CN113128615A - 基于pca的bp神经网络对信息安全的检测系统、方法、应用 - Google Patents
基于pca的bp神经网络对信息安全的检测系统、方法、应用 Download PDFInfo
- Publication number
- CN113128615A CN113128615A CN202110484059.2A CN202110484059A CN113128615A CN 113128615 A CN113128615 A CN 113128615A CN 202110484059 A CN202110484059 A CN 202110484059A CN 113128615 A CN113128615 A CN 113128615A
- Authority
- CN
- China
- Prior art keywords
- data
- neural network
- prediction
- training
- module
- 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.)
- Withdrawn
Links
- 238000013528 artificial neural network Methods 0.000 title claims abstract description 34
- 238000000034 method Methods 0.000 title claims description 25
- 238000001514 detection method Methods 0.000 title abstract description 13
- 238000012549 training Methods 0.000 claims abstract description 33
- 238000000354 decomposition reaction Methods 0.000 claims abstract description 5
- 239000011159 matrix material Substances 0.000 claims description 16
- 230000006870 function Effects 0.000 claims description 6
- 238000012545 processing Methods 0.000 claims description 6
- 238000012935 Averaging Methods 0.000 claims description 4
- 238000005284 basis set Methods 0.000 claims description 4
- 238000004364 calculation method Methods 0.000 claims description 2
- 238000010276 construction Methods 0.000 claims description 2
- 238000012417 linear regression Methods 0.000 claims description 2
- 238000012502 risk assessment Methods 0.000 claims description 2
- 238000012546 transfer Methods 0.000 claims 1
- 230000002490 cerebral effect Effects 0.000 abstract description 4
- 238000000513 principal component analysis Methods 0.000 abstract 2
- 238000011156 evaluation Methods 0.000 abstract 1
- 238000004088 simulation Methods 0.000 abstract 1
- 238000011161 development Methods 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
- G06F18/213—Feature extraction, e.g. by transforming the feature space; Summarisation; Mappings, e.g. subspace methods
- G06F18/2135—Feature extraction, e.g. by transforming the feature space; Summarisation; Mappings, e.g. subspace methods based on approximation criteria, e.g. principal component analysis
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
- G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
-
- 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
- G06N3/084—Backpropagation, e.g. using gradient descent
-
- 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
- H04L63/30—Network architectures or network communication protocols for network security for supporting lawful interception, monitoring or retaining of communications or communication related information
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Artificial Intelligence (AREA)
- Evolutionary Computation (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Computing Systems (AREA)
- Biomedical Technology (AREA)
- Mathematical Physics (AREA)
- Health & Medical Sciences (AREA)
- Bioinformatics & Computational Biology (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- General Health & Medical Sciences (AREA)
- Molecular Biology (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Evolutionary Biology (AREA)
- Software Systems (AREA)
- Signal Processing (AREA)
- Computer Networks & Wireless Communication (AREA)
- Computer Security & Cryptography (AREA)
- Computer Hardware Design (AREA)
- Technology Law (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明公开了一种基于PCA的BP神经网络对信息安全的检测系统、方法、应用,包括采集近期影响信息安全的风险因素的数据,模拟专家对评价因素集进行评价。构建训练样本和预测样本;利用SVD对训练样本和预测样本中的数据进行降维处理;用降维后的训练样本进行模糊小脑神经网络训练;将降维后预测样本带入训练好的模糊小脑神经网络,获得预测结果。同时公开了相应的系统以及应用。本发明基于影响信息安全的风险因素种类、风险等级数据,依次对数据进行降维、分解,训练神经网络,最后神经网络进行预测,大大增强了预测的准确性。
Description
技术领域
本发明属于网络安全技术领域,涉及一种基于PCA的BP神经网络对信息安全的检测系统、方法、应用。
背景技术
物联网和移动互联网等新网络的快速发展给信息安全带来更大的挑战。传统的网络安全技术已经不能满足新一代信息安全产业的发展企业对信息安全的需求不断发生变化。现有的网络安全预测方法大多采用PCA,这种方法仅采用历史负荷数据进行网络训练,通过训练好的网络进行检测,预测准确性较差。
发明内容
1、所要解决的技术问题:
现有的网络安全预测方法大多采用PCA,这种方法仅采用历史负荷数据进行网络训练,通过训练好的网络进行检测,预测准确性较差。
2、技术方案:
为了解决以上问题,本发明提供了一种基于PCA的BP神经网络对信息安全的预测系统,包括采集模块:采集近期资产识别数据、威胁识别数据、脆弱性识别和已有安全措施数据,将安全等级分类构建训练样本和预测样本;降维模块:对训练样本和预测样本中的数据进行降维处理;分解模块:采用PCA方法对降维后的数据进行分解;训练模块:用训练样本分解获得的分量进行神经网络训练;预测模块:将预测样本分解获得的分量带入训练好的神经网络。
本发明还提供了一种基于PCA的BP神经网络对信息安全的检测方法。
3、有益效果:
本发明基于负荷数据、气温数据和光辐照强度数据,依次对数据进行降维、分解,训练模糊小脑神经网络,最后模糊小脑神经网络进行预测,大大增强了检测的准确性。
具体实施方式
下面对本发明详细说明。
一种基于PCA的BP神经网络对信息安全的预测系统,包括采集模块:采集近期资产识别数据、威胁识别数据、脆弱性识别和已有安全措施数据,将安全等级分类构建训练样本和预测样本;降维模块:对训练样本和预测样本中的数据进行降维处理;分解模块:采用PCA方法对降维后的数据进行分解;训练模块:用训练样本分解获得的分量进行神经网络训练;预测模块:将预测样本分解获得的分量带入训练好的神经网络。
还包括修补模块;修补模块在进行降维之前对数据进行修补。
缺失数据补全处理采用MI方法,假设在不完全变量与完全变量间存在着线性回归关系。例如变量Xi是一个存在着缺失值的不完全变量,用完全变量X1、X2、…、Xi-1拟合模型:
E[Xi|β]=β0+β1X1+β2X2+…+βi-1Xi-1
所述降维模块包括,矩阵求取模块:将近期采集的数据分别去平均,求特征协方差矩阵;向量和特征值求取模块:计算协方差矩阵的特征向量和特征值;特征向量矩阵构建模块:将特征值降序排列,将特征值最大的一维特征向量作为新的基集,组成特征向量矩阵。
训练模块采用如下公式进行BP神经网络训练,
在(0,1)范围内随机初始化网络中所有连接权和阈值
△whj=ηgjbh、△θj=-ηgj、△vih=ηehxi、△γh=-ηeh
直到达到停止条件,
输出:连接权与阙值确定的多层前馈神经网络,
一种基于PCA的BP神经网络对信息安全系统的预测方法,包括以下步骤:第一步:采集数据,所述数据包括近期资产识别数据、威胁识别数据、脆弱性识别和已有安全措施数据;第二步:将获得数据按照安全等级构建训练样本和预测样本;第三步:对训练样本和预测样本中的数据进行降维处理;第四步:采用PCA方法对降维后的数据进行分解;第五步:用训练样本分解获得的分量进行神经网络训练,将预测样本分解获得的分量带入训练好的神经网络,获得预测结果。
在所述第三步中降维处理之前,对数据进行修补。
数据降维处理的过程为,将采集风险评估数据分别去平均,求特征协方差矩阵;计算协方差矩阵的特征向量和特征值;将特征值降序排列,将特征值最大的一维特征向量作为新的基集,组成特征向量矩阵。
与现有的技术中的其他预测算法的预测结果作比较,结果如下:
通过该结果比较,本发明的检测方法所得结果的均方差误差,明显小于传统检测方法。也就是说,在检测结果的准确度、稳定性上,均明显优于现有的算法。
本发明还提供了一种存储一个或多个程序的计算机可读存储介质,所述一个或多个程序包括指令,所述指令当由计算设备执行时,使得所述计算设备执行所述的方法中的任一方法。
一种计算设备,包括,一个或多个处理器、存储器以及一个或多个程序,其中一个或多个程序存储在所述存储器中并被配置为由所述一个或多个处理器执行,所述一个或多个程序包括用于执行根据所述的方法中的任一方法的指令。
Claims (10)
1.一种基于PCA的BP神经网络对信息安全的预测系统,其特征在于:包括采集模块:采集近期资产识别数据、威胁识别数据、脆弱性识别和已有安全措施数据,将安全等级分类构建训练样本和预测样本;降维模块:对训练样本和预测样本中的数据进行降维处理;分解模块:采用PCA方法对降维后的数据进行分解;训练模块:用训练样本分解获得的分量进行神经网络训练;预测模块:将预测样本分解获得的分量带入训练好的神经网络。
2.如权利要求1所述的基于PCA的BP神经网络对信息安全的预测系统,其特征在于:还包括修补模块;修补模块在进行降维之前对数据进行修补。
4.如权利要求1-3任一权利要求所述的基于PCA的BP神经网络对信息安全的预测系统,其特征在于:所述降维模块包括,矩阵求取模块:将近期采集的数据分别去平均,求特征协方差矩阵;向量和特征值求取模块:计算协方差矩阵的特征向量和特征值;特征向量矩阵构建模块:将特征值降序排列,将特征值最大的一维特征向量作为新的基集,组成特征向量矩阵。
6.一种如权利要求1-5任一权利要求所述的基于PCA的BP神经网络对信息安全系统的预测方法,包括以下步骤:第一步:采集数据,所述数据包括近期资产识别数据、威胁识别数据、脆弱性识别和已有安全措施数据;第二步:将获得数据按照安全等级构建训练样本和预测样本;第三步:对训练样本和预测样本中的数据进行降维处理;第四步:采用PCA方法对降维后的数据进行分解;第五步:用训练样本分解获得的分量进行神经网络训练,将预测样本分解获得的分量带入训练好的神经网络,获得预测结果。
7.如权利要求6所述的方法,其特征在于:在所述第三步中降维处理之前,对数据进行修补。
8.如权利要求6所述的方法,特征在于;数据降维处理的过程为,将采集风险评估数据分别去平均,求特征协方差矩阵;计算协方差矩阵的特征向量和特征值;将特征值降序排列,将特征值最大的一维特征向量作为新的基集,组成特征向量矩阵。
9.一种存储一个或多个程序的计算机可读存储介质,其特征在于:所述一个或多个程序包括指令,所述指令当由计算设备执行时,使得所述计算设备执行根据权利要求6-8任一项所述的方法中的任一方法。
10.一种计算设备,其特征在于:包括,一个或多个处理器、存储器以及一个或多个程序,其中一个或多个程序存储在所述存储器中并被配置为由所述一个或多个处理器执行,所述一个或多个程序包括用于执行根据权利要求6-8任一项所述的方法中的任一方法的指令。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110484059.2A CN113128615A (zh) | 2021-04-30 | 2021-04-30 | 基于pca的bp神经网络对信息安全的检测系统、方法、应用 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110484059.2A CN113128615A (zh) | 2021-04-30 | 2021-04-30 | 基于pca的bp神经网络对信息安全的检测系统、方法、应用 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN113128615A true CN113128615A (zh) | 2021-07-16 |
Family
ID=76780785
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110484059.2A Withdrawn CN113128615A (zh) | 2021-04-30 | 2021-04-30 | 基于pca的bp神经网络对信息安全的检测系统、方法、应用 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN113128615A (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114679310A (zh) * | 2022-03-22 | 2022-06-28 | 安徽赛福贝特信息技术有限公司 | 一种网络信息安全检测方法 |
-
2021
- 2021-04-30 CN CN202110484059.2A patent/CN113128615A/zh not_active Withdrawn
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114679310A (zh) * | 2022-03-22 | 2022-06-28 | 安徽赛福贝特信息技术有限公司 | 一种网络信息安全检测方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN112949837B (zh) | 一种基于可信网络的目标识别联邦深度学习方法 | |
Ahmed et al. | House price estimation from visual and textual features | |
CN109242223B (zh) | 城市公共建筑火灾风险的量子支持向量机评估与预测方法 | |
CN112116017B (zh) | 基于核保持的图像数据降维方法 | |
CN110581840B (zh) | 基于双层异质集成学习器的入侵检测方法 | |
CN113805561A (zh) | 基于深度迁移学习的航天器智能故障诊断方法 | |
CN111783845A (zh) | 一种基于局部线性嵌入和极限学习机的隐匿虚假数据注入攻击检测方法 | |
Ibragimovich et al. | Effective recognition of pollen grains based on parametric adaptation of the image identification model | |
CN112784920A (zh) | 云边端协同的旋转部件对抗域自适应故障诊断方法 | |
WO2020091919A1 (en) | Computer architecture for multiplier-less machine learning | |
Abdulsalam et al. | Electrical energy demand forecasting model using artificial neural network: A case study of Lagos State Nigeria | |
CN116169670A (zh) | 一种基于改进神经网络的短期非居民负荷预测方法及系统 | |
WO2020190951A1 (en) | Neural network trained by homographic augmentation | |
CN113935413A (zh) | 一种基于卷积神经网的配网录波文件波形识别方法 | |
CN113128615A (zh) | 基于pca的bp神经网络对信息安全的检测系统、方法、应用 | |
Jang et al. | A reparametrization-invariant sharpness measure based on information geometry | |
CN114118370A (zh) | 模型训练方法、电子设备和计算机可读存储介质 | |
CN114580262A (zh) | 一种锂离子电池健康状态估计方法 | |
CN111639688B (zh) | 一种基于线性核svm的物联网智能模型的局部解释方法 | |
CN110288002B (zh) | 一种基于稀疏正交神经网络的图像分类方法 | |
CN117349743A (zh) | 一种基于多模态数据的超图神经网络的数据分类方法及系统 | |
CN111858343A (zh) | 一种基于攻击能力的对抗样本生成方法 | |
CN116776209A (zh) | 一种关口计量装置运行状态辨识方法、系统、设备及介质 | |
CN113435780B (zh) | 一种基于神经网络的应急通信感知装备体系效能评估方法 | |
CN115423091A (zh) | 一种条件对抗神经网络训练方法、场景生成方法和系统 |
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 | ||
WW01 | Invention patent application withdrawn after publication |
Application publication date: 20210716 |
|
WW01 | Invention patent application withdrawn after publication |