CN114528558B - 基于改进神经网络的态势感知方法和可读存储介质 - Google Patents

基于改进神经网络的态势感知方法和可读存储介质 Download PDF

Info

Publication number
CN114528558B
CN114528558B CN202210270724.2A CN202210270724A CN114528558B CN 114528558 B CN114528558 B CN 114528558B CN 202210270724 A CN202210270724 A CN 202210270724A CN 114528558 B CN114528558 B CN 114528558B
Authority
CN
China
Prior art keywords
neural network
indexes
primary
index
influence
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
CN202210270724.2A
Other languages
English (en)
Other versions
CN114528558A (zh
Inventor
戚建淮
周杰
杜玲禧
宋晶
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.)
Shenzhen Y&D Electronics Information Co Ltd
Original Assignee
Shenzhen Y&D Electronics Information Co Ltd
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 Shenzhen Y&D Electronics Information Co Ltd filed Critical Shenzhen Y&D Electronics Information Co Ltd
Priority to CN202210270724.2A priority Critical patent/CN114528558B/zh
Publication of CN114528558A publication Critical patent/CN114528558A/zh
Application granted granted Critical
Publication of CN114528558B publication Critical patent/CN114528558B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F21/00—Security arrangements for protecting computers, components thereof, programs or data against unauthorised activity
    • G06F21/50—Monitoring users, programs or devices to maintain the integrity of platforms, e.g. of processors, firmware or operating systems
    • G06F21/57—Certifying or maintaining trusted computer platforms, e.g. secure boots or power-downs, version controls, system software checks, secure updates or assessing vulnerabilities
    • G06F21/577—Assessing vulnerabilities and evaluating computer system security
    • 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)
  • General Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Computer Hardware Design (AREA)
  • Computer Security & Cryptography (AREA)
  • Software Systems (AREA)
  • Physics & Mathematics (AREA)
  • Computing Systems (AREA)
  • General Physics & Mathematics (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Health & Medical Sciences (AREA)
  • Artificial Intelligence (AREA)
  • Biomedical Technology (AREA)
  • Biophysics (AREA)
  • Computational Linguistics (AREA)
  • Data Mining & Analysis (AREA)
  • Evolutionary Computation (AREA)
  • General Health & Medical Sciences (AREA)
  • Molecular Biology (AREA)
  • Mathematical Physics (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)
  • Alarm Systems (AREA)

Abstract

本发明涉及一种基于改进神经网络的态势感知方法和可读存储介质。所述方法包括：感知步骤，包括获取多个系统整体影响指标及其权重，以及获取每个子系统的多个一级指标和二级指标；理解步骤，包括基于所述系统整体影响指标及其权重确定第一系统安全性，基于所述一级指标和所述二级指标确定第二系统安全性，以及综合所述第一系统安全性和所述第二系统安全性获得系统安全等级；预测步骤，包括构建初级神经网络，将所述系统整体影响指标、所述二级指标和所述系统安全等级输入所述初级神经网络进行训练以获得神经网络态势感知预测模型，并基于所述神经网络态势感知预测模型进行预测。本发明能够全面有效地对系统安全性做出准确预测。

Description

基于改进神经网络的态势感知方法和可读存储介质
技术领域
本发明涉及网络安全领域，更具体地说，涉及一种基于改进神经网络的态势感知方法和可读存储介质。
背景技术
态势感知的概念最早由安德斯雷（Endsley）构建，包括预测（Perception）、理解（Comprehension）、和认知（Projection）三个层次。随着网络空间安全重要性的不断提高，网络安全的态势感知研究与应用越来越受到关注。针对复杂的网络系统，目前采用的网络安全的态势感知通常是综合考虑系统的整体安全指标或单独考虑子系统的安全指标，对各指标进行关键有用信息的感知及提取、对各指标对安全性影响过程的理解、最终对系统安全性作出预测。
然而，单纯的某一层面的评估不能有效地对系统安全进行评估。只考虑整体的安全指标会忽视子系统的综合影响，只考虑子系统的安全指标又忽视了系统整体面临的安全威胁。
发明内容
本发明要解决的技术问题在于，针对现有技术的上述缺陷，提供一种基于改进神经网络的态势感知方法和计算机可读存储介质，全面综合考虑系统整体影响指标与局部影响指标，不仅是将这些指标进行简单的汇总和叠加，而是根据不同影响指标的内在联系设置不同的权重；并结合神经网络模型对安全等级进行预测，从而全面有效地对系统安全性做出准确预测。
本发明解决其技术问题所采用的技术方案是：构造一种基于改进神经网络的态势感知方法，包括以下步骤：
感知步骤，包括获取多个系统整体影响指标及其权重，以及获取每个子系统的多个一级指标和二级指标；
理解步骤，包括基于所述系统整体影响指标及其权重确定第一系统安全性，基于所述一级指标和所述二级指标确定第二系统安全性，以及综合所述第一系统安全性和所述第二系统安全性获得系统安全等级；
预测步骤，包括构建初级神经网络，将所述系统整体影响指标、所述二级指标和所述系统安全等级输入所述初级神经网络进行训练以获得神经网络态势感知预测模型，并基于所述神经网络态势感知预测模型进行预测。
在所述的基于改进神经网络的态势感知方法中，所述获取多个系统整体影响指标及其权重包括：
对系统进行数据采集并确定s个系统整体影响指标
Figure 706438DEST_PATH_IMAGE001
；
归一化处理所述系统整体影响指标，并获得每个所述系统整体影响指标的权重
Figure 994069DEST_PATH_IMAGE002
，其中s为正整数。
在所述的基于改进神经网络的态势感知方法中，所述获取每个子系统的多个一级指标和二级指标包括：
对所述系统的每个子系统进行数据采集并确定每个子系统的m个一级指标
Figure 534772DEST_PATH_IMAGE004
以及每个一级指标对应的n个二级指标
Figure 178243DEST_PATH_IMAGE006
，其中n和m均为正整数；
归一化处理所有的所述二级指标和所述一级指标并获得m个一级指标权重
Figure 513409DEST_PATH_IMAGE007
和每个一级指标对应的m个二级指标的n个二级指标权重
Figure 304648DEST_PATH_IMAGE008
。
在所述的基于改进神经网络的态势感知方法中，所述基于所述系统整体影响指标及其权重确定第一系统安全性包括：
挑选p个训练样本，通过对所述系统整体影响指标进行评估，确定第一系统安全性：
Figure 383462DEST_PATH_IMAGE009
，其中
Figure 881440DEST_PATH_IMAGE010
表示所述第一系统安全性，
Figure 387507DEST_PATH_IMAGE011
表示系统整体影响指标
Figure 416774DEST_PATH_IMAGE012
的影响度，p为正整数。
在所述的基于改进神经网络的态势感知方法中，所述基于所述一级指标和所述二级指标确定第二系统安全性包括：
根据每个一级指标对应的n个二级指标的影响度以及其二级指标权重
Figure 299280DEST_PATH_IMAGE013
，判定每个一级指标的影响度
Figure 651764DEST_PATH_IMAGE014
，其中
Figure 594312DEST_PATH_IMAGE015
表示一级指标
Figure 94563DEST_PATH_IMAGE016
的影响度，
Figure 515180DEST_PATH_IMAGE018
表示二级指标
Figure 987750DEST_PATH_IMAGE019
的影响度；
基于所述一级指标的影响度以及其一级指标权重
Figure 147205DEST_PATH_IMAGE020
判定每个子系统的影响度
Figure 72435DEST_PATH_IMAGE021
；
基于每个子系统的影响度以及其权重
Figure 296743DEST_PATH_IMAGE022
确定所述第二系统安全性
Figure 623820DEST_PATH_IMAGE023
。
在所述的基于改进神经网络的态势感知方法中，所述综合所述第一系统安全性和所述第二系统安全性获得系统安全等级包括：
基于所述第一系统安全性、所述第二系统安全性、所述第一系统安全性的权重
Figure 970487DEST_PATH_IMAGE024
和第二系统安全性的权重
Figure 383014DEST_PATH_IMAGE025
得到系统综合安全性
Figure 145434DEST_PATH_IMAGE026
；
基于所述系统综合安全性和打分标准，获得所述系统安全等级。
在所述的基于改进神经网络的态势感知方法中，所述构建初级神经网络包括局部输入模块、整体输入模块、融合层和输出层，所述局部输入模块包括输入层、第一隐藏层、第二隐藏层、第三隐藏层、第四隐藏层、第五隐藏层和第六隐藏层，所述整体输入模块包括输入层、第一隐藏层和第二隐藏层。
在所述的基于改进神经网络的态势感知方法中，所述局部输入模块的输入层、第二隐藏层、第三隐藏层的节点个数分别对应二级指标个数，一级指标个数和子系统个数，所述整体输入模块的输入层的节点个数对应所述系统整体影响指标的个数。
在所述的基于改进神经网络的态势感知方法中，所述将所述系统整体影响指标、所述二级指标和所述系统安全等级输入所述初级神经网络进行训练以获得神经网络态势感知预测模型包括：
选择P个训练样本，将其对应的所述系统整体影响指标、所述二级指标和所述系统安全等级输入所述初级神经网络进行多次训练以获得神经网络态势感知预测模型；
挑选Q个测试样本，将所述测试样本通过所述神经网络态势感知预测模型获得Q个预测值；
针对每个测试样本执行所述感知步骤和所述理解步骤以获得Q个实际值；
比较所述预测值和所述实际值以判定所述神经网络态势感知预测模型是否成熟。
本发明解决其技术问题采用的再一技术方案是，构造一种计算机可读存储介质，所述计算机可读存储介质由处理器执行时，实施所述的基于改进神经网络的态势感知方法。
本发明通过全面综合考虑系统整体影响指标与局部影响指标，不仅是将这些指标进行简单的汇总和叠加，而是根据不同影响指标的内在联系设置不同的权重；并结合神经网络模型对安全等级进行预测，从而全面有效地对系统安全性做出准确预测。
附图说明
下面将结合附图及实施例对本发明作进一步说明，附图中：
图1是本发明的基于改进神经网络的态势感知方法的优选实施例的流程图；
图2是本发明的基于改进神经网络的态势感知方法的优选实施例的打分标准；
图3是本发明的基于改进神经网络的态势感知方法的优选实施例的神经网络模型的简明示意图；
图4是本发明的基于改进神经网络的态势感知方法的优选实施例的神经网络模型的详细示意图。
具体实施方式
为了使本发明的目的、技术方案及优点更加清楚明白，以下结合附图及实施例，对本发明进行进一步详细说明。应当理解，此处所描述的具体实施例仅仅用以解释本发明，并不用于限定本发明。
本发明涉及基于改进神经网络的态势感知方法，包括感知步骤，包括获取多个系统整体影响指标及其权重，以及获取每个子系统的多个一级指标和二级指标；理解步骤，包括基于所述系统整体影响指标及其权重确定第一系统安全性，基于所述一级指标和所述二级指标确定第二系统安全性，以及综合所述第一系统安全性和所述第二系统安全性获得系统安全等级；预测步骤，包括构建初级神经网络，将所述系统整体影响指标、所述二级指标和所述系统安全等级输入所述初级神经网络进行训练以获得神经网络态势感知预测模型，并基于所述神经网络态势感知预测模型进行预测。本发明通过全面综合考虑系统整体影响指标与局部影响指标，不仅是将这些指标进行简单的汇总和叠加，而是根据不同影响指标的内在联系设置不同的权重；并结合神经网络模型对安全等级进行预测，从而全面有效地对系统安全性做出准确预测。
图1是本发明的基于改进神经网络的态势感知方法的优选实施例的流程图。如图1所示，本发明的基于改进神经网络的态势感知方法包括感知步骤、理解步骤和预测步骤。
所述感知步骤包括获取多个系统整体影响指标及其权重，以及获取每个子系统的多个一级指标和二级指标。
具体的所述获取多个系统整体影响指标及其权重包括对系统进行数据采集并确定s个系统整体影响指标
Figure 327016DEST_PATH_IMAGE001
；归一化处理所述系统整体影响指标，并获得每个所述系统整体影响指标的权重
Figure 595318DEST_PATH_IMAGE027
，其中s为正整数。
所述获取每个子系统的多个一级指标和二级指标包括对所述系统的每个子系统进行数据采集并确定每个子系统的m个一级指标
Figure 495141DEST_PATH_IMAGE029
以及每个一级指标对应的n个二级指标
Figure 61251DEST_PATH_IMAGE006
，其中n和m均为正整数；
归一化处理所有的所述二级指标和所述一级指标并获得m个一级指标权重
Figure 97340DEST_PATH_IMAGE007
和每个一级指标对应的m个二级指标的n个二级指标权重
Figure 785811DEST_PATH_IMAGE008
。
所述理解步骤包括基于所述系统整体影响指标及其权重确定第一系统安全性，基于所述一级指标和所述二级指标确定第二系统安全性，以及综合所述第一系统安全性和所述第二系统安全性获得系统安全等级。
具体地，所述获取多个系统整体影响指标及其权重包括对系统进行数据采集并确定s个系统整体影响指标
Figure 172930DEST_PATH_IMAGE001
；归一化处理所述系统整体影响指标，并获得每个所述系统整体影响指标的权重
Figure 277152DEST_PATH_IMAGE027
，其中s为正整数。
所述获取每个子系统的多个一级指标和二级指标包括对所述系统的每个子系统进行数据采集并确定每个子系统的m个一级指标
Figure 433327DEST_PATH_IMAGE029
以及每个一级指标对应的n个二级指标
Figure 541966DEST_PATH_IMAGE006
，其中n和m均为正整数；归一化处理所有的所述二级指标和所述一级指标并获得m个一级指标权重
Figure 150802DEST_PATH_IMAGE020
和每个一级指标对应的m个二级指标的n个二级指标权重
Figure 324294DEST_PATH_IMAGE030
。
所述基于所述系统整体影响指标及其权重确定第一系统安全性包括挑选p个训练样本，通过对所述系统整体影响指标进行评估，确定第一系统安全性：
Figure 334975DEST_PATH_IMAGE031
，其中
Figure 365248DEST_PATH_IMAGE010
表示所述第一系统安全性，
Figure 461380DEST_PATH_IMAGE032
表示系统整体影响指标
Figure 907405DEST_PATH_IMAGE012
的影响度，p为正整数。
所述基于所述一级指标和所述二级指标确定第二系统安全性包括：根据每个一级指标对应的n个二级指标的影响度以及其二级指标权重
Figure 38172DEST_PATH_IMAGE033
，判定每个一级指标的影响度
Figure 990079DEST_PATH_IMAGE034
，其中
Figure 573507DEST_PATH_IMAGE015
表示一级指标
Figure 823223DEST_PATH_IMAGE016
的影响度，
Figure 808496DEST_PATH_IMAGE018
表示二级指标
Figure 180572DEST_PATH_IMAGE035
的影响度；基于所述一级指标的影响度以及其一级指标权重
Figure 251296DEST_PATH_IMAGE036
判定每个子系统的影响度
Figure 304703DEST_PATH_IMAGE021
；基于每个子系统的影响度以及其权重
Figure 456067DEST_PATH_IMAGE037
确定所述第二系统安全性
Figure 936727DEST_PATH_IMAGE023
。
所述综合所述第一系统安全性和所述第二系统安全性获得系统安全等级包括：基于所述第一系统安全性、所述第二系统安全性、所述第一系统安全性的权重
Figure 229168DEST_PATH_IMAGE024
和第二系统安全性的权重
Figure 86266DEST_PATH_IMAGE038
得到系统综合安全性
Figure 842869DEST_PATH_IMAGE026
；基于所述系统综合安全性和打分标准，获得所述系统安全等级。
所述预测步骤包括构建初级神经网络，将所述系统整体影响指标、所述二级指标和所述系统安全等级输入所述初级神经网络进行训练以获得神经网络态势感知预测模型，并基于所述神经网络态势感知预测模型进行预测。
优选的，所述构建初级神经网络包括局部输入模块、整体输入模块、融合层和输出层，所述局部输入模块包括输入层、第一隐藏层、第二隐藏层、第三隐藏层、第四隐藏层、第五隐藏层和第六隐藏层，所述整体输入模块包括输入层、第一隐藏层和第二隐藏层。所述局部输入模块的输入层、第二隐藏层、第三隐藏层的节点个数分别对应二级指标个数，一级指标个数和子系统个数，所述整体输入模块的输入层的节点个数对应所述系统整体影响指标的个数。
所述将所述系统整体影响指标、所述二级指标和所述系统安全等级输入所述初级神经网络进行训练以获得神经网络态势感知预测模型包括选择P个训练样本，将其对应的所述系统整体影响指标、所述二级指标和所述系统安全等级输入所述初级神经网络进行多次训练以获得神经网络态势感知预测模型；挑选Q个测试样本，将所述测试样本通过所述神经网络态势感知预测模型获得Q个预测值；针对每个测试样本执行所述感知步骤和所述理解步骤以获得Q个实际值；比较所述预测值和所述实际值以判定所述神经网络态势感知预测模型是否成熟。
本发明通过全面综合考虑系统整体影响指标与局部影响指标，不仅是将这些指标进行简单的汇总和叠加，而是根据不同影响指标的内在联系设置不同的权重；并结合神经网络模型对安全等级进行预测，从而全面有效地对系统安全性做出准确预测。
为了更好地说明本发明，下面将基于系统A对本发明的优选实施例说明如下。该系统A具有l个子系统，即子系统
Figure 494430DEST_PATH_IMAGE039
，l取值为正整数。
首先执行感知步骤。在感知步骤中，对系统A在某个连续时间段内进行数据采集，筛选有用信息，去除无关影响，确定s个系统整体影响指标
Figure 539747DEST_PATH_IMAGE001
；归一化处理所述系统整体影响指标，使得每个系统整体影响指标统一映射到[0, 1]区间上，并获得每个所述系统整体影响指标的权重
Figure 934956DEST_PATH_IMAGE027
，其中s为正整数。
同样地，在感知步骤中，还对系统A的每个子系统
Figure 296798DEST_PATH_IMAGE040
在某个连续时间段内进行数据采集，筛选有用信息，去除无关影响，最后确定每个子系统的m个一级指标
Figure 384840DEST_PATH_IMAGE004
以及每个一级指标对应的n个二级指标
Figure 651873DEST_PATH_IMAGE006
，其中n和m均为正整数。为了消除不同指标之间的量纲和数量级的影响，对所有的二级指标分别进行归一化处理，使其统一映射到[0, 1]的区间上，并获得m个一级指标权重
Figure 585194DEST_PATH_IMAGE020
和每个一级指标对应的m个二级指标的n个二级指标权重
Figure 316390DEST_PATH_IMAGE030
。
接着执行理解步骤。在理解步骤中，首先挑选p个训练样本，通过对所述系统整体影响指标进行评估，确定第一系统安全性：
Figure 575333DEST_PATH_IMAGE009
，其中
Figure 64083DEST_PATH_IMAGE010
表示所述第一系统安全性，
Figure 66674DEST_PATH_IMAGE032
表示系统整体影响指标
Figure 901644DEST_PATH_IMAGE041
的影响度，p为正整数。
然后根据每个一级指标对应的n个二级指标的影响度以及其二级指标权重
Figure 65909DEST_PATH_IMAGE013
，判定每个一级指标的影响度
Figure 307534DEST_PATH_IMAGE014
，其中
Figure 848237DEST_PATH_IMAGE015
表示一级指标
Figure 288446DEST_PATH_IMAGE016
的影响度，
Figure 889191DEST_PATH_IMAGE018
表示二级指标
Figure 352534DEST_PATH_IMAGE019
的影响度。
基于所述一级指标的影响度以及其一级指标权重
Figure 509977DEST_PATH_IMAGE020
判定每个子系统的影响度
Figure 7954DEST_PATH_IMAGE021
；
基于每个子系统的影响度以及其权重
Figure 514022DEST_PATH_IMAGE022
确定所述第二系统安全性
Figure 730239DEST_PATH_IMAGE023
。
其中P()为指标相对于其上一级指标/系统的影响度。P1（）表示安全性。
基于所述第一系统安全性、所述第二系统安全性、所述第一系统安全性的权重
Figure 675062DEST_PATH_IMAGE024
和第二系统安全性的权重
Figure 27546DEST_PATH_IMAGE025
得到系统综合安全性
Figure 704515DEST_PATH_IMAGE026
。这样，在评估过程中不仅需要考虑多种因素带来的影响，还需要考虑各种影响之间的权重关系，因此可以更为全面准确地进行评估和预测。
基于所述系统综合安全性和图2所示的专家打分标准，获得所述系统安全等级。在此，图2中的e1-e4的打分标准可以采用任何已知的现有打分标准。
最后执行预测步骤。在预测步骤中，首先构建初级神经网络。如图3所示，所述构建初级神经网络包括局部输入模块、整体输入模块、融合层和输出层，所述局部输入模块包括输入层、第一隐藏层、第二隐藏层、第三隐藏层、第四隐藏层、第五隐藏层和第六隐藏层，所述整体输入模块包括输入层、第一隐藏层和第二隐藏层。
如图3-4所示，所述局部输入模块的输入层对应
Figure 142449DEST_PATH_IMAGE042
个二级指标设置
Figure 140230DEST_PATH_IMAGE043
个节点。第一隐藏层设置
Figure 347220DEST_PATH_IMAGE044
个节点。第二隐藏层对应
Figure 460670DEST_PATH_IMAGE045
个一级指标设置
Figure 385901DEST_PATH_IMAGE046
个节点。第三隐藏层设置
Figure 672525DEST_PATH_IMAGE047
个节点。第四隐藏层对应l个子系统设置l个节点，第五隐藏层设置
Figure 999602DEST_PATH_IMAGE048
个节点，第六隐藏层设置一个节点（通过二级指标得到的第一系统安全性）。所述整体模块输入层对应s个系统整体影响指标设置s个节点，第一隐藏层设置
Figure 283952DEST_PATH_IMAGE049
节点，第二隐藏层设置一个节点（通过系统整体影响指标得到的第二系统安全性。
将局部模块得到的通过二级指标得到系统安全性和整体模块得到的系统整体安全性进行融合，由此得到系统综合安全等级。即基于所述第一系统安全性、所述第二系统安全性、所述第一系统安全性的权重
Figure 430900DEST_PATH_IMAGE024
和第二系统安全性的权重
Figure 271948DEST_PATH_IMAGE025
得到系统综合安全性
Figure 453531DEST_PATH_IMAGE050
。
基于所述系统综合安全性和图2所示的专家打分标准，获得所述系统安全等级。在此，图2中的e1-e4的打分标准可以采用任何已知的现有打分标准。
然后，选择P个训练样本，将其对应的所述系统整体影响指标、所述二级指标和所述系统安全等级输入所述初级神经网络进行多次训练以获得神经网络态势感知预测模型；挑选Q个测试样本，将所述测试样本通过所述神经网络态势感知预测模型获得Q个预测值；针对每个测试样本执行所述感知步骤和所述理解步骤以获得Q个实际值；比较所述预测值和所述实际值以判定所述神经网络态势感知预测模型是否成熟。其中P和Q分别为正整数，训练样本可以是任何适合的包括多个子系统的系统。进一步的，在本发明中，除非另有定义外，表述数量的参数取值均为正整数。
在判定所述神经网络态势感知预测模型成熟后，可以将其用于后续的系统安全性判断。本发明通过全面综合考虑系统整体影响指标与局部影响指标，不仅是将这些指标进行简单的汇总和叠加，而是根据不同影响指标的内在联系设置不同的权重；并结合神经网络模型对安全等级进行预测，从而全面有效地对系统安全性做出准确预测。
本发明的进一步的优选实施例还涉及一种计算机可读存储介质，所述计算机可读存储介质由处理器执行时，实施所述的基于改进神经网络的态势感知方法。
因此，本发明可以通过硬件、软件或者软、硬件结合来实现。本发明可以在至少一个计算机系统中以集中方式实现，或者由分布在几个互连的计算机系统中的不同部分以分散方式实现。任何可以实现本发明方法的计算机系统或其它设备都是可适用的。常用软硬件的结合可以是安装有计算机程序的通用计算机系统，通过安装和执行程序控制计算机系统，使其按本发明方法运行。
本发明还可以通过计算机程序产品进行实施，程序包含能够实现本发明方法的全部特征，当其安装到计算机系统中时，可以实现本发明的方法。本文件中的计算机程序所指的是：可以采用任何程序语言、代码或符号编写的一组指令的任何表达式，该指令组使系统具有信息处理能力，以直接实现特定功能，或在进行下述一个或两个步骤之后实现特定功能：a)转换成其它语言、编码或符号；b)以不同的格式再现。
虽然本发明是通过具体实施例进行说明的，本领域技术人员应当明白，在不脱离本发明范围的情况下，还可以对本发明进行各种变换及等同替代。另外，针对特定情形或材料，可以对本发明做各种修改，而不脱离本发明的范围。因此，本发明不局限于所公开的具体实施例，而应当包括落入本发明权利要求范围内的全部实施方式。
以上所述仅为本发明的较佳实施例而已，并不用以限制本发明，凡在本发明的精神和原则之内所作的任何修改、等同替换和改进等，均应包含在本发明的保护范围之内。

Claims (7)

1.一种基于改进神经网络的态势感知方法，其特征在于，包括以下步骤：
感知步骤，包括获取多个系统整体影响指标及其权重，以及获取每个子系统的多个一级指标和二级指标；
理解步骤，包括基于所述系统整体影响指标及其权重确定第一系统安全性，基于所述一级指标和所述二级指标确定第二系统安全性，以及综合所述第一系统安全性和所述第二系统安全性获得系统安全等级；
预测步骤，包括构建初级神经网络，将所述系统整体影响指标、所述二级指标和所述系统安全等级输入所述初级神经网络进行训练以获得神经网络态势感知预测模型，并基于所述神经网络态势感知预测模型进行预测；
所述获取每个子系统的多个一级指标和二级指标包括：
对系统的每个子系统进行数据采集并确定每个子系统的m个一级指标
Figure 139656DEST_PATH_IMAGE002
以及每个一级指标对应的n个二级指标
Figure 362827DEST_PATH_IMAGE004
，其中n和m均为正整数；
归一化处理所有的所述二级指标和所述一级指标并获得m个一级指标权重
Figure 99839DEST_PATH_IMAGE005
和每个一级指标对应的m个二级指标的n个二级指标权重
Figure 623224DEST_PATH_IMAGE006
；
所述初级神经网络包括局部输入模块、整体输入模块、融合层和输出层，所述局部输入模块包括输入层、第一隐藏层、第二隐藏层、第三隐藏层、第四隐藏层、第五隐藏层和第六隐藏层，所述整体输入模块包括输入层、第一隐藏层和第二隐藏层；所述局部输入模块的输入层、第二隐藏层、第三隐藏层的节点个数分别对应二级指标个数，一级指标个数和子系统个数，所述整体输入模块的输入层的节点个数对应所述系统整体影响指标的个数。
2.根据权利要求1所述的基于改进神经网络的态势感知方法，其特征在于，所述获取多个系统整体影响指标及其权重包括：
对系统进行数据采集并确定s个系统整体影响指标
Figure 53069DEST_PATH_IMAGE007
；
归一化处理所述系统整体影响指标，并获得每个所述系统整体影响指标的权重
Figure 12803DEST_PATH_IMAGE008
，其中s为正整数。
3.根据权利要求2所述的基于改进神经网络的态势感知方法，其特征在于，所述基于所述系统整体影响指标及其权重确定第一系统安全性包括：
挑选p个训练样本，通过对所述系统整体影响指标进行评估，确定第一系统安全性：
Figure 287927DEST_PATH_IMAGE009
，其中
Figure 931398DEST_PATH_IMAGE010
表示所述第一系统安全性，
Figure 266564DEST_PATH_IMAGE011
表示系统整体影响指标
Figure 464327DEST_PATH_IMAGE012
的影响度，p为正整数。
4.根据权利要求3所述的基于改进神经网络的态势感知方法，其特征在于，所述基于所述一级指标和所述二级指标确定第二系统安全性包括：
根据每个一级指标对应的n个二级指标的影响度以及其二级指标权重
Figure 543142DEST_PATH_IMAGE013
，判定每个一级指标的影响度
Figure 41119DEST_PATH_IMAGE014
，其中
Figure 812766DEST_PATH_IMAGE015
表示一级指标
Figure 232246DEST_PATH_IMAGE016
的影响度，
Figure 114751DEST_PATH_IMAGE018
表示二级指标
Figure 467235DEST_PATH_IMAGE019
的影响度；
基于所述一级指标的影响度以及其一级指标权重
Figure 409783DEST_PATH_IMAGE020
判定每个子系统的影响度
Figure 847718DEST_PATH_IMAGE021
；
基于每个子系统的影响度以及其权重
Figure 737177DEST_PATH_IMAGE022
确定所述第二系统安全性
Figure 209746DEST_PATH_IMAGE023
。
5.根据权利要求4所述的基于改进神经网络的态势感知方法，其特征在于，所述综合所述第一系统安全性和所述第二系统安全性获得系统安全等级包括：
基于所述第一系统安全性、所述第二系统安全性、所述第一系统安全性的权重
Figure 323196DEST_PATH_IMAGE024
和第二系统安全性的权重
Figure DEST_PATH_IMAGE025
得到系统综合安全性
Figure 966536DEST_PATH_IMAGE026
；
基于所述系统综合安全性和打分标准，获得所述系统安全等级。
6.根据权利要求1所述的基于改进神经网络的态势感知方法，其特征在于，所述将所述系统整体影响指标、所述二级指标和所述系统安全等级输入所述初级神经网络进行训练以获得神经网络态势感知预测模型包括：
选择P个训练样本，将其对应的所述系统整体影响指标、所述二级指标和所述系统安全等级输入所述初级神经网络进行多次训练以获得神经网络态势感知预测模型；
挑选Q个测试样本，将所述测试样本通过所述神经网络态势感知预测模型获得Q个预测值；
针对每个测试样本执行所述感知步骤和所述理解步骤以获得Q个实际值；
比较所述预测值和所述实际值以判定所述神经网络态势感知预测模型是否成熟。
7.一种可读存储介质，其特征在于，所述可读存储介质由处理器执行时，实施根据权利要求1-6中任意一项所述的基于改进神经网络的态势感知方法。
CN202210270724.2A 2022-03-18 2022-03-18 基于改进神经网络的态势感知方法和可读存储介质 Active CN114528558B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202210270724.2A CN114528558B (zh) 2022-03-18 2022-03-18 基于改进神经网络的态势感知方法和可读存储介质

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202210270724.2A CN114528558B (zh) 2022-03-18 2022-03-18 基于改进神经网络的态势感知方法和可读存储介质

Publications (2)

Publication Number Publication Date
CN114528558A CN114528558A (zh) 2022-05-24
CN114528558B true CN114528558B (zh) 2022-08-23

Family

ID=81625869

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202210270724.2A Active CN114528558B (zh) 2022-03-18 2022-03-18 基于改进神经网络的态势感知方法和可读存储介质

Country Status (1)

Country Link
CN (1) CN114528558B (zh)

Citations (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN104794534A (zh) * 2015-04-16 2015-07-22 国网山东省电力公司临沂供电公司 一种基于改进深度学习模型的电网安全态势预测方法
CN107786369A (zh) * 2017-09-26 2018-03-09 广东电网有限责任公司电力调度控制中心 基于irt层次分析和lstm的电力通信网络安全态势感知和预测方法
CN109670720A (zh) * 2018-12-26 2019-04-23 国网河南省电力公司经济技术研究院 一种基于分级指标的含分布式能源的主动配电网评价方法
CN110647900A (zh) * 2019-04-12 2020-01-03 中国人民解放军战略支援部队信息工程大学 基于深度神经网络的安全态势智能预测方法、装置及系统
CN111832017A (zh) * 2020-07-17 2020-10-27 中国移动通信集团广西有限公司 一种面向云的数据库安全态势感知系统
CN113269389A (zh) * 2021-03-29 2021-08-17 中国大唐集团科学技术研究院有限公司 基于深度信念网的网络安全态势评估和态势预测建模方法
CN113554330A (zh) * 2021-07-30 2021-10-26 北京创程科技有限公司 水文信息平台的安全态势感知模型的训练方法及应用方法

Family Cites Families (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US8965578B2 (en) * 2006-07-05 2015-02-24 Battelle Energy Alliance, Llc Real time explosive hazard information sensing, processing, and communication for autonomous operation
US8756693B2 (en) * 2011-04-05 2014-06-17 The United States Of America As Represented By The Secretary Of The Air Force Malware target recognition
CN113783895A (zh) * 2021-11-10 2021-12-10 山东凤和凰城市科技有限公司 一种基于粒子群算法的网络安全态势感知方法

Patent Citations (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN104794534A (zh) * 2015-04-16 2015-07-22 国网山东省电力公司临沂供电公司 一种基于改进深度学习模型的电网安全态势预测方法
CN107786369A (zh) * 2017-09-26 2018-03-09 广东电网有限责任公司电力调度控制中心 基于irt层次分析和lstm的电力通信网络安全态势感知和预测方法
CN109670720A (zh) * 2018-12-26 2019-04-23 国网河南省电力公司经济技术研究院 一种基于分级指标的含分布式能源的主动配电网评价方法
CN110647900A (zh) * 2019-04-12 2020-01-03 中国人民解放军战略支援部队信息工程大学 基于深度神经网络的安全态势智能预测方法、装置及系统
CN111832017A (zh) * 2020-07-17 2020-10-27 中国移动通信集团广西有限公司 一种面向云的数据库安全态势感知系统
CN113269389A (zh) * 2021-03-29 2021-08-17 中国大唐集团科学技术研究院有限公司 基于深度信念网的网络安全态势评估和态势预测建模方法
CN113554330A (zh) * 2021-07-30 2021-10-26 北京创程科技有限公司 水文信息平台的安全态势感知模型的训练方法及应用方法

Non-Patent Citations (4)

* Cited by examiner, † Cited by third party
Title
"Big Data Analysis-Based Security Situational Awareness for Smart Grid";Jun Wu;《IEEE Transactions on Big Data》;20161010;第4卷(第3期);第408-417页 *
"基于大数据的网络态势感知体系架构";毛军礼;《无线电通信技术》;20180423;第40卷(第03期);第217-223页 *
"网络安全态势要素指标体系研究";姚书科;《电子设计工程》;20120620;第20卷(第12期);第85-88页 *
"面向视频专网的网络安全态势指标体系的构建";李欣;《北京航空航天大学学报》;20200426;第46卷(第09期);第1625-1634页 *

Also Published As

Publication number Publication date
CN114528558A (zh) 2022-05-24

Similar Documents

Publication Publication Date Title
CN111126622A (zh) 一种数据异常检测方法与装置
CN102332011B (zh) 一种在轨航天器有效数据选取方法
CN111294819A (zh) 一种网络优化方法及装置
CN108804326A (zh) 一种软件代码自动检测方法
CN111061293A (zh) 多参数耦合的飞行器故障定位方法、飞行器及存储介质
CN113722134A (zh) 一种集群故障处理方法、装置、设备及可读存储介质
CN110809280B (zh) 一种铁路无线网络质量的检测预警方法及装置
CN113297044A (zh) 一种运维风险预警方法及装置
CN107423219B (zh) 一种基于静态分析的软件故障预测技术的构建方法
CN114528558B (zh) 基于改进神经网络的态势感知方法和可读存储介质
CN114218781A (zh) 系统功能与可靠性、安全性及测试性综合建模分析方法
CN110232130A (zh) 元数据管理谱系生成方法、装置、计算机设备和存储介质
CN111090401B (zh) 存储设备性能预测方法及装置
CN112948262A (zh) 一种系统测试方法、装置、计算机设备和存储介质
US20230325640A1 (en) Artificial intelligence-based anomaly detection and prediction
Sanz et al. Leakage localization in water networks using fuzzy logic
CN115378928B (zh) 基于云服务的监控方法及系统
CN111125195A (zh) 一种数据异常检测方法及装置
CN115526531A (zh) 一种小麦质量安全预警方法与系统
CN115994093A (zh) 测试用例推荐方法和装置
CN114565318A (zh) 目标信号的有效性判断方法、处理方法、装置及决策系统
CN114710344A (zh) 一种基于溯源图的入侵检测方法
KR102469610B1 (ko) 데이터 전처리 시스템
JP4461771B2 (ja) 異常挙動検出装置および異常挙動検出方法ならびにプログラム、希少挙動部分系列計算装置
CN113205215A (zh) 一种基于知识的战场态势预测方法

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