CN117278313A - 一种计算机网络结构优化的安全检测方法及系统 - Google Patents
一种计算机网络结构优化的安全检测方法及系统 Download PDFInfo
- Publication number
- CN117278313A CN117278313A CN202311367598.3A CN202311367598A CN117278313A CN 117278313 A CN117278313 A CN 117278313A CN 202311367598 A CN202311367598 A CN 202311367598A CN 117278313 A CN117278313 A CN 117278313A
- Authority
- CN
- China
- Prior art keywords
- risk coefficient
- optimization
- switch
- sets
- memory occupancy
- 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- Withdrawn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
- 238000005457 optimization Methods 0.000 title claims abstract description 157
- 238000001514 detection method Methods 0.000 title claims abstract description 98
- 238000000034 method Methods 0.000 claims abstract description 37
- 238000004364 calculation method Methods 0.000 claims description 18
- 238000012423 maintenance Methods 0.000 claims description 15
- 239000011159 matrix material Substances 0.000 claims description 14
- 230000001186 cumulative effect Effects 0.000 claims description 13
- 230000008439 repair process Effects 0.000 claims description 11
- 238000012502 risk assessment Methods 0.000 claims description 11
- 230000003044 adaptive effect Effects 0.000 claims description 9
- 230000008569 process Effects 0.000 claims description 6
- 238000013461 design Methods 0.000 claims description 5
- 230000008859 change Effects 0.000 claims description 4
- 238000004590 computer program Methods 0.000 claims description 2
- 238000007689 inspection Methods 0.000 claims 1
- 238000012545 processing Methods 0.000 description 6
- 206010063385 Intellectualisation Diseases 0.000 description 4
- 238000010586 diagram Methods 0.000 description 4
- 230000000903 blocking effect Effects 0.000 description 1
- 230000006870 function Effects 0.000 description 1
- 230000009545 invasion Effects 0.000 description 1
- 238000002955 isolation Methods 0.000 description 1
- 238000003062 neural network model Methods 0.000 description 1
- 230000008707 rearrangement Effects 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 238000012549 training Methods 0.000 description 1
Landscapes
- Data Exchanges In Wide-Area Networks (AREA)
Abstract
本发明公开了一种计算机网络结构优化的安全检测方法及系统，应用于网络优化技术领域，通过采集N个交换机矩阵；生成第一检测结果；生成N个第一子风险系数集，N个第一子风险系数集通过遍历N个控制单元的N个交换机矩阵进行端口状态分析生成；生成N个第二子风险系数集，N个第二子风险系数集通过遍历N个交换机矩阵进行设备冗余分析获得；基于第一安全风险系数匹配优化步调，生成预设优化步调，生成第二检测结果；根据第一检测结果和第二检测结果对目标网络的结构进行优化，生成目标优化方案。解决了现有技术中计算机网络安全检测方法存在检测滞后性强，网络安全优化方案智能性低，对整体网络系统的运行稳定性影响较大的技术问题。
Description
技术领域
本发明涉及网络优化领域，尤其涉及一种计算机网络结构优化的安全检测方法及系统。
背景技术
计算机网络安全优化是基于目标网络的结构设计特征进行的网络结构优化方案。计算机网络在遭受网络攻击时通过对对应设备进行网络阻断即可终止对计算机网络系统的控制。然而，在现有技术中，对于计算机网络的安全检测方法滞后性较强，并且在基于网络安全进行计算机网络结构优化时优化方案智能化较低，对于整体网络系统的运行稳定性影响较大。
因此，在现有技术中计算机网络安全检测方法存在检测滞后性强，网络安全优化方案智能性低，对整体网络系统的运行稳定性影响较大的技术问题。
发明内容
本申请通过提供一种计算机网络结构优化的安全检测方法及系统，解决了在现有技术中计算机网络安全检测方法存在检测滞后性强，网络安全优化方案智能性低，对整体网络系统的运行稳定性影响较大的技术问题。
本申请提供一种计算机网络结构优化的安全检测方法，所述方法包括：采集N个交换机矩阵，所述N个交换机矩阵是通过获取目标网络系统的N个控制单元，并采集每个控制单元内的交换机信息生成的，其中，每个交换机矩阵包含多个交换机，且每个交换机具有位置标识；生成第一检测结果，其中，所述第一检测结果包括第一安全风险系数，所述第一安全风险系数通过对预设历史窗口内所述目标网络系统的工作日志进行风险系数识别获得；生成N个第一子风险系数集，所述N个第一子风险系数集通过遍历所述N个控制单元的N个交换机矩阵进行端口状态分析生成；生成N个第二子风险系数集，所述N个第二子风险系数集通过遍历所述N个交换机矩阵进行设备冗余分析获得；基于所述第一安全风险系数匹配优化步调，生成预设优化步调；生成第二检测结果，其中，所述第二检测结果包括N个第二风险系数集，所述N个第二风险系数集是基于所述N个第一子风险系数集和N个第二子风险系数集进行N个交换矩阵中多个交换机的安全风险分析获得，每个第二风险系数对应一个交换机；根据第一检测结果和第二检测结果对目标网络的结构进行优化，生成目标优化方案，其中，所述目标优化方案为基于预设优化步调和N个第二风险系数集，分别对N个控制单元的结构调整进行迭代优化后获得的最优优化方案。
本申请还提供了一种计算机网络结构优化的安全检测系统，所述系统包括：矩阵获取模块，用于采集N个交换机矩阵，所述N个交换机矩阵是通过获取目标网络系统的N个控制单元，并采集每个控制单元内的交换机信息生成的，其中，每个交换机矩阵包含多个交换机，且每个交换机具有位置标识；第一检测模块，用于生成第一检测结果，其中，所述第一检测结果包括第一安全风险系数，所述第一安全风险系数通过对预设历史窗口内所述目标网络系统的工作日志进行风险系数识别获得；第一风险系数获取模块，用于生成N个第一子风险系数集，所述N个第一子风险系数集通过遍历所述N个控制单元的N个交换机矩阵进行端口状态分析生成；第二风险系数获取模块，用于生成N个第二子风险系数集，所述N个第二子风险系数集通过遍历所述N个交换机矩阵进行设备冗余分析获得；优化步调获取模块，用于基于所述第一安全风险系数匹配优化步调，生成预设优化步调；风险分析模块，用于生成第二检测结果，其中，所述第二检测结果包括N个第二风险系数集，所述N个第二风险系数集是基于所述N个第一子风险系数集和N个第二子风险系数集进行N个交换矩阵中多个交换机的安全风险分析获得，每个第二风险系数对应一个交换机；优化方案获取模块，用于根据第一检测结果和第二检测结果对目标网络的结构进行优化，生成目标优化方案，其中，所述目标优化方案为基于预设优化步调和N个第二风险系数集，分别对N个控制单元的结构调整进行迭代优化后获得的最优优化方案。
本申请还提供了一种电子设备，包括：
存储器，用于存储可执行指令；
处理器，用于执行所述存储器中存储的可执行指令时，实现本申请提供的一种计算机网络结构优化的安全检测方法。
本申请提供一种计算机可读存储介质，存储有计算机程序，该程序被处理器执行时，实现本申请提供的一种计算机网络结构优化的安全检测方法。
拟通过本申请提出的一种计算机网络结构优化的安全检测方法及系统，通过采集N个交换机矩阵。生成第一检测结果。生成N个第一子风险系数集，N个第一子风险系数集通过遍历N个控制单元的N个交换机矩阵进行端口状态分析生成。生成N个第二子风险系数集，N个第二子风险系数集通过遍历N个交换机矩阵进行设备冗余分析获得。基于第一安全风险系数匹配优化步调，生成预设优化步调，生成第二检测结果。根据第一检测结果和第二检测结果对目标网络的结构进行优化，生成目标优化方案。从而降低了网络安全检测的滞后性，提高了网络安全优化方案智能化，进一步降低网络安全优化方案对整体网络系统运行的影响。解决了现有技术中计算机网络安全检测方法存在检测滞后性强，网络安全优化方案智能性低，对整体网络系统的运行稳定性影响较大的技术问题。
上述说明仅是本申请技术方案的概述，为了能够更清楚了解本申请的技术手段，而可依照说明书的内容予以实施，并且为了让本申请的上述和其它目的、特征和优点能够更明显易懂，以下特举本申请的具体实施方式。
附图说明
为了更清楚地说明本公开实施例的技术方案，下面将对本公开实施例的附图作简单地介绍。明显地，下面描述中的附图仅仅涉及本公开的一些实施例，而非对本公开的限制。
图1为本申请实施例提供的一种计算机网络结构优化的安全检测方法的流程示意图；
图2为本申请实施例提供的一种计算机网络结构优化的安全检测方法获取第一安全风险系数的流程示意图；
图3为本申请实施例提供的一种计算机网络结构优化的安全检测方法获取第一迭代内存占用率的流程示意图；
图4为本申请实施例提供的一种计算机网络结构优化的安全检测方法的系统的结构示意图；
图5为本发明实施例提供的一种计算机网络结构优化的安全检测方法的系统电子设备的结构示意图。
附图标记说明：矩阵获取模块11，第一检测模块12，第一风险系数获取模块13，第二风险系数获取模块14，优化步调获取模块15，风险分析模块16，优化方案获取模块17，处理器31，存储器32，输入装置33，输出装置34。
具体实施方式
实施例一
为了使本申请的目的、技术方案和优点更加清楚，下面将结合附图对本申请作进一步地详细描述，所描述的实施例不应视为对本申请的限制，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它实施例，都属于本申请保护的范围。
在以下的描述中，涉及到“一些实施例”，其描述了所有可能实施例的子集，但是可以理解，“一些实施例”可以是所有可能实施例的相同子集或不同子集，并且可以在不冲突的情况下相互结合。
在以下的描述中，所涉及的术语“第一\第二\第三”仅仅是区别类似的对象，不代表针对对象的特定排序，可以理解地，“第一\第二\第三”在允许的情况下可以互换特定的顺序或先后次序，以使这里描述的本申请实施例能够以除了在这里图示或描述的以外的顺序实施。
除非另有定义，本文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。本文中所使用的术语只是为了描述本申请实施例的目的。
虽然本申请对根据本申请的实施例的系统中的某些模块做出了各种引用，然而，任何数量的不同模块可以被使用并运行在用户终端和/或服务器上，所述模块仅是说明性的，并且所述系统和方法的不同方面可以使用不同模块。
本申请中使用了流程图来说明根据本申请的实施例的系统所执行的操作。应当理解的是，前面或下面操作不一定按照顺序来精确地执行。相反，根据需要，可以按照倒序或同时处理各种步骤。同时，也可以将其他操作添加到这些过程中，或从这些过程移除某一步或数步操作。
如图1所示，本申请实施例提供了一种计算机网络结构优化的安全检测方法，所述方法包括：
采集N个交换机矩阵，所述N个交换机矩阵是通过获取目标网络系统的N个控制单元，并采集每个控制单元内的交换机信息生成的，其中，每个交换机矩阵包含多个交换机，且每个交换机具有位置标识；
生成第一检测结果，其中，所述第一检测结果包括第一安全风险系数，所述第一安全风险系数通过对预设历史窗口内所述目标网络系统的工作日志进行风险系数识别获得；
生成N个第一子风险系数集，所述N个第一子风险系数集通过遍历所述N个控制单元的N个交换机矩阵进行端口状态分析生成；
通过采集N个交换机矩阵，所述N个交换机矩阵是通过获取目标网络系统的N个控制单元，并采集每个控制单元内的交换机信息生成的，其中，每个交换机矩阵包含多个交换机，且每个交换机具有位置标识。随后，生成第一检测结果，其中，所述第一检测结果包括第一安全风险系数，所述第一安全风险系数通过对预设历史窗口内所述目标网络系统的工作日志进行风险系数识别获得，即第一检测结果通过对预设的历史时间区间内的目标网络系统的工作日志进行风险系数识别获得，在工作日志中包含是否受到用户端的入侵，以及成功入侵的频次数据。生成N个第一子风险系数集，所述N个第一子风险系数集通过遍历所述N个控制单元的N个交换机矩阵进行端口状态分析生成。
如图2所示，本申请实施例提供的方法还包括：
遍历所述目标网络系统在预设历史窗口内的工作日志，统计入侵成功的记录与总入侵记录的比值，生成第一安全风险因子；
采集所述目标网络系统的Q个网络设备进行累积损耗分析，根据Q个损耗分析结果进行加权计算，生成第二安全风险因子；
根据所述第一安全风险因子和所述第二安全风险因子进行综合分析，生成第一安全风险系数。
在获取第一安全风险系数时，通过遍历所述目标网络系统在预设历史窗口内的工作日志，统计入侵成功的记录与总入侵记录的比值，生成第一安全风险因子。随后，采集所述目标网络系统的Q个网络设备进行累积损耗分析，即从设备使用寿命和设备受攻击后的维修时长、维修次数进行累积损耗分析，根据Q个损耗分析结果进行加权计算，生成第二安全风险因子。根据所述第一安全风险因子和所述第二安全风险因子进行综合分析即通过对第一安全风险因子和所述第二安全风险因子进行加权计算具体权重设置可以基于实际的运行需求进行设置，生成第一安全风险系数。
本申请实施例提供的方法还包括：
构建累积损耗公式，所述累积损耗公式为：
其中，Li为第i个网络设备的累积损耗，ni为第i个网络设备维修的次数，为第i个网络设备发生第j次维修时对硬件的损耗，kij为第i个网络设备发生第j次维修时需要维修的硬件数量，tij为第i个网络设备发生第j次维修时的维修时长，xi为第i个网络设备的设计寿命，/>为第i个网络设备的使用寿命；
采集所述Q个网络设备的故障维修信息和寿命信息，利用累积损耗公式进行累积损耗分析，生成Q个损耗分析结果。
在进行累积损耗分析时，通过构建累积损耗公式，所述累积损耗公式为：
其中，Li为第i个网络设备的累积损耗，ni为第i个网络设备维修的次数，为第i个网络设备发生第j次维修时对硬件的损耗，kij为第i个网络设备发生第j次维修时需要维修的硬件数量，tij为第i个网络设备发生第j次维修时的维修时长，xi为第i个网络设备的设计寿命，/>为第i个网络设备的使用寿命。进一步，采集所述Q个网络设备的故障维修信息和寿命信息，将采集获取的信息输入累积损耗公式中，利用累积损耗公式进行累积损耗分析，生成Q个损耗分析结果。
生成N个第二子风险系数集，所述N个第二子风险系数集通过遍历所述N个交换机矩阵进行设备冗余分析获得；
基于所述第一安全风险系数匹配优化步调，生成预设优化步调；
生成第二检测结果，其中，所述第二检测结果包括N个第二风险系数集，所述N个第二风险系数集是基于所述N个第一子风险系数集和N个第二子风险系数集进行N个交换矩阵中多个交换机的安全风险分析获得，每个第二风险系数对应一个交换机；
根据第一检测结果和第二检测结果对目标网络的结构进行优化，生成目标优化方案，其中，所述目标优化方案为基于预设优化步调和N个第二风险系数集，分别对N个控制单元的结构调整进行迭代优化后获得的最优优化方案。
生成N个第二子风险系数集，所述N个第二子风险系数集通过遍历所述N个交换机矩阵进行设备冗余分析获得，在进行设备冗余分析时分析对象为对于优化信息的处理能力，若是处理能力差，则在优化过程中被入侵的可能性越高，而处理能力的直接体现即为内存利用率，内存利用率高则说明处理能力差，内存利用率低则说明处理能力较好，在获取第二子风险系数集时通过确定在预设历史窗口内的内存利用率。基于所述第一安全风险系数匹配优化步调，其中，优化步调为进行网络结构优化时的优化幅度，示例性的如交换机的关闭或隔离数量，具体根据网络系统的整体运行情况确定，生成预设优化步调。且第一安全风险系数越高对应的优化步调越高。生成第二检测结果，其中，所述第二检测结果包括N个第二风险系数集，所述N个第二风险系数集是基于所述N个第一子风险系数集和N个第二子风险系数集进行N个交换矩阵中多个交换机的安全风险分析获得，每个第二风险系数对应一个交换机。最后，根据第一检测结果和第二检测结果对目标网络的结构进行优化，生成目标优化方案，其中，所述目标优化方案为基于预设优化步调和N个第二风险系数集，分别对N个控制单元的结构调整进行迭代优化后获得的最优优化方案。从而降低了网络安全检测的滞后性，提高了网络安全优化方案智能化，进一步降低网络安全优化方案对整体网络系统运行的影响。
如图3所示，本申请实施例提供的方法还包括：
遍历所述N个交换机矩阵在预设历史时间窗口内的内存占用率变化数据，生成N个内存占用率集，每个内存占用率集中包括多个内存占用率数据集，每个内存占用率数据集对应一个交换机；
从所述N个内存占用率集中随机选取第一内存占用率数据集，并获得所述第一内存占用率数据集的均值，生成第一平均内存占用率；
基于所述第一平均内存占用率按照预设移动步长在所述第一内存占用率数据集中进行移动，生成第一迭代内存占用率。
遍历所述N个交换机矩阵在预设历史时间窗口内的内存占用率变化数据，生成N个内存占用率集，每个内存占用率集中包括多个内存占用率数据集，每个内存占用率数据集对应一个交换机。随后，从所述N个内存占用率集中随机选取第一内存占用率数据集，并获得所述第一内存占用率数据集的均值，生成第一平均内存占用率。最后，基于所述第一平均内存占用率按照预设移动步长在所述第一内存占用率数据集中进行移动，其中，预设移动步长为预先设定的内存占用率移动范围，生成第一迭代内存占用率。
本申请实施例提供的方法还包括：
判断所述第一平均内存占用率的第一平均云密度是否大于第一迭代内存占用率的第一迭代云密度，若是，则将第一平均内存占用率作为第一阶段内存占用率，若否，则将第一迭代内存占用率作为第一阶段内存占用率；
经过多次迭代，将迭代过程中云密度最大的第一阶段内存占用率作为第一目标内存占用率，将第一目标内存占用率的倒数作为对应交换机的第二子风险系数；
根据N个内存占用率集，生成N个第二风险系数集。
判断所述第一平均内存占用率的第一平均云密度是否大于第一迭代内存占用率的第一迭代云密度，其中，云密度为计算预设移动步长内占用率数据的数量，比上预设移动步长的比值。若是，则当前第一平均内存占用率的数据集中度较高，则将第一平均内存占用率作为第一阶段内存占用率，若否，则当前第一迭代内存占用率的数据集中度较高，则将第一迭代内存占用率作为第一阶段内存占用率。最后，经过多次迭代，将迭代过程中云密度最大的第一阶段内存占用率作为第一目标内存占用率，将第一目标内存占用率的倒数作为对应交换机的第二子风险系数。
本申请实施例提供的方法还包括：
分别将N个第二风险系数集的均值比上N个第二风险系数集总和的比值，与预设优化步调进行相乘，生成N个适应性优化步调；
采集N个控制单元内每个交换机占据的算力情况，生成N个交换机算力分配结果；
基于N个适应性优化步调、N个交换机算力分配结果分别对N个控制单元内的N个交换机矩阵进行多次结构优化，生成多个结构优化方案集，其中，所述结构优化方案集为对一个控制单元内交换机矩阵中的交换机进行关闭。
分别将N个第二风险系数集的均值比上N个第二风险系数集总和的比值，与预设优化步调进行相乘，生成N个适应性优化步调，即获取每个交换机矩阵的优化步调。随后，采集N个控制单元内每个交换机占据的算力情况，生成N个交换机算力分配结果，由于矩阵内部分交换机虽然风险系数高，但是在控制单元中算力占比较小，对其进行关闭，对于优化目标网络的影响较小。最后，基于N个适应性优化步调，N个交换机算力分配结果分别对N个控制单元内的N个交换机矩阵进行多次结构优化，生成多个结构优化方案集，其中，多个结构优化方案集为对N个控制单元内的N个交换机矩阵的不同优化方案。在获取多个结构优化方案集时通过获取历史优化数据，基于N个适应性优化步调、N个交换机算力分配结果进行历史优化数据遍历，获取对N个控制单元内的N个交换机矩阵的多次优化方案。其中，所述结构优化方案集为对一个控制单元内交换机矩阵中的交换机进行关闭。
本申请实施例提供的方法还包括：
遍历所述多个结构优化方案集进行安全适应度分析，获得多个安全适应度集；
基于所述多个安全适应度集确定目标优化方案，其中，所述目标优化方案包括多个目标结构优化方案，每个目标结构优化方案对应一个控制单元。
遍历多个结构优化方案集进行安全适应度分析，获得多个安全适应度集。在获取适应度时，通过获取历史数据中的历史结构优化方案集并进行各历史结构优化方案集对应的安全适应度集标识，根据历史结构优化方案集以及对应的安全适应度集标识数据作为训练数据，对神经网络模型进行监督训练，直至模型输出的安全适应度集满足预设准确率时完成对模型的训练，获取适应度模型。将多个结构优化方案集输入适应度模型获取对应的多个安全适应度集。基于所述多个安全适应度集确定目标优化方案，即根据多个安全适应度集获取其中安全适应度集最大的适应度对应的结构优化方案集，作为目标优化方案。其中，所述目标优化方案包括多个目标结构优化方案，每个目标结构优化方案对应一个控制单元。
本发明实施例所提供的技术方案，通过采集N个交换机矩阵。生成第一检测结果。生成N个第一子风险系数集，所述N个第一子风险系数集通过遍历所述N个控制单元的N个交换机矩阵进行端口状态分析生成。生成N个第二子风险系数集，所述N个第二子风险系数集通过遍历所述N个交换机矩阵进行设备冗余分析获得。基于所述第一安全风险系数匹配优化步调，生成预设优化步调。生成第二检测结果，其中，所述第二检测结果包括N个第二风险系数集。根据第一检测结果和第二检测结果对目标网络的结构进行优化，生成目标优化方案。从而降低了网络安全检测的滞后性，提高了网络安全优化方案智能化，进一步降低网络安全优化方案对整体网络系统运行的影响。解决了现有技术中计算机网络安全检测方法存在检测滞后性强，网络安全优化方案智能性低，对整体网络系统的运行稳定性影响较大的技术问题。
实施例二
基于与前述实施例中一种计算机网络结构优化的安全检测方法同样发明构思，本发明还提供了一种计算机网络结构优化的安全检测方法的系统，系统可以由硬件和/或软件的方式来实现，一般可集成于电子设备中，用于执行本发明任意实施例所提供的方法。如图4所示，所述系统包括：
矩阵获取模块11，用于采集N个交换机矩阵，所述N个交换机矩阵是通过获取目标网络系统的N个控制单元，并采集每个控制单元内的交换机信息生成的，其中，每个交换机矩阵包含多个交换机，且每个交换机具有位置标识；
第一检测模块12，用于生成第一检测结果，其中，所述第一检测结果包括第一安全风险系数，所述第一安全风险系数通过对预设历史窗口内所述目标网络系统的工作日志进行风险系数识别获得；
第一风险系数获取模块13，用于生成N个第一子风险系数集，所述N个第一子风险系数集通过遍历所述N个控制单元的N个交换机矩阵进行端口状态分析生成；
第二风险系数获取模块14，用于生成N个第二子风险系数集，所述N个第二子风险系数集通过遍历所述N个交换机矩阵进行设备冗余分析获得；
优化步调获取模块15，用于基于所述第一安全风险系数匹配优化步调，生成预设优化步调；
风险分析模块16，用于生成第二检测结果，其中，所述第二检测结果包括N个第二风险系数集，所述N个第二风险系数集是基于所述N个第一子风险系数集和N个第二子风险系数集进行N个交换矩阵中多个交换机的安全风险分析获得，每个第二风险系数对应一个交换机；
优化方案获取模块17，用于根据第一检测结果和第二检测结果对目标网络的结构进行优化，生成目标优化方案，其中，所述目标优化方案为基于预设优化步调和N个第二风险系数集，分别对N个控制单元的结构调整进行迭代优化后获得的最优优化方案。
进一步地，所述第一检测模块12还用于：
遍历所述目标网络系统在预设历史窗口内的工作日志，统计入侵成功的记录与总入侵记录的比值，生成第一安全风险因子；
采集所述目标网络系统的Q个网络设备进行累积损耗分析，根据Q个损耗分析结果进行加权计算，生成第二安全风险因子；
根据所述第一安全风险因子和所述第二安全风险因子进行综合分析，生成第一安全风险系数。
进一步地，所述第一检测模块12还用于：
构建累积损耗公式，所述累积损耗公式为：
其中，Li为第i个网络设备的累积损耗，ni为第i个网络设备维修的次数，为第i个网络设备发生第j次维修时对硬件的损耗，kij为第i个网络设备发生第j次维修时需要维修的硬件数量，tij为第i个网络设备发生第j次维修时的维修时长，xi为第i个网络设备的设计寿命，/>为第i个网络设备的使用寿命；
采集所述Q个网络设备的故障维修信息和寿命信息，利用累积损耗公式进行累积损耗分析，生成Q个损耗分析结果。
进一步地，所述第二风险系数获取模块14还用于：
遍历所述N个交换机矩阵在预设历史时间窗口内的内存占用率变化数据，生成N个内存占用率集，每个内存占用率集中包括多个内存占用率数据集，每个内存占用率数据集对应一个交换机；
从所述N个内存占用率集中随机选取第一内存占用率数据集，并获得所述第一内存占用率数据集的均值，生成第一平均内存占用率；
基于所述第一平均内存占用率按照预设移动步长在所述第一内存占用率数据集中进行移动，生成第一迭代内存占用率。
进一步地，所述第二风险系数获取模块14还用于：
判断所述第一平均内存占用率的第一平均云密度是否大于第一迭代内存占用率的第一迭代云密度，若是，则将第一平均内存占用率作为第一阶段内存占用率，若否，则将第一迭代内存占用率作为第一阶段内存占用率；
经过多次迭代，将迭代过程中云密度最大的第一阶段内存占用率作为第一目标内存占用率，将第一目标内存占用率的倒数作为对应交换机的第二子风险系数；
根据N个内存占用率集，生成N个第二风险系数集。
进一步地，所述优化方案获取模块17还用于：
分别将N个第二风险系数集的均值比上N个第二风险系数集总和的比值，与预设优化步调进行相乘，生成N个适应性优化步调；
采集N个控制单元内每个交换机占据的算力情况，生成N个交换机算力分配结果；
基于N个适应性优化步调、N个交换机算力分配结果分别对N个控制单元内的N个交换机矩阵进行多次结构优化，生成多个结构优化方案集，其中，所述结构优化方案集为对一个控制单元内交换机矩阵中的交换机进行关闭。
进一步地，所述优化方案获取模块17还用于：
遍历所述多个结构优化方案集进行安全适应度分析，获得多个安全适应度集；
基于所述多个安全适应度集确定目标优化方案，其中，所述目标优化方案包括多个目标结构优化方案，每个目标结构优化方案对应一个控制单元。
所包括的各个单元和模块只是按照功能逻辑进行划分的，但并不局限于上述的划分，只要能够实现相应的功能即可；另外，各功能单元的具体名称也只是为了便于相互区分，并不用于限制本发明的保护范围。
实施例三
图5为本发明实施例三提供的电子设备的结构示意图，示出了适于用来实现本发明实施方式的示例性电子设备的框图。图5显示的电子设备仅仅是一个示例，不应对本发明实施例的功能和使用范围带来任何限制。如图5所示，该电子设备包括处理器31、存储器32、输入装置33及输出装置34；电子设备中处理器31的数量可以是一个或多个，图5中以一个处理器31为例，电子设备中的处理器31、存储器32、输入装置33及输出装置34可以通过总线或其他方式连接，图5中以通过总线连接为例。
存储器32作为一种计算机可读存储介质，可用于存储软件程序、计算机可执行程序以及模块，如本发明实施例中的一种计算机网络结构优化的安全检测方法对应的程序指令/模块。处理器31通过运行存储在存储器32中的软件程序、指令以及模块，从而执行计算机设备的各种功能应用以及数据处理，即实现上述一种计算机网络结构优化的安全检测方法。
注意，上述仅为本发明的较佳实施例及所运用技术原理。本领域技术人员会理解，本发明不限于这里所述的特定实施例，对本领域技术人员来说能够进行各种明显的变化、重新调整和替代而不会脱离本发明的保护范围。因此，虽然通过以上实施例对本发明进行了较为详细的说明，但是本发明不仅仅限于以上实施例，在不脱离本发明构思的情况下，还可以包括更多其他等效实施例，而本发明的范围由所附的权利要求范围决定。
Claims (10)
1.一种计算机网络结构优化的安全检测方法，其特征在于，所述方法包括：
采集N个交换机矩阵，所述N个交换机矩阵是通过获取目标网络系统的N个控制单元，并采集每个控制单元内的交换机信息生成的，其中，每个交换机矩阵包含多个交换机，且每个交换机具有位置标识；
生成第一检测结果，其中，所述第一检测结果包括第一安全风险系数，所述第一安全风险系数通过对预设历史窗口内所述目标网络系统的工作日志进行风险系数识别获得；
生成N个第一子风险系数集，所述N个第一子风险系数集通过遍历所述N个控制单元的N个交换机矩阵进行端口状态分析生成；
生成N个第二子风险系数集，所述N个第二子风险系数集通过遍历所述N个交换机矩阵进行设备冗余分析获得；
基于所述第一安全风险系数匹配优化步调，生成预设优化步调；
生成第二检测结果，其中，所述第二检测结果包括N个第二风险系数集，所述N个第二风险系数集是基于所述N个第一子风险系数集和N个第二子风险系数集进行N个交换矩阵中多个交换机的安全风险分析获得，每个第二风险系数对应一个交换机；
根据第一检测结果和第二检测结果对目标网络的结构进行优化，生成目标优化方案，其中，所述目标优化方案为基于预设优化步调和N个第二风险系数集，分别对N个控制单元的结构调整进行迭代优化后获得的最优优化方案。
2.如权利要求1所述的方法，其特征在于，所述方法还包括：
遍历所述目标网络系统在预设历史窗口内的工作日志，统计入侵成功的记录与总入侵记录的比值，生成第一安全风险因子；
采集所述目标网络系统的Q个网络设备进行累积损耗分析，根据Q个损耗分析结果进行加权计算，生成第二安全风险因子；
根据所述第一安全风险因子和所述第二安全风险因子进行综合分析，生成第一安全风险系数。
3.如权利要求2所述的方法，其特征在于，所述方法还包括：
构建累积损耗公式，所述累积损耗公式为：
其中，Li为第i个网络设备的累积损耗，ni为第i个网络设备维修的次数，为第i个网络设备发生第j次维修时对硬件的损耗，kij为第i个网络设备发生第j次维修时需要维修的硬件数量，tij为第i个网络设备发生第j次维修时的维修时长，xi为第i个网络设备的设计寿命，/>为第i个网络设备的使用寿命；
采集所述Q个网络设备的故障维修信息和寿命信息，利用累积损耗公式进行累积损耗分析，生成Q个损耗分析结果。
4.如权利要求1所述的方法，其特征在于，所述方法还包括：
遍历所述N个交换机矩阵在预设历史时间窗口内的内存占用率变化数据，生成N个内存占用率集，每个内存占用率集中包括多个内存占用率数据集，每个内存占用率数据集对应一个交换机；
从所述N个内存占用率集中随机选取第一内存占用率数据集，并获得所述第一内存占用率数据集的均值，生成第一平均内存占用率；
基于所述第一平均内存占用率按照预设移动步长在所述第一内存占用率数据集中进行移动，生成第一迭代内存占用率。
5.如权利要求4所述的方法，其特征在于，所述方法还包括：
判断所述第一平均内存占用率的第一平均云密度是否大于第一迭代内存占用率的第一迭代云密度，若是，则将第一平均内存占用率作为第一阶段内存占用率，若否，则将第一迭代内存占用率作为第一阶段内存占用率；
经过多次迭代，将迭代过程中云密度最大的第一阶段内存占用率作为第一目标内存占用率，将第一目标内存占用率的倒数作为对应交换机的第二子风险系数；
根据N个内存占用率集，生成N个第二风险系数集。
6.如权利要求1所述的方法，其特征在于，所述方法还包括：
分别将N个第二风险系数集的均值比上N个第二风险系数集总和的比值，与预设优化步调进行相乘，生成N个适应性优化步调；
采集N个控制单元内每个交换机占据的算力情况，生成N个交换机算力分配结果；
基于N个适应性优化步调、N个交换机算力分配结果分别对N个控制单元内的N个交换机矩阵进行多次结构优化，生成多个结构优化方案集，其中，所述结构优化方案集为对一个控制单元内交换机矩阵中的交换机进行关闭。
7.如权利要求6所述的方法，其特征在于，所述方法还包括：
遍历所述多个结构优化方案集进行安全适应度分析，获得多个安全适应度集；
基于所述多个安全适应度集确定目标优化方案，其中，所述目标优化方案包括多个目标结构优化方案，每个目标结构优化方案对应一个控制单元。
8.一种计算机网络结构优化的安全检测系统，其特征在于，所述系统包括：
矩阵获取模块，用于采集N个交换机矩阵，所述N个交换机矩阵是通过获取目标网络系统的N个控制单元，并采集每个控制单元内的交换机信息生成的，其中，每个交换机矩阵包含多个交换机，且每个交换机具有位置标识；
第一检测模块，用于生成第一检测结果，其中，所述第一检测结果包括第一安全风险系数，所述第一安全风险系数通过对预设历史窗口内所述目标网络系统的工作日志进行风险系数识别获得；
第一风险系数获取模块，用于生成N个第一子风险系数集，所述N个第一子风险系数集通过遍历所述N个控制单元的N个交换机矩阵进行端口状态分析生成；
第二风险系数获取模块，用于生成N个第二子风险系数集，所述N个第二子风险系数集通过遍历所述N个交换机矩阵进行设备冗余分析获得；
优化步调获取模块，用于基于所述第一安全风险系数匹配优化步调，生成预设优化步调；
风险分析模块，用于生成第二检测结果，其中，所述第二检测结果包括N个第二风险系数集，所述N个第二风险系数集是基于所述N个第一子风险系数集和N个第二子风险系数集进行N个交换矩阵中多个交换机的安全风险分析获得，每个第二风险系数对应一个交换机；
优化方案获取模块，用于根据第一检测结果和第二检测结果对目标网络的结构进行优化，生成目标优化方案，其中，所述目标优化方案为基于预设优化步调和N个第二风险系数集，分别对N个控制单元的结构调整进行迭代优化后获得的最优优化方案。
9.一种电子设备，其特征在于，所述电子设备包括：
存储器，用于存储可执行指令；
处理器，用于执行所述存储器中存储的可执行指令时，实现权利要求1至7任一项所述的一种计算机网络结构优化的安全检测方法。
10.一种计算机可读存储介质，其上存储有计算机程序，其特征在于，该程序被处理器执行时实现如权利要求1-7中任一所述的一种计算机网络结构优化的安全检测方法。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202311367598.3A CN117278313A (zh) | 2023-10-22 | 2023-10-22 | 一种计算机网络结构优化的安全检测方法及系统 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202311367598.3A CN117278313A (zh) | 2023-10-22 | 2023-10-22 | 一种计算机网络结构优化的安全检测方法及系统 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN117278313A true CN117278313A (zh) | 2023-12-22 |
Family
ID=89221525
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202311367598.3A Withdrawn CN117278313A (zh) | 2023-10-22 | 2023-10-22 | 一种计算机网络结构优化的安全检测方法及系统 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN117278313A (zh) |
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN117812185A (zh) * | 2024-02-29 | 2024-04-02 | 江苏鑫埭信息科技有限公司 | 一种智能外呼系统的管控方法及系统 |
-
2023
- 2023-10-22 CN CN202311367598.3A patent/CN117278313A/zh not_active Withdrawn
Cited By (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN117812185A (zh) * | 2024-02-29 | 2024-04-02 | 江苏鑫埭信息科技有限公司 | 一种智能外呼系统的管控方法及系统 |
| CN117812185B (zh) * | 2024-02-29 | 2024-05-24 | 江苏鑫埭信息科技有限公司 | 一种智能外呼系统的管控方法及系统 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN111914873B (zh) | 一种两阶段云服务器无监督异常预测方法 | |
| CN110298663B (zh) | 基于序列宽深学习的欺诈交易检测方法 | |
| US11444876B2 (en) | Method and apparatus for detecting abnormal traffic pattern | |
| CN111368890A (zh) | 故障检测方法及装置、信息物理融合系统 | |
| CN111833583B (zh) | 电力数据异常检测模型的训练方法、装置、设备和介质 | |
| CN111585948A (zh) | 一种基于电网大数据的网络安全态势智能预测方法 | |
| CN111638958A (zh) | 云主机负载处理方法、装置、控制设备及存储介质 | |
| CN110768971B (zh) | 适用于人工智能系统的对抗样本快速预警方法及系统 | |
| CN117278313A (zh) | 一种计算机网络结构优化的安全检测方法及系统 | |
| CN113449463A (zh) | 一种基于lstm-dnn的设备寿命预测方法及装置 | |
| CN116737510B (zh) | 一种基于数据分析的键盘智能监测方法及系统 | |
| CN111784061A (zh) | 一种电网工程造价预测模型的训练方法、装置和设备 | |
| CN113902946A (zh) | 电力系统故障方位判别方法、装置、终端设备及存储介质 | |
| CN117580046A (zh) | 一种基于深度学习的5g网络动态安全能力调度方法 | |
| CN111565118B (zh) | 基于多观测维度hmm的虚拟化网元故障分析方法及系统 | |
| CN115174421B (zh) | 基于自监督解缠绕超图注意力的网络故障预测方法及装置 | |
| CN114202110B (zh) | 一种基于rf-xgboost的业务故障预测方法及装置 | |
| CN115459982A (zh) | 一种电力网络虚假数据注入攻击检测方法 | |
| CN112769619B (zh) | 一种基于决策树的多分类网络故障预测方法 | |
| CN115208619A (zh) | 基于STSA-transformer算法的新型电力系统APT攻击检测方法 | |
| Liu et al. | Research on fault diagnosis method of board-level circuit based on genetic algorithm | |
| CN117349770B (zh) | 一种结构健康监测多应变传感器数据异常检测与修复方法 | |
| CN117369954B (zh) | 一种面向大数据构建的风险处理框架的jvm优化方法和装置 | |
| CN117714475B (zh) | 用于边缘云存储的智能管理方法及系统 | |
| CN118869356A (zh) | 一种基于深度学习的司法大数据网络入侵检测方法及系统 |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| PB01 | Publication | ||
| PB01 | Publication | ||
| WW01 | Invention patent application withdrawn after publication | ||
| WW01 | Invention patent application withdrawn after publication |
Application publication date: 20231222 |