute relevance analysis
CN116956160A (zh) 一种基于自适应树种算法的数据分类预测方法
CN116506302A (zh) 基于反事实推断的网络对齐方法
CN113392958B (zh) 一种模糊神经网络fnn的参数优化及应用方法与系统
Viswambaran et al. Evolutionary design of long short term memory (lstm) ensemble
Kotenko et al. Formation of Indicators for Assessing Technical Reliability of Information Security Systems

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
GR01 Patent grant
GR01 Patent grant