CN113141272A - 基于迭代优化rbf神经网络的网络安全态势分析方法 - Google Patents
基于迭代优化rbf神经网络的网络安全态势分析方法 Download PDFInfo
- Publication number
- CN113141272A CN113141272A CN202110425065.0A CN202110425065A CN113141272A CN 113141272 A CN113141272 A CN 113141272A CN 202110425065 A CN202110425065 A CN 202110425065A CN 113141272 A CN113141272 A CN 113141272A
- Authority
- CN
- China
- Prior art keywords
- individuals
- individual
- iteration
- population
- sub
- 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.)
- Granted
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
- H04L41/142—Network analysis or design using statistical or mathematical methods
-
- 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
- G06N3/047—Probabilistic or stochastic networks
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/12—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
-
- 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)
- Health & Medical Sciences (AREA)
- Life Sciences & Earth Sciences (AREA)
- Theoretical Computer Science (AREA)
- Biophysics (AREA)
- Computing Systems (AREA)
- Signal Processing (AREA)
- Computer Networks & Wireless Communication (AREA)
- Mathematical Physics (AREA)
- General Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- Computational Linguistics (AREA)
- Bioinformatics & Computational Biology (AREA)
- General Health & Medical Sciences (AREA)
- Evolutionary Computation (AREA)
- Data Mining & Analysis (AREA)
- Software Systems (AREA)
- Biomedical Technology (AREA)
- Computer Security & Cryptography (AREA)
- Evolutionary Biology (AREA)
- Artificial Intelligence (AREA)
- Probability & Statistics with Applications (AREA)
- Molecular Biology (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Mathematical Optimization (AREA)
- Pure & Applied Mathematics (AREA)
- Mathematical Analysis (AREA)
- Algebra (AREA)
- Computer Hardware Design (AREA)
- Physiology (AREA)
- Genetics & Genomics (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
- Feedback Control In General (AREA)
Abstract
本发明公开了一种基于迭代优化RBF神经网络的网络安全态势分析方法。本发明首次通过遗传算法迭代的优化RBF网络的宽度和链接权重,在总体上维持了较低的绝对误差,并且赖交叉模型和基因突变几率进行自适应调整,使种群向有利方向迭代,加快了算法的收敛速度,混沌搜索策略也避免了算法在迭代过程中陷入局部极小值。
Description
技术领域
本发明属于网络安全技术领域,尤其涉及一种基于迭代优化RBF神经网络的网络安全态势分析方法。
背景技术
传统遗传算法的交叉操作来源于不同类别间的个体,并没有考虑仅有差异个体之间的操作不能保证整个种群的收敛方向和收敛速度,所以很多时候RBF神经网络的两个参数不能达到收敛的正确方向,且收敛速度较慢。
发明内容
本发明的目的在于针对现有技术的不足,提供了一种基于迭代优化RBF神经网络的网络安全态势分析方法。
本发明的目的是通过以下技术方案来实现的:一种基于迭代优化RBF神经网络的网络安全态势分析方法,包括以下步骤:
(1)基于资源分配网络确定最大的RBF神经网络隐含层神经元个数h。
(2)初始化种群M∈RN×(h+m)为:
(3)根据当前种群划分子种群。
(4)估计适应度函数。
(5)根据概率pc进行交叉操作。
(7)获得被感知网络上的安全数据和对应的网络安全态势值,判断步骤(6)得到的当前种群中适应度最高的个体对应的RBF网络是否满足精度要求。
(7.1)如满足精度要求,则跳到步骤(10)。
(7.2)用g对迭代计步,如不满足精度要求,则判断是否达到指定的迭代次数gmax。
(7.2.1)如达到指定的迭代次数,则跳到步骤(10)。
(7.2.2)如未达到指定的迭代次数,则执行步骤(8)。
(8)基于步骤(6)得到的当前种群,对最优个体进行混沌搜索。在迭代优化过程中采用基于混沌的搜索策略,对每一代的最优个体进行T2次搜索。
(10)跳到步骤(3)基于步骤(9)得到的当前种群继续进行迭代。
(11)确定最终的RBF网络模型。
(12)将待测网络安全数据输入步骤(11)的RBF网络模型中,输出网络安全态势预测值。
进一步地,步骤(3)包括以下子步骤:
(3.1)计算当前种群中任意两个个体间的欧氏距离,构建邻接矩阵D。
(3.2)利用普利姆算法求解邻接矩阵D的最小生成树T1。
(3.3)计算最小生成树T1的平均权值W,取阈值V为最小生成树T1中小于δ×W的最大权重;δ是权重,0<δ<1。
(3.4)遍历最小生成树T1,查找大于阈值V的所有边并将其断开,得到若干个子连通图。
(3.5)遍历各子连通图,得到子类,对应子种群,并对子种群编号保存。
进一步地,步骤(5)包括以下子步骤:
(5.2)选择与子种群i3距离最远的子种群j2,随机选择子种群j2中的一个个体y;
(5.5)通过贪婪算法选择集合X和集合Y中适应度较大的前b个个体作为子代个体,加入当前种群。
进一步地,步骤(5.3)中,交叉操作采用的交叉算子为自适应算子:
进一步地,步骤(6)中,变异操作采用以下方式:
进一步地,步骤(8)采用一维Logistic映射混沌模型,可以表示为:
Zt+1=μZt(1-Zt)
其中,t=0~T2-1,μ表示控制参数,随机生成一个(h+m)维向量Z0,然后对初始值Z0进行T2次混沌迭代。在对遗传算法种群最优个体的迭代过程为:
本发明的有益效果是:本发明针对网络安全态势的分析和预测分析,依赖交叉模型和基因突变几率进行自适应调整,使种群向有利方向迭代,加快了算法的收敛速度。本发明通过改进的遗传算法迭代优化神经网络模型。迭代优化RBF算法在总体上维持了较低的绝对误差,混沌搜索策略也避免了算法在迭代过程中陷入局部极小值。本发明提高了网络安全态势分析的精度。
附图说明
图1基于迭代优化RBF神经网络的网络安全态势分析流程图。
具体实施方式
针对RBF神经网络在网络安全态势的分析和预测上精度和鲁棒性存在不足,发明一种基于交叉模型的遗传算法,该算法同时将同类个体间的遗传操作考虑进来,并对两种操作产生的个体加入竞争机制,对产生的子代个体进行优胜劣汰,选择适应度较强的个体进化为下一代,通过不断迭代优化RBF神经网络的两个参数。实际上,由于子种群内相似个体之间的近亲繁殖在一定程度上可以保护优秀的基因模式,维持个体的优良性状,加快收敛速度,但其缺点是如果过多地保护优良个体就会导致多样性缺失,进而造成收敛于局部极小值。因此,本文也同时让不同子种群间个体之间进行交叉操作,不同子种群间个体之间具有一定的差异性,能够避免近亲繁殖,维持种群多样性,从而两者之间的合作与竞争关系可以同时兼顾到种群多样性与收敛速度之间的平衡。
如图1所示,本发明一种基于迭代优化RBF神经网络的网络安全态势分析方法,包括以下步骤:
(1)基于资源分配网络(RAN,resource-allocating network)确定最大的RBF神经网络隐含层神经元个数h。
(2)采用改进的基于交叉模型的遗传算法迭代优化RBF网络的基函数宽度和隐含层与输出层的链接权重,可以让RBF神经网络的精度和性能发挥到最大。初始化种群M∈RN ×(h+m)为i2=1~N;其中,为第i1个基函数宽度,为某个隐含层神经元与第j1个输出层神经元之间的权重,m为输出层神经元个数,N为种群中个体数量。
(3)划分子种群。
(3.1)计算当前种群中任意两个个体间的欧氏距离,构建邻接矩阵D。
(3.2)利用普利姆算法求解邻接矩阵D的最小生成树T1。
(3.3)计算最小生成树T1的平均权值W,取阈值V为最小生成树T1中小于δ×W的最大权重;δ是权重,0<δ<1。
(3.4)遍历最小生成树T1,查找大于阈值V的所有边并将其断开,得到若干个子连通图。
(3.5)遍历各子连通图,得到子类,对应子种群,并对子种群编号保存。
(4)估计适应度函数并计算个体的选择概率。
遗传算法的过程为选择更优秀的基因,也就是适应度更高的数据,在实际过程中,可以采用精英策略,选择其中一小部分适应度较高的优秀基因不参与选择和交叉等遗传操作,直接进入下一代迭代,该策略能够有效保证算法的收敛性,又能减少数据处理量,能够提升遗传算法的效率。
(5)根据概率pc进行交叉操作。
(5.2)选择与子种群i3距离最远的子种群j2,随机选择子种群j2中的一个个体y。
交叉操作是产生新个体的主要操作之一,采用交叉操作能够表现出群体的多样性,增大遗传算法的搜索空间,本文采用的交叉算子为自适应算子:
(5.5)通过贪婪算法选择集合X和集合Y中适应度较大的前b个个体作为子代个体,加入当前种群。
基因突变模拟人类遗传过程中发生的一些基因突变,可以增强群组的局部搜索能力,突然改变某些个体的适应度值,可以有效的增强个体的多样性,降低陷入局部极小值的风险,文中采用以下方式完成基因突变操作:
(7)获得被感知网络上的安全数据和对应的网络安全态势值,判断步骤(6)得到的当前种群中适应度最高的个体对应的RBF网络是否满足精度要求。
(7.1)如满足精度要求,则跳到步骤(10)。
(7.2)用g对迭代计步,如不满足精度要求,则判断是否达到指定的迭代次数gmax。
(7.2.1)如达到指定的迭代次数,则跳到步骤(10)。
(7.2.2)如未达到指定的迭代次数,则执行步骤(8)。
(8)基于步骤(6)得到的当前种群,对最优个体进行混沌搜索。
在改进的基于交叉模型的遗传算法迭代优化中,为了不让迭代的优化陷入局部极小值,我们在迭代优化过程中采用基于混沌的搜索策略。混沌是一种非线性的现象,具有随机性和遍历性,在一定范围内可以通过混沌策略不进行重复搜索,因此可以作为遗传算法跳出局部最优解的一种方法。在本文的迭代优化中采用混沌搜索策略对每一代的最优个体进行T2次搜索,如果搜索到更优个体则进行取代,从而提高遗传算法的全局搜索能力。
本文的遗传算法搜索空间较小,所以采用一维Logistic映射混沌模型,可以表示为:
Zt+1=μZt(1-Zt)
其中,t=0~T2-1,μ表示控制参数,随机生成一个(h+m)维向量Z0,然后对初始值Z0进行T2次混沌迭代。在对遗传算法种群最优个体的迭代过程为:
其中,Xg是混沌搜索前第g次迭代时步骤(6)得到的当前种群的最优个体,是第g次迭代时第t+1次混沌搜索后的新个体,α是混沌调节参数,可向待搜索个体的正反两个方向进行遍历,r是[0,1]区间内的随机数。
(10)跳到步骤(3)基于步骤(9)得到的当前种群继续进行迭代。
(11)确定最终的RBF网络模型。
(12)将待测网络安全数据输入步骤(11)的RBF网络模型中,输出网络安全态势预测值。
Claims (6)
1.一种基于迭代优化RBF神经网络的网络安全态势分析方法,其特征在于,包括以下步骤:
(1)基于资源分配网络确定最大的RBF神经网络隐含层神经元个数h。
(2)初始化种群M∈RN×(h+m)为:
(3)根据当前种群划分子种群。
(4)估计适应度函数。
(5)根据概率pc进行交叉操作。
(7)获得被感知网络上的安全数据和对应的网络安全态势值,判断步骤(6)得到的当前种群中适应度最高的个体对应的RBF网络是否满足精度要求。
(7.1)如满足精度要求,则跳到步骤(10)。
(7.2)用g对迭代计步,如不满足精度要求,则判断是否达到指定的迭代次数gmax。
(7.2.1)如达到指定的迭代次数,则跳到步骤(10)。
(7.2.2)如未达到指定的迭代次数,则执行步骤(8)。
(8)基于步骤(6)得到的当前种群,对最优个体进行混沌搜索。在迭代优化过程中采用基于混沌的搜索策略,对每一代的最优个体进行T2次搜索。
(10)跳到步骤(3)基于步骤(9)得到的当前种群继续进行迭代。
(11)确定最终的RBF网络模型。
(12)将待测网络安全数据输入步骤(11)的RBF网络模型中,输出网络安全态势预测值。
2.如权利要求1所述基于迭代优化RBF神经网络的网络安全态势分析方法,其特征在于,步骤(3)包括以下子步骤:
(3.1)计算当前种群中任意两个个体间的欧氏距离,构建邻接矩阵D。
(3.2)利用普利姆算法求解邻接矩阵D的最小生成树T1。
(3.3)计算最小生成树T1的平均权值W,取阈值V为最小生成树T1中小于δ×W的最大权重;δ是权重,0<δ<1。
(3.4)遍历最小生成树T1,查找大于阈值V的所有边并将其断开,得到若干个子连通图。
(3.5)遍历各子连通图,得到子类,对应子种群,并对子种群编号保存。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110425065.0A CN113141272B (zh) | 2021-04-20 | 2021-04-20 | 基于迭代优化rbf神经网络的网络安全态势分析方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110425065.0A CN113141272B (zh) | 2021-04-20 | 2021-04-20 | 基于迭代优化rbf神经网络的网络安全态势分析方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN113141272A true CN113141272A (zh) | 2021-07-20 |
CN113141272B CN113141272B (zh) | 2022-03-15 |
Family
ID=76812840
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110425065.0A Active CN113141272B (zh) | 2021-04-20 | 2021-04-20 | 基于迭代优化rbf神经网络的网络安全态势分析方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN113141272B (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116405355A (zh) * | 2023-04-21 | 2023-07-07 | 重庆邮电大学 | 一种基于模式选择的信号解调方法 |
Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104978612A (zh) * | 2015-01-27 | 2015-10-14 | 厦门大学 | 基于ahp-rbf的分布式大数据系统风险预测方法 |
CN106411896A (zh) * | 2016-09-30 | 2017-02-15 | 重庆邮电大学 | 基于apde‑rbf神经网络的网络安全态势预测方法 |
CN106453293A (zh) * | 2016-09-30 | 2017-02-22 | 重庆邮电大学 | 一种基于改进bpnn的网络安全态势预测方法 |
CN109816204A (zh) * | 2018-12-25 | 2019-05-28 | 南京理工大学 | 一种基于ga-svm的地铁运营安全态势预测方法 |
CN111723523A (zh) * | 2020-06-22 | 2020-09-29 | 中山大学 | 一种基于级联神经网络的河口余水位预测方法 |
CN111917785A (zh) * | 2020-08-06 | 2020-11-10 | 重庆邮电大学 | 一种基于de-gwo-svr的工业互联网安全态势预测方法 |
CN112636874A (zh) * | 2020-12-21 | 2021-04-09 | 西安理工大学 | 基于遗传优化支持向量机的混沌基带无线通信解码方法 |
-
2021
- 2021-04-20 CN CN202110425065.0A patent/CN113141272B/zh active Active
Patent Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104978612A (zh) * | 2015-01-27 | 2015-10-14 | 厦门大学 | 基于ahp-rbf的分布式大数据系统风险预测方法 |
CN106411896A (zh) * | 2016-09-30 | 2017-02-15 | 重庆邮电大学 | 基于apde‑rbf神经网络的网络安全态势预测方法 |
CN106453293A (zh) * | 2016-09-30 | 2017-02-22 | 重庆邮电大学 | 一种基于改进bpnn的网络安全态势预测方法 |
CN109816204A (zh) * | 2018-12-25 | 2019-05-28 | 南京理工大学 | 一种基于ga-svm的地铁运营安全态势预测方法 |
CN111723523A (zh) * | 2020-06-22 | 2020-09-29 | 中山大学 | 一种基于级联神经网络的河口余水位预测方法 |
CN111917785A (zh) * | 2020-08-06 | 2020-11-10 | 重庆邮电大学 | 一种基于de-gwo-svr的工业互联网安全态势预测方法 |
CN112636874A (zh) * | 2020-12-21 | 2021-04-09 | 西安理工大学 | 基于遗传优化支持向量机的混沌基带无线通信解码方法 |
Non-Patent Citations (2)
Title |
---|
李方伟: "基于APDE-RBF神经网络的网络安全态势预测方法", 《系统工程与电子技术》 * |
杨洁: "基于PSO-RBF神经网络的海战场电磁态势预测", 《现代电子技术》 * |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116405355A (zh) * | 2023-04-21 | 2023-07-07 | 重庆邮电大学 | 一种基于模式选择的信号解调方法 |
Also Published As
Publication number | Publication date |
---|---|
CN113141272B (zh) | 2022-03-15 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
He et al. | Many-objective evolutionary algorithms based on coordinated selection strategy | |
Higashi et al. | Particle swarm optimization with Gaussian mutation | |
CN110930182A (zh) | 基于改进粒子群优化算法的客户分类方法及装置 | |
Liu et al. | An adaptive online parameter control algorithm for particle swarm optimization based on reinforcement learning | |
CN107563653B (zh) | 一种多机器人全覆盖任务分配方法 | |
CN104866904A (zh) | 一种基于spark的遗传算法优化的BP神经网络并行化方法 | |
JP2002230514A (ja) | 進化的最適化方法 | |
CN112684700A (zh) | 一种群体机器人的多目标搜索与围捕控制方法及系统 | |
CN112270398B (zh) | 一种基于基因编程的集群行为学习方法 | |
CN113141272B (zh) | 基于迭代优化rbf神经网络的网络安全态势分析方法 | |
Ghosh et al. | Non-dominated rank based sorting genetic algorithms | |
CN111260062A (zh) | 基于自适应遗传算法的矩形件优化排样方法 | |
Kim et al. | A modified genetic algorithm for fast training neural networks | |
CN112216341B (zh) | 一种群体行为逻辑优化方法及计算机可读存储介质 | |
CN115963731A (zh) | 一种基于改进遗传算法的指挥控制体系网络结构优化方法 | |
CN111352650A (zh) | 一种基于insga-ii的软件模块化多目标优化方法及系统 | |
CN109492744A (zh) | 一种离散二进制粒子群算法与模糊控制耦合的混合运行优化控制方法 | |
Saraçoglu et al. | Developing an adaptation process for real-coded genetic algorithms | |
Sivaraj et al. | An efficient grouping genetic algorithm | |
Girsang et al. | Robust adaptive genetic K-means algorithm using greedy selection for clustering | |
Acharya et al. | Biclustering of microarray data employing multiobjective ga | |
CN111813669A (zh) | 基于多目标群体智能的适应性随机测试用例生成方法 | |
CN114510876B (zh) | 基于共生搜索生物地理学优化的多平台武器目标分配方法 | |
Etaner-Uyar et al. | Preserving diversity through diploidy and meiosis for improved genetic algorithm performance in dynamic environments | |
CN113705858B (zh) | 多目标区域的最短路径规划方法、系统、设备及存储介质 |
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 |