CN113259325A - 基于麻雀搜索算法优化Bi-LSTM的网络安全态势预测方法 - Google Patents
基于麻雀搜索算法优化Bi-LSTM的网络安全态势预测方法 Download PDFInfo
- Publication number
- CN113259325A CN113259325A CN202110429845.2A CN202110429845A CN113259325A CN 113259325 A CN113259325 A CN 113259325A CN 202110429845 A CN202110429845 A CN 202110429845A CN 113259325 A CN113259325 A CN 113259325A
- Authority
- CN
- China
- Prior art keywords
- lstm
- model
- prediction
- sparrow
- optimized
- 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
- 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
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/004—Artificial life, i.e. computing arrangements simulating life
- G06N3/006—Artificial life, i.e. computing arrangements simulating life based on simulated virtual individual or collective life forms, e.g. social simulations or particle swarm optimisation [PSO]
-
- 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
- G06N3/044—Recurrent networks, e.g. Hopfield 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
- G06N3/04—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
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 Security & Cryptography (AREA)
- Computer Hardware Design (AREA)
- Computer Networks & Wireless Communication (AREA)
- Signal Processing (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明公开了一种基于麻雀搜索算法优化Bi‑LSTM的网络安全态势预测方法,属于网络安全技术领域。初始化麻雀种群并迭代筛选获取运算结果;基于运算结果初始化Bi‑LSTM神经网络超参数,得到SSA优化后的Bi‑LSTM模型;对SSA优化后的Bi‑LSTM模型进行训练生成预测模型;向预测模型中输入预测数据并获取结果。本发明利用麻雀搜索算法来优化Bi‑LSTM神经网络超参数,采用SSA优化的Bi‑LSTM能够加速模型的收敛,提高模型的预测精度,从而解决现有技术预测精度不够的问题。
Description
技术领域
本发明涉及网络安全技术领域,尤其涉及一种基于麻雀搜索算法优化Bi-LSTM的网络安全态势预测方法。
背景技术
网络安全态势预测作为态势感知的最高层次,它是利用历史和当前的安全态势信息来对未来的网络态势发展情况进行定量预测。其目的就是可以让网络管理人员能够感知网络最近的安全状态,以及网络状态的演变过程和可能发生的网络攻击。通过预测,管理员可以获得早期预警信息并主动采取预防措施,以有效的应对即将发生的攻击威胁。
因为网络攻击行为存在前后时序关联,简单来说,攻击行为不可能是一蹴而就的,不同阶段的攻击行为会反映在相关数据中,即底层网络数据能够抽象为特定的时间序列事件,故可将态势预测问题归结为对时间序列的处理问题。考虑到攻击行为的前后关联性,只关注历史信息是不够的,为了能够更加准确的来预测网络态势,我们不仅需要利用历史信息,还有必要借助未来的信息来做出更好的判断。
现有技术的预测精度不够,无法满足现实需要。
发明内容
本发明的目的在于提供一种基于麻雀搜索算法优化Bi-LSTM的网络安全态势预测方法,旨在解决现有技术预测精度不够的问题。
为实现上述目的,本发明提供了一种基于麻雀搜索算法优化Bi-LSTM的网络安全态势预测方法,包括初始化麻雀种群并迭代筛选获取运算结果;
基于运算结果初始化Bi-LSTM神经网络超参数,得到经过SSA优化的Bi-LSTM模型;
对优化后的Bi-LSTM模型进行训练生成预测模型;
向预测模型中输入预测数据并获取结果。
其中,所述初始化麻雀种群并迭代筛选获取运算结果的具体步骤是:
S201麻雀种群初始化,设置迭代次数和误差阈值;
S202计算个体适应度;并对其进行排序,确定当前最优适应度值和当前最差适应度值;
S203发现者、追随者以及预警麻雀位置更新;
S204基于适应度选择个体;并更新全局最优适应度值;
S205检测迭代次数或者误差是否满足要求,若不满足则继续迭代回到S202,若满足则保留运算结果。
其中,对优化后的Bi-LSTM模型进行训练生成预测模型的具体步骤是:
将态势值序列划分训练集和测试集;
基于训练集使用SSA优化后的Bi-LSTM模型学习;
生成预测模型。
其中,所述向预测模型中输入预测数据并获取结果中,所述预测数据为测试集。
本发明的一种基于麻雀搜索算法优化Bi-LSTM的网络安全态势预测方法,包括初始化麻雀种群并迭代筛选获取运算结果;基于运算结果初始化Bi-LSTM神经网络超参数,得到经过SSA优化的Bi-LSTM模型;对优化后的Bi-LSTM模型进行训练生成预测模型;向预测模型中输入预测数据并获取结果。考虑到网络攻击行为存在前后关联性,利用Bi-LSTM擅长于对时序数据建模的特性,建立态势预测模型,旨在实现对网络态势的发展趋势进行动态预测。利用麻雀搜索算法来优化Bi-LSTM神经网络超参数。因为人工主观选取网络参数容易导致模型过拟合或者欠拟合,采用SSA优化的Bi-LSTM能够加速模型的收敛,提高模型的预测精度。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案,下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍,显而易见地,下面描述中的附图仅仅是本发明的一些实施例,对于本领域普通技术人员来讲,在不付出创造性劳动的前提下,还可以根据这些附图获得其他的附图。
图1是本发明的归一化的网络安全态势值图;
图2是本发明的Loss值比较图;
图3是本发明的不同方法预测曲线对比图;
图4是本发明的定量指标不同方法对比图;
图5是本发明的R2_score比较图;
图6是本发明提供一种基于麻雀搜索算法优化Bi-LSTM的网络安全态势预测方法的流程图;
图7是本发明的初始化麻雀种群并迭代筛选获取运算结果的流程图;
图8是本发明的对SSA优化后的Bi-LSTM模型进行训练生成预测模型的流程图。
1-SSA优化后的Bi-LSTM线、2-Bi-LSTM线、3-TURE线、4-BP线、5-Single-LSTM线、6-SSA-LSTM线。
具体实施方式
下面详细描述本发明的实施例,所述实施例的示例在附图中示出,其中自始至终相同或类似的标号表示相同或类似的元件或具有相同或类似功能的元件。下面通过参考附图描述的实施例是示例性的,旨在用于解释本发明,而不能理解为对本发明的限制。
请参阅图1~图8,本发明提供一种基于麻雀搜索算法优化Bi-LSTM的网络安全态势预测方法,包括:
S101初始化麻雀种群并迭代筛选获取运算结果;
麻雀搜索算法为Sparrow SearchAlgorithm,英文简称SSA。
具体步骤是:
S201麻雀种群初始化,设置迭代次数和误差阈值;
S202计算个体适应度;并对其进行排序,确定当前最优适应度值和当前最差适应度值;
S203发现者、追随者以及预警麻雀位置更新;
S204基于适应度选择个体;并更新全局最优适应度值;
S205检测迭代次数或者误差是否满足要求,若不满足则继续迭代回到S202,若满足则保留运算结果。
S102基于运算结果初始化Bi-LSTM神经网络超参数,得到SSA优化后的Bi-LSTM模型;
S103对SSA优化后的Bi-LSTM模型进行训练生成预测模型;
具体步骤是:
S301将网络安全态势值序列划分训练集和测试集;
S302基于训练集使用SSA优化后的Bi-LSTM模型学习;
S303生成预测模型。
S104向预测模型中输入预测数据并获取结果。
所述向预测模型中输入预测数据并获取结果中,所述预测数据为测试集。
为了清楚地对本发明进行说明,下面提供一种具体实施例。实验采用的是UNSW-NB15数据集作为原始数据集。该数据集是使用tcpdump工具捕获的数据包形式的网络流量,其模拟时间为分别是2015年1月22日中的16个小时,2015年2月17日中的15个小时,共31个小时。本章实验采用的是NUSW-NB15_GT.csv数据,该文件共174347条数据。为了方便将原始数据量化计算,实验采用他人所提的评估方法对原始数据进行处理,最后得到290个网络安全态势值。为了提高收敛效率,加快网络学习速度,将其进行归一化处理后如图1所示。
利用时间序列法对实验数据格式进行划分,按顺序每次选取当前时刻以及其前n-1个时刻的安全态势值作为预测模型的输入数据,将n+1时刻作为预测模型的输出。具体如表1所示。
表1实验数据输入输出表
其中,x1,x2,…,xN为样本数量为N的输入数据,例如第二行,表示选取连续m个态势值来预测m+1的值。以此类推,最终N个态势值可以构建N-m个样本。本发明的态势值样本总数为290个,设置滑动窗口值为m=6,则此时态势预测的样本总数为284个,本发明中选取前241个样本构成模型的训练集,剩下的43个样本用作测试数据。
本实验需要优化的参数为:学习率(Rate)和两层隐藏层节点(H1,H2),对其进行编码,将要优化的三个参数作为每个麻雀对应的解。SSA优化Bi-LSTM的伪代码如下所示。
输入:数据集D,迭代次数T
输出:最优解(学习率Rate、隐藏层节点H1和H2)
1:初始化麻雀种群,并对Bi-LSTM网络的超参数编码
2:while(T--||LOSS<0.0001)
3:计算每只麻雀的fitness值,并对其进行排序得到初始的当前最优适应度值和当前最差适应度值;
4:比较每只麻雀当前位置的fitness值,根据规则相应更新发现者、追随者和预警麻雀的位置
5:判断T=0?||LOSS<0.0001?,为真则输出最优解,训练结束;否则返回步骤3,继续训练。
6:输出最优解
SSA优化Bi-LSTM完成后,将得到的最优解作为神经网络的初始参数。然后利用网络安全态势值来训练模型,最后输出预测结果。
为了评估SSA-BiLSTM预测模型的性能,本章采取了以下几个指标来进行综合评估:
(1)平均绝对误差(MAE),指绝对误差值的平均值,它可以很好的反映预测值与真实值误差的实际情况。
(2)均方误差(MSE),通过预测值和真实值差值的平方和再求平均。
(3)均方根误差(RMSE),用来衡量预测值和真实值之间的偏差。
(4)平均绝对百分比误差(MAPE),其取值范围是[0,+∞)。
(5)R2_score,指决定系数也叫拟合优度,用来表示对于因变量的变动,自变量能够利用回归关系来解释的比例。其值越接近于1,说明模型拟合得越好。
其中,yi指的是实际的安全态势值,y′i是模型得到的预测值。以上四个指标,除了R2_score是越大越好以外,其他四个指标值越小,说明模型的性能越好。
为了验证SSA优化后的Bi-LSTM预测模型的收敛性,本发明通过模型训练的Loss值来对Bi-LSTM和SSA优化后的Bi-LSTM进行对比试验,其收敛曲线如图2所示。
由图2可以看出,SSA优化后的Bi-LSTM模型前期收敛很快,在迭代到400时,其Loss值已经趋于稳定,并接近0。而Bi-LSTM模型的搜索速度明显缓慢,尤其是400以后,收敛趋于平缓,但迭代到1000时,模型并未完全收敛,其Loss值相较于所提方法要大很多。说明SSA算法明显加速了Bi-LSTM模型的收敛速度,并且提高了模型的预测精度。
利用测试集数据对SSA优化后的Bi-LSTM模型进行验证,抽取其中10个样本进行展示,得到如表2所示的预测值和实际值对比。从表中可以看出,所提方法得到的预测值与实际值的误差最大就0.064,说明模型预测效果是不错的。
表2预测值与实际值对比
为了使本发明所提预测方法更具有说服力,采用BP神经网络、Bi-LSTM、LSTM以及SSA-LSTM神经网络作为对比试验。图3表示的是各模型的预测结果与实际值的对比曲线。从图中可以看出,除BP网络以外,各方法在波峰与波谷差距较大的时候,预测曲线大致与实际值相近;而在态势值比较平缓,波动较小时,各方法的拟合效果都有所欠佳。总的来看,SSA优化后的Bi-LSTM预测的网络安全态势曲线与实际值更加靠近。
为了更加客观的评价本发明所提方法的可靠性,采用定量指标MAE、MSE、RMSE以及MAPE来对以上几个模型进行更加全面的分析对比,具体结果如图4所示。可以看出,SSA优化后的Bi-LSTM方法的各项指标都优于其他几个方法。这明显突出SSA优化Bi-LSTM参数,从而有效提高了模型的预测精度。此处需要注意的是为了方便画图,图中MAPE的值是并没有乘以100%的。
为进一步验证模型的拟合效果,利用R2_score值来进行评估。该值介于0~1之间,越接近1,说明回归线与各测试点值越接近,模型拟合效果越好;反之,若该值越小,则说明模型拟合效果越差。从图5可知,相比于其他的几种模型,SSA优化后的Bi-LSTM模型得到的R2_score指标值有0.857,相比较表现较好的SSA-LSTM还要高出0.051,这充分说明了本发明所提方法是有效的。
以上所揭露的仅为本发明一种较佳实施例而已,当然不能以此来限定本发明之权利范围,本领域普通技术人员可以理解实现上述实施例的全部或部分流程,并依本发明权利要求所作的等同变化,仍属于发明所涵盖的范围。
Claims (4)
1.一种基于麻雀搜索算法优化Bi-LSTM的网络安全态势预测方法,其特征在于,
包括初始化麻雀种群并迭代筛选获取运算结果;
基于运算结果初始化Bi-LSTM神经网络超参数,得到经过SSA优化的Bi-LSTM模型;
对优化后的Bi-LSTM模型进行训练生成预测模型;
向预测模型中输入预测数据并获取结果。
2.如权利要求1所述的一种基于麻雀搜索算法优化Bi-LSTM的网络安全态势预测方法,其特征在于,
所述初始化麻雀种群并迭代筛选获取运算结果的具体步骤是:
S201麻雀种群初始化,设置迭代次数和误差阈值;
S202计算个体适应度,并对其进行排序,确定当前最优适应度值和当前最差适应度值;
S203发现者、追随者以及预警麻雀位置更新;
S204基于适应度选择个体,并更新全局最优适应度值;
S205检测迭代次数或者误差是否满足要求,若不满足则继续迭代回到S202,若满足则保留运算结果。
3.如权利要求2所述的一种基于麻雀搜索算法优化Bi-LSTM的网络安全态势预测方法,其特征在于,
所述对优化后的Bi-LSTM模型进行训练生成预测模型的具体步骤是:
将网络安全态势值序列划分训练集和测试集;
基于训练集使用SSA优化后的Bi-LSTM模型学习;
生成预测模型。
4.如权利要求3所述的一种基于麻雀搜索算法优化Bi-LSTM的网络安全态势预测方法,其特征在于,
所述向预测模型中输入预测数据并获取结果中,所述预测数据为测试集。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110429845.2A CN113259325B (zh) | 2021-04-21 | 2021-04-21 | 基于麻雀搜索算法优化Bi-LSTM的网络安全态势预测方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110429845.2A CN113259325B (zh) | 2021-04-21 | 2021-04-21 | 基于麻雀搜索算法优化Bi-LSTM的网络安全态势预测方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN113259325A true CN113259325A (zh) | 2021-08-13 |
CN113259325B CN113259325B (zh) | 2022-06-03 |
Family
ID=77221632
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110429845.2A Active CN113259325B (zh) | 2021-04-21 | 2021-04-21 | 基于麻雀搜索算法优化Bi-LSTM的网络安全态势预测方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN113259325B (zh) |
Cited By (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113947009A (zh) * | 2021-08-31 | 2022-01-18 | 西北大学 | 基于柯西扰动麻雀优化的稀疏lstm滑坡动态预测方法 |
CN114037145A (zh) * | 2021-11-05 | 2022-02-11 | 河北师范大学 | 一种网络安全态势预测方法及系统 |
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 |
CN115238860A (zh) * | 2022-06-22 | 2022-10-25 | 中国石油天然气集团有限公司 | 一种漏失压力预测模型生成方法和装置 |
CN116562631A (zh) * | 2023-07-10 | 2023-08-08 | 广东电网有限责任公司佛山供电局 | 一种电力光纤通信网络风险量化评价方法、系统和设备 |
CN116976393A (zh) * | 2023-07-25 | 2023-10-31 | 武汉纺织大学 | 一种导航卫星钟差数据的神经网络预报方法 |
Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20130185234A1 (en) * | 2012-01-16 | 2013-07-18 | Amrinder Arora | System and Method for Using Genetic Algorithm for Optimization of Targeting Systems, Based on Aggregated Scoring Models |
CN108986470A (zh) * | 2018-08-20 | 2018-12-11 | 华南理工大学 | 粒子群算法优化lstm神经网络的行程时间预测方法 |
CN110233849A (zh) * | 2019-06-20 | 2019-09-13 | 电子科技大学 | 网络安全态势分析的方法及系统 |
US20200348448A1 (en) * | 2019-04-30 | 2020-11-05 | ClimateAI, Inc. | Methods and systems for climate forecasting using artificial neural networks |
CN112016624A (zh) * | 2020-08-28 | 2020-12-01 | 西北农林科技大学 | 一种基于麻雀搜索算法优化核独立分量的光谱数据降维方法 |
CN112329934A (zh) * | 2020-11-17 | 2021-02-05 | 江苏科技大学 | 一种基于改进麻雀搜索算法的rbf神经网络优化算法 |
-
2021
- 2021-04-21 CN CN202110429845.2A patent/CN113259325B/zh active Active
Patent Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20130185234A1 (en) * | 2012-01-16 | 2013-07-18 | Amrinder Arora | System and Method for Using Genetic Algorithm for Optimization of Targeting Systems, Based on Aggregated Scoring Models |
CN108986470A (zh) * | 2018-08-20 | 2018-12-11 | 华南理工大学 | 粒子群算法优化lstm神经网络的行程时间预测方法 |
US20200348448A1 (en) * | 2019-04-30 | 2020-11-05 | ClimateAI, Inc. | Methods and systems for climate forecasting using artificial neural networks |
CN110233849A (zh) * | 2019-06-20 | 2019-09-13 | 电子科技大学 | 网络安全态势分析的方法及系统 |
CN112016624A (zh) * | 2020-08-28 | 2020-12-01 | 西北农林科技大学 | 一种基于麻雀搜索算法优化核独立分量的光谱数据降维方法 |
CN112329934A (zh) * | 2020-11-17 | 2021-02-05 | 江苏科技大学 | 一种基于改进麻雀搜索算法的rbf神经网络优化算法 |
Non-Patent Citations (3)
Title |
---|
HANYI ZOU .ETL: "Short-term Traffic Flow Prediction Based on PCC-BiLSTM", 《2020 INTERNATIONAL CONFERENCE ON COMPUTER ENGINEERING AND APPLICATION (ICCEA)》 * |
刘微: "基于LSTM神经网络的网络安全态势预测的应用研究", 《中国优秀硕士毕业论文数据库》 * |
张然等: "一种基于SA-SOA-BP神经网络的网络安全态势预测算法", 《小型微型计算机系统》 * |
Cited By (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113947009A (zh) * | 2021-08-31 | 2022-01-18 | 西北大学 | 基于柯西扰动麻雀优化的稀疏lstm滑坡动态预测方法 |
CN113947009B (zh) * | 2021-08-31 | 2024-03-08 | 西北大学 | 基于柯西扰动麻雀优化的稀疏lstm滑坡动态预测方法 |
CN114037145A (zh) * | 2021-11-05 | 2022-02-11 | 河北师范大学 | 一种网络安全态势预测方法及系统 |
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 |
CN115238860A (zh) * | 2022-06-22 | 2022-10-25 | 中国石油天然气集团有限公司 | 一种漏失压力预测模型生成方法和装置 |
CN115238860B (zh) * | 2022-06-22 | 2024-01-23 | 中国石油天然气集团有限公司 | 一种漏失压力预测模型生成方法和装置 |
CN116562631A (zh) * | 2023-07-10 | 2023-08-08 | 广东电网有限责任公司佛山供电局 | 一种电力光纤通信网络风险量化评价方法、系统和设备 |
CN116562631B (zh) * | 2023-07-10 | 2024-02-13 | 广东电网有限责任公司佛山供电局 | 一种电力光纤通信网络风险量化评价方法、系统和设备 |
CN116976393A (zh) * | 2023-07-25 | 2023-10-31 | 武汉纺织大学 | 一种导航卫星钟差数据的神经网络预报方法 |
Also Published As
Publication number | Publication date |
---|---|
CN113259325B (zh) | 2022-06-03 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN113259325B (zh) | 基于麻雀搜索算法优化Bi-LSTM的网络安全态势预测方法 | |
CN109800884B (zh) | 模型参数的处理方法、装置、设备和计算机存储介质 | |
CN108446714B (zh) | 一种多工况下的非马尔科夫退化系统剩余寿命预测方法 | |
CN112508243A (zh) | 电力信息系统多故障预测网络模型的训练方法及装置 | |
CN112818690A (zh) | 结合知识图谱实体信息的语义识别方法、装置及相关设备 | |
CN114124734B (zh) | 一种基于GCN-Transformer集成模型的网络流量预测方法 | |
CN109492816B (zh) | 一种基于混合智能的煤与瓦斯突出动态预测方法 | |
CN114792126A (zh) | 一种基于遗传算法的卷积神经网络设计方法 | |
CN112801231B (zh) | 用于业务对象分类的决策模型训练方法和装置 | |
CN110889493A (zh) | 针对关系网络添加扰动的方法及装置 | |
CN116842853B (zh) | 用于不确定度量化的导弹气动特性预测模型构建方法 | |
CN112765894B (zh) | 一种基于k-lstm的铝电解槽状态预测方法 | |
CN111144473B (zh) | 训练集构建方法、装置、电子设备及计算机可读存储介质 | |
CN115640845A (zh) | 基于生成对抗网络的图神经网络少数类别样本生成方法 | |
Eyal et al. | Survival analysis of automobile components using mutually exclusive forests | |
Corani et al. | Structural risk minimization: a robust method for density‐dependence detection and model selection | |
JP2016520220A (ja) | 隠れ属性モデル推定装置、方法およびプログラム | |
CN109284320B (zh) | 大数据平台上的自动回归诊断方法 | |
CN111898666A (zh) | 一种随机森林算法结合模群种群的数据变量选择方法 | |
CN113283589A (zh) | 事件预测系统的更新方法及装置 | |
Huang et al. | A particle-filter-based online method for degradation analysis with exponential-dispersion process | |
Jain et al. | Robust Simulation Optimization with Stratification | |
CN115022194B (zh) | 基于sa-gru的网络安全态势预测方法 | |
CN110796234B (zh) | 一种用于预测计算机状态的方法和装置 | |
Hou et al. | Insurance Loss Modeling with Gradient Tree-Boosted Mixture Models |
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 | ||
EE01 | Entry into force of recordation of patent licensing contract | ||
EE01 | Entry into force of recordation of patent licensing contract |
Application publication date: 20210813 Assignee: GUANGXI HAOHUA TECHNOLOGY Co.,Ltd. Assignor: GUILIN University OF ELECTRONIC TECHNOLOGY Contract record no.: X2022450000317 Denomination of invention: Network Security Situation Prediction Method Based on Bi LSTM Optimized by Sparrow Search Algorithm Granted publication date: 20220603 License type: Common License Record date: 20221214 |