CN113065699A - 一种基于进化神经网络的电力信息网安全态势量化方法 - Google Patents
一种基于进化神经网络的电力信息网安全态势量化方法 Download PDFInfo
- Publication number
- CN113065699A CN113065699A CN202110330507.3A CN202110330507A CN113065699A CN 113065699 A CN113065699 A CN 113065699A CN 202110330507 A CN202110330507 A CN 202110330507A CN 113065699 A CN113065699 A CN 113065699A
- Authority
- CN
- China
- Prior art keywords
- network
- situation
- power information
- index
- security situation
- 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
- 238000000034 method Methods 0.000 title claims abstract description 39
- 238000013528 artificial neural network Methods 0.000 title claims abstract description 36
- 238000011002 quantification Methods 0.000 title claims abstract description 24
- 238000004891 communication Methods 0.000 claims abstract description 20
- 238000004364 calculation method Methods 0.000 claims abstract description 16
- 230000008447 perception Effects 0.000 claims abstract description 15
- 238000004422 calculation algorithm Methods 0.000 claims abstract description 13
- 230000008569 process Effects 0.000 claims abstract description 12
- 230000002068 genetic effect Effects 0.000 claims abstract description 9
- 230000006870 function Effects 0.000 claims description 7
- 238000013139 quantization Methods 0.000 claims description 5
- 230000008878 coupling Effects 0.000 claims description 4
- 238000010168 coupling process Methods 0.000 claims description 4
- 238000005859 coupling reaction Methods 0.000 claims description 4
- 230000009897 systematic effect Effects 0.000 claims description 4
- 238000012549 training Methods 0.000 claims description 4
- 238000012550 audit Methods 0.000 claims description 3
- 238000011156 evaluation Methods 0.000 claims description 3
- 238000005457 optimization Methods 0.000 claims description 3
- 238000007405 data analysis Methods 0.000 claims description 2
- 238000013480 data collection Methods 0.000 claims description 2
- 230000007547 defect Effects 0.000 claims description 2
- 238000010921 in-depth analysis Methods 0.000 claims description 2
- 238000012800 visualization Methods 0.000 claims description 2
- 239000010410 layer Substances 0.000 description 19
- 210000002569 neuron Anatomy 0.000 description 6
- 238000012216 screening Methods 0.000 description 5
- 230000009286 beneficial effect Effects 0.000 description 4
- 230000004913 activation Effects 0.000 description 3
- 238000012512 characterization method Methods 0.000 description 3
- 238000010586 diagram Methods 0.000 description 3
- 238000012937 correction Methods 0.000 description 2
- 230000004927 fusion Effects 0.000 description 2
- 238000012545 processing Methods 0.000 description 2
- 230000002159 abnormal effect Effects 0.000 description 1
- 230000003044 adaptive effect Effects 0.000 description 1
- 238000001514 detection method Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 230000002452 interceptive effect Effects 0.000 description 1
- 239000011229 interlayer Substances 0.000 description 1
- 238000007726 management method Methods 0.000 description 1
- 238000013507 mapping Methods 0.000 description 1
- 210000004205 output neuron Anatomy 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 238000012502 risk assessment Methods 0.000 description 1
- 231100000279 safety data Toxicity 0.000 description 1
- 238000004088 simulation Methods 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q10/00—Administration; Management
- G06Q10/04—Forecasting or optimisation specially adapted for administrative or management purposes, e.g. linear programming or "cutting stock problem"
-
- 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
- G06N3/086—Learning methods using evolutionary algorithms, e.g. genetic algorithms or genetic programming
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q10/00—Administration; Management
- G06Q10/06—Resources, workflows, human or project management; Enterprise or organisation planning; Enterprise or organisation modelling
- G06Q10/063—Operations research, analysis or management
- G06Q10/0635—Risk analysis of enterprise or organisation activities
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q10/00—Administration; Management
- G06Q10/06—Resources, workflows, human or project management; Enterprise or organisation planning; Enterprise or organisation modelling
- G06Q10/063—Operations research, analysis or management
- G06Q10/0639—Performance analysis of employees; Performance analysis of enterprise or organisation operations
- G06Q10/06393—Score-carding, benchmarking or key performance indicator [KPI] analysis
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q50/00—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
- G06Q50/06—Energy or water supply
Landscapes
- Business, Economics & Management (AREA)
- Engineering & Computer Science (AREA)
- Human Resources & Organizations (AREA)
- Economics (AREA)
- Strategic Management (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Entrepreneurship & Innovation (AREA)
- Marketing (AREA)
- Development Economics (AREA)
- Health & Medical Sciences (AREA)
- Tourism & Hospitality (AREA)
- General Business, Economics & Management (AREA)
- Operations Research (AREA)
- Educational Administration (AREA)
- Quality & Reliability (AREA)
- Game Theory and Decision Science (AREA)
- General Health & Medical Sciences (AREA)
- Life Sciences & Earth Sciences (AREA)
- Public Health (AREA)
- Primary Health Care (AREA)
- Water Supply & Treatment (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Evolutionary Biology (AREA)
- Physiology (AREA)
- Artificial Intelligence (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- Data Mining & Analysis (AREA)
- Evolutionary Computation (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- General Engineering & Computer Science (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明针对电力信息网面临日益严峻的网络攻击风险威胁,而传统网络安全态势量化方法仅从网络性能角度进行分析,忽略了各种电力应用业务重要性对安全态势的影响,导致量化结果难以全方位反映电力信息网络风险状态,提出一种基于进化神经网络的电力信息网安全态势量化方法。首先,通过分析电力通信网络应用业务特点,设计面向电力通信网的安全态势体系架构(PIN‑NSSQ);其次,从网络可靠性、威胁性、脆弱性三个维度出发,结合电力业务重要性,建立耦合互联的空间要素指标体系,并实现关键要素指标的数学化表征;最后,将遗传进化算法优化的BP神经网络融入要素指标计算过程,构建基于进化神经网络的电力信息网安全态势量化模型,有效实现对电力信息网络安全态势全面感知过程高效计算及结果精确量化。
Description
技术领域
本发明涉及电力信息网络安全态势预测领域,是一种电力信息网安全态势量化方法。
背景技术
伴随着智能电网时代的到来,国家电力网络已经逐步建立起一套上至国家电网数据中心、下至各省、地市的计算机网络体系架构。与此同时,电力信息网络安全形势也变的愈加严峻,已然成为电力信息网络安全的严重隐患之一。各种网络威胁越来越严重,目的性越来越强,并呈现一定规模性。全面实现电力信息网络安全态势感知,辅助电力信息网络管理员了解网络安全态势状态,以便更好的维护网络安全。因此,针对电力通信网络的发展趋势及特点,专门研究切实有效的安全态势量化方法具有重要的现实意义。
国内对电力信息系统网络安全研究局限于传统的互联网安全感知技术或基于平面体系的风险评估方法,安全态势量化指标体系缺乏与电力信息网应用业务结合,导致量化结果无法全方位监控电力信息网络。
发明内容
本发明针对综合业务重要性和网络性能,提出一种基于进化神经网络的电力信息网安全态势量化方法。
本发明解决上述技术问题的技术方案如下:
一种基于进化神经网络的电力信息网安全态势量化方法,包括以下步骤:
S1,通过分析电力通信网络应用业务特点,设计面向电力通信网的安全态势体系架构(PIN-NSSQ);
S2,从网络可靠性、威胁性、脆弱性三个维度出发,结合电力业务重要性,建立耦合互联的空间要素指标体系,并实现关键要素指标的数学化表征;
S3,将遗传进化算法优化的BP神经网络融入要素指标计算过程,构建基于进化神经网络的电力信息网安全态势量化模型,有效实现对电力信息网络安全态势全面感知过程高效计算及结果精确量化;
其中,所述设计面向电力通信网的安全态势体系架构根据电力通信网络应用业务特点建立,所述数学化表征的关键要素指标包含电力通信网络的可靠性、威胁性、脆弱性三个维度。
本发明的有益效果是:通过建立多维网络属性的立体式要素指标体系,保证了要素指标与电力应用业务的耦合互联,并进行关键要素指标数学化表征,实现准确、系统、全面的电力信息网安全态势评估;将遗传进化算法优化的BP神经网络融入要素指标计算过程,构建电力信息网安全态势量化模型,有效实现了对电力信息网络安全态势全面感知过程高效计算及结果精确量化。。
在上述技术方案的基础上,本发明还可以做如下改进。
进一步地,所述S1具体包括:
S11,在所述通过深入分析电力信息网的网络层级结构、数据汇集与分析、态势评估可视化三个层面,建立所述面向电力通信网的安全态势体系架构(PIN-NSSQ);其中,所述电力信息网络安全态势体系架构层包括:态势要素获取层、重要指标体系层和态势感知层;
S12,根据预设指定态势要素获取层,综合防火墙、IDS/IPS、安全审计、路由器交换设备、主机系统等状态日志信息进行电力通信网络与应用业务结合。
采用上述进一步方案的有益效果是:安全态势状况必定是各个网络的安全态势状况按照一定方式综合而来;同时,由于不同部门及子网络都部署了不同的防火墙、入侵检测系统、安全审计设备及安全等级制度,若不能从从子网络中收集到网络安全数据信息,并对信息进行集中交互处理,则会出现网络数据信息相互孤立,并导致安全网络安全孤岛;最终必须将电力通信网络安全状况精准直观地量化。
进一步地,所述S2具体包括:
S21,在所述通过构建网络安全态势要素空间指标体系,使得各要素指标与电力信息网应用业务在属性维度交叉下得以耦合互联,进而可以实现准确、系统、全面的电力信息网安全态势状况表示;
S22,根据预设基于构建的立体式安全态势感知要素指标体系,围绕电力信息网脆弱性指数、可靠性指数、威胁性指数进行要素指标数学化表征,进而实现要素指标值计算和部分参数结合实际网络性能加权优化,为电力网态势量化奠定基础。
采用上述进一步方案的有益效果是:通过分析网络安全态势要素空间指标体系模拟结果,在量化电力信息网安全态势值时应当结合应用业务特点,根据得出的不同维度指数,更为准确、系统、全面的评估电力信息网安全态势状况。
进一步地,所述S3具体包括:
S31,在所述神经网络训练拟合根据立体式要素指标体系的特点构建合适的BP神经网络,用电力信息网安全态势感知数据库海量历史数据训练BP神经网络,训练后的BP神经网络可以根据信息网当前态势基础数据由预测函数进行输出;
S32,根据预设遗传算法安全态势值寻优把融合了性能参数调整的BP神经网络预测结果作为个体适应度值,通过选择、交叉和变异操作寻找网络安全威胁下的最优安全态势值,即实现对电力信息网安全态势精准量化。
采用上述进一步方案的有益效果是:汇集网络安全态势要素维度的原始数据,筛选出有关的数据并加以关联融合,分析出网络服务受遭受到的攻击数量、严重程度,根据电力信息网立体式要素指标体系确定网络输入层节点数n,隐含层节点数l,输出层节点数m,构建适用的BP神经网络。通过遗传中的选择、交叉和变异对个体进行筛选,使网络安全态势值预测精确的个体被保留,态势值异常的个体被淘汰,新的群体既集成了上一代的信息,又优于上一代,这样反复循环,直至满足终止条件,实现信息网安全威胁下的安全态势值寻优,从而准确感知整个电力信息网的网络安全态势状况。
本发明附加的方面的优点将在下面的描述中部分给出,部分将从下面的描述中变得明显,或通过本发明实践了解到。
附图说明
图1为一种基于进化神经网络的电力信息网安全态势量化方法流程图;
图2为网络安全态势要素空间指标体系图;
图3为电力信息网安全态势量化模型图;
图4为网络安全态势算法预测值与实际值对比图;
图5为网络安全态势量化值预测误差图。
具体实施方式
以下结合附图对本发明的原理和特征进行描述,所举实施例只用于解释本发明,并非用于限定本发明的范围。
如图1所示,为本发明实施例提供的一种基于进化神经网络的电力信息网安全态势量化方法,该方法包括:S1,通过分析电力通信网络应用业务特点,设计面向电力通信网的安全态势体系架构(PIN-NSSQ);
通过构建如图2所示的网络安全态势要素空间指标体系,使得各要素指标与电力信息网应用业务在属性维度交叉下得以耦合互联,进而可以实现准确、系统、全面的电力信息网安全态势状况表示,主要指标如下:
(1)网络脆弱性指标:在网络脆弱性要素指标信息获取时,漏洞的统计针对所有在线设备,同时增加了设备配置的完整性以及网络拓扑的冗余性。主要包含实际网络拓扑冗余性,漏洞数量和严重程度,网络对外开放的端口数量等二级指标。
(2)网络可靠性指标:针对电力信息网中实际获取数据信息情况,进行冗余性和稳定性综合分析。主要包含服务器支持的并发线程数,设备类型及版本,网络协议可靠性等二级指标。
(3)网络威胁性指标:针对网络受到外部入侵时,将会对网络中设备运行产生影响,利用威胁性要素属性全面展现网络受到威胁的严重程度。主要包含设备版本Bug和网络协议缺陷,告警数目及严重程度,受攻击下的网络带宽、设备CPU、存储利用率等二级指标。
S2,从网络可靠性、威胁性、脆弱性三个维度出发,结合电力业务重要性,建立耦合互联的空间要素指标体系,并实现关键要素指标的数学化表征;
(1)电力信息网脆弱性指数
电力信息网脆弱性指数TRhk,表征某一系统上的不同服务在某个时间遭受到网络攻击时系统所反映的网络安全脆弱性态势状况。某时刻t系统HK的脆弱性指数值为:
式(1)中m代表该主机对外开通的服务数,Rsj(t)(j=1,2,3,…,m)表示t时刻系统HK的对应的服务态势值,vj代表Sj的权重,反映了该服务承载用户的多少、使用频次,再对服务重要程度SIj通过标准化处理得
(2)电力信息网可靠性指数
电力信息网可靠性指数Rsj,表征该项服务受到一定数量的攻击时,在一定时间内该服务所反映的网络安全可靠性态势状况。在规定时间段内,定义时刻t为该服务Sj遭受到攻击时的指数Rsj为:
式(2)中Dji代表t时刻发生攻击的严峻性,Cji代表该时刻遭受攻击的频次,用n代表t+Δt时间段内发生攻击的类型数,而Δt是由网络管理人员依据一段时间内的攻击告警日志数据确定的攻击时间窗口,Rsj的可靠性指数越大,表明服务Sj遭受到的攻击情况越是严重,所需的可靠性防护越多且越为紧迫,管理员迅速找出相应的解决方案。
(3)电力信息网威胁性指数
电力信息网威胁性指数RL,即表征网络内中的设备或系统服务受到攻击时,信息网所反映出的威胁性态势状况。信息网的安全威胁性值RL在t时刻的计算公式为:
式(3)中u为网络内的活动的网络设备、服务器、主机数,RHk(t)为改进后的网络脆弱性指数值,由RHk(t)=ηK*TRHk(t)计算获得,η根据t时刻的性能参数确定的修正系数;wk表示网络内活动设备重要性权重,表示为RL越大,代表安全威胁越大。
参照图3,S3,将遗传进化算法优化的BP神经网络融入要素指标计算过程,构建基于进化神经网络的电力信息网安全态势量化模型,有效实现对电力信息网络安全态势全面感知过程高效计算及结果精确量化:
(1)收集数据,筛选数据,建立BP神经网络。
汇集网络安全态势要素维度的原始数据,筛选出有关的数据并加以关联融合,分析出网络服务受遭受到的攻击数量、严重程度,根据电力信息网立体式要素指标体系确定网络输入层节点数n,隐含层节点数l,输出层节点数m,初步构建适用的BP神经网络。
(2)利用数字化表征函数计算(2.1)和(2.2),初始化BP神经网络。
①利用数学化表征函数分别计算t时刻发生攻击的网络脆弱性指数TRhk和网络可靠性指数Rsj。
②初始化输入层、隐含层和输出层神经元之间的连接权值ωij,ωjk。
③并根据设备服务信息、系统状态信息初始化隐含层阈值a,输出层阈值b。
(3)确定模型最佳学习率和激活函数。
确定模型最佳学习率和激活函数,根据性能参数修正函数计算出Rhk(t)、Rsj和TRhk等作为输入变量X,网络层间连接权值ωij以及隐含神经元阈值a,隐含神经元求解H。
(4)输出层输出计算。
输出层输出计算,根据隐含神经元求解H,连接权值ωjk和阈值b,计算模型态势量化预测输出O。
(5)求解个体适应值F。
求解个体适应度值F,根据态势量化预测输出O和态势量化实际值Y,求和误差绝对值记为E,具体求解方法如下。
式(6)中,n为量化模型中输出神经元数目;yi为第i神经元的态势量化实际值;oi为对应神经元的模型预测输出;k为系数,k=1,2,…,m。
(6)每个时序断面样本下态势量化值i的选择概率Pi。
本发明在遗传算法选择方面,每个时序断面样本下态势量化值i的选择概率pi求解方式如下。
式(7)中,fi=k/Fi,Fi为态势量化值i的适应度值,该值越小越好,所以在最佳态势量化值选择前对适应度值求倒数;N为种群个体数目。
(7)对个体实行筛选,反复循环直至满足条件。
通过遗传中的选择、交叉和变异对个体进行筛选,使网络安全态势值预测精确的个体被保留,态势值异常的个体被淘汰,新的群体既集成了上一代的信息,又优于上一代,这样反复循环,直至满足终止条件,实现信息网安全威胁下的安全态势值RL寻优,从而准确感知整个电力信息网的网络安全态势状况。
发明人将所提电力信息网络安全态势感知预测算法输出和实际安全态势值对比,并与基于改进LSTM神经网络的网络安全态势量化方法进行对比。图4给出了两种算法与实际值间的对比,图5展示了算法预测值的误差变化。从图4可以看出BP神经网络可以准确预测电力信息网内运行的网络设备、服务器、主机受到攻击威胁时的态势值,且相较于改进LSTM神经网络预测值可以与实际值更加接近;图5表明数据拟合构建的网络模型预测输出与期望输出误差多数保持在[-0.2,0.2]之间,可以有效计算个体适应度,为应用遗传进化算法进行全面电力信息网的安全态势值寻优奠定了良好基础。
Claims (6)
1.一种基于进化神经网络的电力信息网安全态势量化方法,其特征在于,包括:
S1,通过分析电力通信网络应用业务特点,设计面向电力通信网的安全态势体系架构(PIN-NSSQ);
S2,从网络可靠性、威胁性、脆弱性三个维度出发,结合电力业务重要性,建立耦合互联的空间要素指标体系,并实现关键要素指标的数学化表征;
S3,将遗传进化算法优化的BP神经网络融入要素指标计算过程,构建基于进化神经网络的电力信息网安全态势量化模型,有效实现对电力信息网络安全态势全面感知过程高效计算及结果精确量化;
其中,所述设计面向电力通信网的安全态势体系架构根据电力通信网络应用业务特点建立,所述数学化表征的关键要素指标包含电力通信网络的可靠性、威胁性、脆弱性三个维度。
2.根据权利要求1所述的一种基于进化神经网络的电力信息网安全态势量化方法,其特征在于,所述S1具体包括:
S11,在所述通过深入分析电力信息网的网络层级结构、数据汇集与分析、态势评估可视化三个层面,建立所述面向电力通信网的安全态势体系架构(PIN-NSSQ);其中,所述电力信息网络安全态势体系架构层包括:态势要素获取层、重要指标体系层和态势感知层;
S12,根据预设指定态势要素获取层,综合防火墙、IDS/IPS、安全审计、路由器交换设备、主机系统等状态日志信息进行电力通信网络与应用业务结合。
3.根据权利要求1-2任一项所述的一种基于进化神经网络的电力信息网安全态势量化方法,其特征在于,所述S2具体包括:根据基本层级思路,整合不同网络层次反映信息网的网络应用系统复杂、网络安全设备配置缺陷等属性特点,分别从网络可靠性、威胁性、脆弱性三个维度构建电力信息网立体式安全态势感知要素指标体系,并进行要素指标数学化表征。
4.根据权利要求3所述的一种基于进化神经网络的电力信息网安全态势量化方法,其特征在于,所述S2具体包括:
S21,在所述通过构建网络安全态势要素空间指标体系,使得各要素指标与电力信息网应用业务在属性维度交叉下得以耦合互联,进而可以实现准确、系统、全面的电力信息网安全态势状况表示;
S22,根据预设基于构建的立体式安全态势感知要素指标体系,围绕电力信息网脆弱性指数、可靠性指数、威胁性指数进行要素指标数学化表征,进而实现要素指标值计算和部分参数结合实际网络性能加权优化,为电力网态势量化奠定基础。
5.根据权利要求3-4任一项所述的一种基于进化神经网络的电力信息网安全态势量化方法,其特征在于,所述S3具体包括:空间指标体系中各维度要素的量化方法是指标体系的核心,所提的感知要素指标量化模型对实现数学化表征的电力信息网脆弱性指数、可靠性指数、威胁性指数分别进行计算,然后综合得到网络安全态势。
6.根据权利要求5所述的一种基于进化神经网络的电力信息网安全态势量化方法,其特征在于,所述S3具体包括:
S31,在所述神经网络训练拟合根据立体式要素指标体系的特点构建合适的BP神经网络,用电力信息网安全态势感知数据库海量历史数据训练BP神经网络,训练后的BP神经网络可以根据信息网当前态势基础数据由预测函数进行输出;
S32,根据预设遗传算法安全态势值寻优把融合了性能参数调整的BP神经网络预测结果作为个体适应度值,通过选择、交叉和变异操作寻找网络安全威胁下的最优安全态势值,即实现对电力信息网安全态势精准量化。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110330507.3A CN113065699A (zh) | 2021-03-22 | 2021-03-22 | 一种基于进化神经网络的电力信息网安全态势量化方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110330507.3A CN113065699A (zh) | 2021-03-22 | 2021-03-22 | 一种基于进化神经网络的电力信息网安全态势量化方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN113065699A true CN113065699A (zh) | 2021-07-02 |
Family
ID=76564022
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110330507.3A Pending CN113065699A (zh) | 2021-03-22 | 2021-03-22 | 一种基于进化神经网络的电力信息网安全态势量化方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN113065699A (zh) |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113965467A (zh) * | 2021-08-30 | 2022-01-21 | 国网山东省电力公司信息通信公司 | 一种基于神经网络的电力通信系统可靠性评估方法及系统 |
CN114168967A (zh) * | 2021-12-08 | 2022-03-11 | 重庆大唐国际彭水水电开发有限公司 | 一种工控系统安全态势预测方法和系统 |
CN114511131A (zh) * | 2021-12-27 | 2022-05-17 | 河北师范大学 | 一种基于机器学习算法的网络安全态势预测方法及系统 |
-
2021
- 2021-03-22 CN CN202110330507.3A patent/CN113065699A/zh active Pending
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113965467A (zh) * | 2021-08-30 | 2022-01-21 | 国网山东省电力公司信息通信公司 | 一种基于神经网络的电力通信系统可靠性评估方法及系统 |
CN113965467B (zh) * | 2021-08-30 | 2023-10-10 | 国网山东省电力公司信息通信公司 | 一种基于神经网络的电力通信系统可靠性评估方法及系统 |
CN114168967A (zh) * | 2021-12-08 | 2022-03-11 | 重庆大唐国际彭水水电开发有限公司 | 一种工控系统安全态势预测方法和系统 |
CN114511131A (zh) * | 2021-12-27 | 2022-05-17 | 河北师范大学 | 一种基于机器学习算法的网络安全态势预测方法及系统 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN108494810B (zh) | 面向攻击的网络安全态势预测方法、装置及系统 | |
CN113065699A (zh) | 一种基于进化神经网络的电力信息网安全态势量化方法 | |
CN110620759B (zh) | 基于多维关联的网络安全事件危害指数评估方法及其系统 | |
CN111680863A (zh) | 基于层次分析法的网络环境安全状况评估方法 | |
Li et al. | Adaptive and attribute‐based trust model for service‐level agreement guarantee in cloud computing | |
US20170109524A1 (en) | Cyber security | |
CN109767352B (zh) | 一种电力信息物理融合系统安全态势评估方法 | |
CN112966714B (zh) | 一种边缘时序数据异常检测和网络可编程控制方法 | |
Somayaji et al. | A framework for prediction and storage of battery life in IoT devices using DNN and blockchain | |
CN112769869B (zh) | 一种基于贝叶斯攻击图的sdn网络安全预测方法及对应系统 | |
CN112165470B (zh) | 一种基于日志大数据分析的智能终端接入安全预警系统 | |
Hong et al. | Performance analysis of scalable attack representation models | |
CN112491860A (zh) | 一种面向工业控制网络的协同入侵检测方法 | |
CN116846565A (zh) | 一种基于saa-ssa-bpnn的网络安全态势评估方法 | |
CN108769018B (zh) | 一种多维多粒度的网络空间安全度量方法 | |
CN114629674A (zh) | 一种基于注意力机制的工业控制网络安全风险评估方法 | |
CN105933138B (zh) | 一种时空维度相结合的云服务可信态势评估与预测方法 | |
Tao et al. | An efficient network security situation assessment method based on AE and PMU | |
Bian et al. | Network security situational assessment model based on improved AHP_FCE | |
WO2024007565A1 (en) | Network analysis using optical quantum computing | |
Fan et al. | A hierarchical method for assessing cyber security situation based on ontology and fuzzy cognitive maps | |
Zhou et al. | Network security situation assessment methods and tactics based on multivariate spatiotemporal attack graph model | |
CN114401134B (zh) | 一种端边协同的物联网分布式可信管理方法 | |
Li et al. | Information security evaluation based on artificial neural network | |
Hu et al. | Classification of Abnormal Traffic in Smart Grids Based on GACNN and Data Statistical Analysis |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication |