CN116094761A - 基于卫星通信的船舶网络安全态势预测方法 - Google Patents

Abstract

本申请涉及一种基于卫星通信的船舶网络安全态势预测方法，该方法包括：根据船舶卫星网络流量数据集构建一个具有时间特征和连续时间维度的第一数据集；对第一数据集内无效数据进行过滤；对网络攻击的威胁等级进行量化；构建GRU网络模型对第一数据集特征信息的流动进行控制；采用自适应训练机制对Transformer模型进行训练，并根据训练后的Transformer模型对GRU网络模型处理后的第一数据集的流量特征进行提取，得到流量长期预测输出结果。上述基于卫星通信的船舶网络安全态势预测方法，针对船舶网络安全态势的数据特点如低带宽、高时延、高丢包率、断连等问题进行了预处理，提高了网络态势长期预测的准确性和鲁棒性。

Description

基于卫星通信的船舶网络安全态势预测方法

技术领域

本申请涉及深度学习、数据挖掘技术领域，特别是涉及一种基于卫星通信的船舶网络安全态势预测方法。

背景技术

近年来，随着航运企业对"智慧航运"的发展需求越来越迫切，相应的对船舶通信的要求也越来越高。以往船端使用窄带卫星通信，传输速率较小，且费用十分昂贵，船上仅能限时、限量使用，不具备实时在线应用的条件，因此船端设备对实时通信的安全性要求不高。然而随着VSAT卫星宽带系统的普及，船端的网络系统和通导设备将实时暴露在卫星网络中，从前期设计的角度来说，二者仅适用于船端相对封闭的局域网系统，并不具备防御外部网络攻击的能力，因此在VSAT卫星宽带通信环境下，船端的网络系统和通导设备存在较大的安全隐患。

预测船舶卫星网络未来的安全态势可以为网络防御提供指导，从而减少网络攻击所带来的不利影响。在船舶通信方面，其船舶卫星通信网络安全尤为重要，因此需要对其通信网络安全态势进行预测，从而保障船舶卫星通信的安全。而如何确保在复杂多变的海事环境下实现对船舶未来可能的卫星网络安全态势进行预测就显得尤为重要。

递归神经网络(RNN)作为一种时间序列分析模型，在处理非线性关系方面有较好的表现。因此，它已广泛用于时间序列预测任务的不同领域。与长短期记忆(LSTM)相比，传统RNN存在梯度消失问题，并且在长期依赖预测问题中表现不佳。为了克服RNN的局限性和梯度消失问题，RNN、LSTM和门控循环单元(GRU)的渐进模型被提出，基于这两种模型的编解码器在机器翻译上都取得了不错的效果。然而，它们的性能会随着序列长度的增加而迅速下降。

发明内容

基于此，有必要针对上述技术问题，提供一种基于卫星通信的船舶网络安全态势预测方法，在对船舶卫星网络安全态势进行长期预测方面性能更好。

一种基于卫星通信的船舶网络安全态势预测方法，所述方法包括：

根据船舶卫星网络流量数据集构建一个具有时间特征和连续时间维度的第一数据集；

对所述第一数据集内无效数据进行过滤；

对网络攻击的威胁等级进行量化；

构建GRU网络模型对所述第一数据集特征信息的流动进行控制；

采用自适应训练机制对Transformer模型进行训练，并根据训练后的Transformer模型对GRU网络模型处理后的所述第一数据集的流量特征进行提取，得到流量长期预测输出结果。

在其中一个实施例中，所述根据船舶卫星网络流量数据集构建一个具有时间特征和连续时间维度的第一数据集，之前还包括：

获取船舶卫星网络流量数据集，该数据集为远洋航行中采集到的真实数据的集合；

选取指定天数的船舶卫星网络流量数据，用于后续第一数据集的构建。

在其中一个实施例中，所述根据船舶卫星网络流量数据集构建一个具有时间特征和连续时间维度的第一数据集，包括：

对具备恶意态势的CICIDS2017数据集与船舶卫星网络流量数据集进行数据融合，构建出满足网络安全态势预测所需的具有时间特征和连续时间维度的第一数据集。

在其中一个实施例中，所述对所述第一数据集内无效数据进行过滤，包括：

采用DTW算法对第一数据集的数据之间的累计距离差异进行判断，并过滤累计距离较大的数据流。

在其中一个实施例中，所述对所述第一数据集内无效数据进行过滤，之后还包括：

对过滤后的所述第一数据集进行独热编码，将其中的分类型特征转为数值；

将所述第一数据集中不同规格的特征转换为同一规格；

采用K近邻算法对所述第一数据集内的差值进行填充。

在其中一个实施例中，所述将所述第一数据集中不同规格的特征转换为同一规格，具体处理公式为：

式中，mean为平均值，σ为标准差。

在其中一个实施例中，所述采用K近邻算法对所述第一数据集内的差值进行填充，具体处理公式为：

式中，μ_i是簇Ci的均值向量。

在其中一个实施例中，所述对网络攻击的威胁等级进行量化，包括：

将威胁等级分为高、中、低三类；

结合权重系数理论与攻击威胁等级分类确定攻击威胁值。

在其中一个实施例中，所述采用自适应训练机制对Transformer模型进行训练，之前还包括：

构建Transformer模型；

使用位置编码提前处理Transformer模型得到的特征值。

在其中一个实施例中，所述根据训练后的Transformer模型对GRU网络模型处理后的所述第一数据集的流量特征进行提取，得到流量长期预测输出结果，包括：

采用Transformer编码器对GRU网络模型处理后的所述第一数据集的流量特征进行相关性提取，并输出提取到的流量序列特征；

采用Transformer解码器对Transformer编码器提取到的流量序列特征进行解码，得到流量长期预测输出结果。

上述基于卫星通信的船舶网络安全态势预测方法，通过船舶的原始数据集生成具有时间特征和连续时间维度的第一数据集，然后对第一数据集的噪声及危险等级量化等操作进行数据预处理，然后通过GRU模型对第一数据集的特征进行降维，最后通过Transformer模型实现网络态势的长期预测，该方法针对船舶网络安全态势的数据特点如低带宽、高时延、高丢包率、断连等问题进行了预处理，提高了网络态势长期预测的准确性和鲁棒性。

附图说明

图1为一个实施例的基于卫星通信的船舶网络安全态势预测方法流程图。

具体实施方式

为使本申请实施例的目的、技术方案和优点更加清楚，下面将结合本申请实施例中的附图，对本申请实施例中的技术方案进行清楚、完整地说明，显然，所描述的实施例是本申请一部分实施例，而不是全部的实施例。基于本申请中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本申请保护的范围。

需要说明的是，当组件被称为“固定于”或“设置于”另一个组件，它可以直接在另一个组件上或者也可以存在居中的组件。当一个组件被认为是“连接”另一个组件，它可以是直接连接到另一个组件或者可能同时存在居中组件。本申请的说明书所使用的术语“垂直的”、“水平的”、“上”、“下”、“左”、“右”以及类似的表述只是为了说明的目的，并不表示是唯一的实施方式。

此外，术语“第一”、“第二”仅用于描述目的，而不能理解为指示或暗示相对重要性或者隐含指明所指示的技术特征的数量。由此，限定有“第一”、“第二”的特征可以明示或者隐含地包括至少一个该特征。在本申请的描述中，“多个”的含义是至少两个，例如两个，三个等，除非另有明确具体的限定。

在本申请中，除非另有明确的规定和限定，第一特征在第二特征“上”、“下”可以是第一特征直接和第二特征接触，或第一特征和第二特征间接地通过中间媒介接触。而且，第一特征在第二特征“之上”、“上方”和“上面”可是第一特征在第二特征正上方或斜上方，或仅表示第一特征水平高度高于第二特征。第一特征在第二特征“之下”、“下方”和“下面”可以是第一特征在第二特征正下方或斜下方，或仅表示第一特征水平高度小于第二特征。

除非另有定义，本申请的说明书所使用的所有的技术和科学术语与属于本申请的技术领域的技术人员通常理解的含义相同。在本申请的说明书中所使用的术语只是为了描述具体的实施方式的目的，不是旨在于限制本申请。本申请的说明书所使用的术语“及/或”包括一个或多个相关的所列项目的任意的和所有的组合。

如图1所示，在一个实施例中，一种基于卫星通信的船舶网络安全态势预测方法，包括以下步骤：

步骤S110，根据船舶卫星网络流量数据集构建一个具有时间特征和连续时间维度的第一数据集。

具体的，获得带有海事背景的船舶卫星网络通信数据集。通用的公开数据集是基于内陆高带宽、低时延、丢包率低的特点建立的，不能适用于远洋船舶网络态势预测。因此本实施例中采用某航运集团远洋航行中采集到的真实数据，选取指定天数的船舶卫星网络流量数据，用于后续第一数据集的构建，例如，选取7天内的历史数据，共达80G数据。

步骤S120，对第一数据集内无效数据进行过滤。

具体的，由于第一数据集中的信息包含大量噪声，因此需要提前筛选出其中的无效数据，需要说明的是，对第一数据集内无效数据进行过滤的目的是减少数据集中噪声的影响，而不是减少正常流量的份额。

步骤S130，对网络攻击的威胁等级进行量化。

具体的，设定威胁等级及威胁值，且威胁等级越高则威胁值越高。根据特征指标将融合后的数据集进行数值的量化，方便后续预测操作。

步骤S140，构建GRU网络模型对第一数据集特征信息的流动进行控制。

具体的，GRU仅有两个门，分别为重置门rt和更新门zt，计算方式为

r_t＝σ(W_rx_t+U_rh_t-1)；

z_t＝σ(W_zx_t+U_zh_t-1)，

式中，σ为sigmoid激活函数；t∈{1,2,…,T}；ht-1为前一个时间的隐藏状态；Wr、Wz、Ur和Uz为权值矩阵，对于给定的时间步t，输入就是Xt。通过重置门r，可以得到一个新的隐藏状态

即

式中，tanh为激活函数；W和U为权值矩阵，表示逐元素相乘。通过更新门z，可以得到当前隐藏状态h_t，计算方式为

式中，当前隐藏状态h_t为降维的结果。该步骤用于降维处理。

步骤S150，采用自适应训练机制对Transformer模型进行训练，并根据训练后的Transformer模型对GRU网络模型处理后的第一数据集的流量特征进行提取，得到流量长期预测输出结果。

上述基于卫星通信的船舶网络安全态势预测方法，通过船舶的原始数据集生成具有时间特征和连续时间维度的第一数据集，然后对第一数据集的噪声及危险等级量化等操作进行数据预处理，然后通过GRU模型对第一数据集的特征进行降维，最后通过Transformer模型实现网络态势的长期预测，该方法针对船舶网络安全态势的数据特点如低带宽、高时延、高丢包率、断连等问题进行了预处理，提高了网络态势长期预测的准确性和鲁棒性。

在本实施例中，根据船舶卫星网络流量数据集构建一个具有时间特征和连续时间维度的第一数据集，具体包括：

对具备恶意态势的CICIDS2017数据集与船舶卫星网络流量数据集进行数据融合，构建出满足网络安全态势预测所需的具有时间特征和连续时间维度的数据集。

在本实施例中，对第一数据集内无效数据进行过滤，具体包括：

采用DTW算法对第一数据集的数据之间的累计距离差异进行判断，并过滤累计距离较大的数据流。

具体的，此处将问题视为时间序列上的相似性比较任务，这里根据威胁流量的特征处理数据的主要目的是减少数据集中噪声的影响，而不是减少正常流量的份额。DTW算法被用来寻找具有不同时间和幅度的两个序列之间的最佳比对，通过将一个序列扭曲到另一个序列来实现两个序列的拟合或对齐。如输入两个时间序列(时间长度不一定相同)，分别计算两个序列对应点之间的距离，并构造一个距离矩阵。通过动态规划在矩阵中找到最短路径，该路径需要同时满足边界条件、连续性和单调性三个特征，即到达点(i，j)的上一个位置只能通过(i-1，j)，(i，j-1)和(i-1，j-1)，最后回溯回拟合路径。

对于任意的两个时间序列X和Y，其DTW为

D_dww(X，Y)＝||x₁-y₁||_p+D_min

式中，D_dww(X，Y)为X与Y间的DTW，||x₁-y₁||_p为数据点x₁和y₁之间的距离，D_min可表示为

D_min＝min{D_dtw(X，Rest(Y))，D_dtw(Rest(X)，Rest(Y))，D_dww(Rest(X)，Y)}

其中，Rest(X)＝{x2，x3，…，xn}，Rest(Y)＝{y2，y3，…，ym}。

累计距离为：

式中，N为最高维度值，x_in和y_jn分别表示x_i和y_j在第n维的值，需要说明的是，本实施例中的m取3。

在本实施例中，对第一数据集内无效数据进行过滤，之后还包括：

对过滤后的第一数据集进行独热编码，将其中的分类型特征转为数值。

将第一数据集中不同规格的特征转换为同一规格。

采用K近邻算法对第一数据集内的差值进行填充。

在本实施例中，将第一数据集中不同规格的特征转换为同一规格，具体处理公式为：

式中，mean为平均值，σ为标准差。

在本实施例中，采用K近邻算法对第一数据集内的差值进行填充，具体处理公式为：

式中，μi是簇Ci的均值向量。

在本实施例中，对网络攻击的威胁等级进行量化，具体包括：

将威胁等级分为高、中、低三类。

结合权重系数理论与攻击威胁等级分类确定攻击威胁值。

具体的，根据威胁等级越高，威胁值越高的原则，利用权重系数分布函数将威胁等级预测为0到1之间。

其中，n表示攻击类型的数量，i表示攻击类型的顺序。

在本实施例中，采用自适应训练机制对Transformer模型进行训练，之前还包括：

构建Transformer模型。

使用位置编码提前处理Transformer模型得到的特征值。

具体的，Transformer没有RNN那样的循环结构，会丢失保存的时间信息。为了弥补这个缺点，为了使得模型更好的学习到时间序列的顺序，使用位置编码提前处理得到的特征值。即

其中：p表示当前位置，2i为偶数的维度，2i+1为奇数的维度，dmodel为输入特征的数量。当下标含2i时，P表示维度为偶数时获得的位置信息，当下标含2i+1时，P表示维度为奇数时获得的位置信息。

为了防止网络退化和加速收敛，Transformer编码器内部还使用了残差连接和层归一化。同时，使用多头注意力机制更好的训练数据，多头注意力函数(M_MHA)的计算方式为

M_MHA(Q,K,V)＝Concat(h₁,h₂,…,h_h′)W^O

其中，W^O为权值矩阵；Concat为拼接操作，h_i为第i头的特征值，

和

均为第i头的输入对应的权值矩阵。

考虑到模型可能存在过拟合，在全连接层前增加全局平均池化操作。该模型的整体架构使用了因果卷积多头自注意力模块、因果膨胀卷积和全连接神经网络等组件，并使用了各种有助于深度网络学习优化的技术，如残差链接、归一化、正则化等，提高模型的整体并行度，提高模型的收敛速度。

采用自适应的训练机制进行模型训练，模型训练时采用Adam优化器,利用Transformer模型对GRU处理后的长序列进行自适应提取，具体包括以下步骤：

其中，Xi为二维矩阵数据X的第i行的历史流量信息，E是线性矩阵，B_pos为位置编码向量；d_model为线性映射维度。

在本实施例中，根据训练后的Transformer模型对GRU网络模型处理后的第一数据集的流量特征进行提取，得到流量长期预测输出结果，具体包括：

采用Transformer编码器对GRU网络模型处理后的第一数据集的流量特征进行相关性提取，并输出提取到的流量序列特征。

采用Transformer解码器对Transformer编码器提取到的流量序列特征进行解码，得到流量长期预测输出结果。

具体的，Transformer编码器由L层相同的注意力模块组成。此外，对残差计算的结果进行层归一化(LN)操作，每层计算方式如下：

Z′_l＝MSA(LN(Z_1-1))+Z_1-1,1...L

Z₁₊₁＝MLP(LN(Z′₁))+Z₁,1＝1…L

其中，MSA表示多头注意力机制模型，LN表示层标准化，MLP表示全连接前馈神经网络，Zl表示Transformer编码器第l层所提取的特征；最终Transformer编码器输出提取到的流量序列特征S为：S＝LN(ZL)。

采用Transformer解码器对Transformer编码器提取到的流量序列特征S进行解码，得到最终的流量长期预测输出结果y＝{y1,y2,...,y length}，length表示长期预测的步长；预测时采用自回归的方式，即下一时刻的输入流量值依赖于上一时刻的输出流量值。

以上所述实施例的各技术特征可以进行任意的组合，为使描述简洁，未对上述实施例中的各个技术特征所有可能的组合都进行描述，然而，只要这些技术特征的组合不存在矛盾，都应当认为是本说明书记载的范围。

以上所述实施例仅表达了本申请的几种实施方式，其描述较为具体和详细，但并不能因此而理解为对本申请专利范围的限制。应当指出的是，对于本领域的普通技术人员来说，在不脱离本申请构思的前提下，还可以做出若干变形和改进，这些都属于本申请的保护范围。因此，本申请专利的保护范围应以所附权利要求为准。

Claims (10)

1.一种基于卫星通信的船舶网络安全态势预测方法，其特征在于，所述方法包括：

根据船舶卫星网络流量数据集构建一个具有时间特征和连续时间维度的第一数据集；

对所述第一数据集内无效数据进行过滤；

对网络攻击的威胁等级进行量化；

构建GRU网络模型对所述第一数据集特征信息的流动进行控制；

采用自适应训练机制对Transformer模型进行训练，并根据训练后的Transformer模型对GRU网络模型处理后的所述第一数据集的流量特征进行提取，得到流量长期预测输出结果。

2.根据权利要求1所述的基于卫星通信的船舶网络安全态势预测方法，其特征在于，所述根据船舶卫星网络流量数据集构建一个具有时间特征和连续时间维度的第一数据集，之前还包括：

获取船舶卫星网络流量数据集，该数据集为远洋航行中采集到的真实数据的集合；

选取指定天数的船舶卫星网络流量数据，用于后续第一数据集的构建。

3.根据权利要求2所述的基于卫星通信的船舶网络安全态势预测方法，其特征在于，所述根据船舶卫星网络流量数据集构建一个具有时间特征和连续时间维度的第一数据集，包括：

对具备恶意态势的CICIDS2017数据集与船舶卫星网络流量数据集进行数据融合，构建出满足网络安全态势预测所需的具有时间特征和连续时间维度的第一数据集。

4.根据权利要求3所述的基于卫星通信的船舶网络安全态势预测方法，其特征在于，所述对所述第一数据集内无效数据进行过滤，包括：

采用DTW算法对第一数据集的数据之间的累计距离差异进行判断，并过滤累计距离较大的数据流。

5.根据权利要求4所述的基于卫星通信的船舶网络安全态势预测方法，其特征在于，所述对所述第一数据集内无效数据进行过滤，之后还包括：

对过滤后的所述第一数据集进行独热编码，将其中的分类型特征转为数值；

将所述第一数据集中不同规格的特征转换为同一规格；

采用K近邻算法对所述第一数据集内的差值进行填充。

6.根据权利要求5所述的基于卫星通信的船舶网络安全态势预测方法，其特征在于，所述将所述第一数据集中不同规格的特征转换为同一规格，具体处理公式为：

式中，mean为平均值，σ为标准差。

7.根据权利要求6所述的基于卫星通信的船舶网络安全态势预测方法，其特征在于，所述采用K近邻算法对所述第一数据集内的差值进行填充，具体处理公式为：

式中，μi是簇Ci的均值向量。

8.根据权利要求7所述的基于卫星通信的船舶网络安全态势预测方法，其特征在于，所述对网络攻击的威胁等级进行量化，包括：

将威胁等级分为高、中、低三类；

结合权重系数理论与攻击威胁等级分类确定攻击威胁值。

9.根据权利要求8所述的基于卫星通信的船舶网络安全态势预测方法，其特征在于，所述采用自适应训练机制对Transformer模型进行训练，之前还包括：

构建Transformer模型；

使用位置编码提前处理Transformer模型得到的特征值。

10.根据权利要求9所述的基于卫星通信的船舶网络安全态势预测方法，其特征在于，所述根据训练后的Transformer模型对GRU网络模型处理后的所述第一数据集的流量特征进行提取，得到流量长期预测输出结果，包括：

采用Transformer编码器对GRU网络模型处理后的所述第一数据集的流量特征进行相关性提取，并输出提取到的流量序列特征；

采用Transformer解码器对Transformer编码器提取到的流量序列特征进行解码，得到流量长期预测输出结果。

Images