网络安全态势的预测 网络安全态势感知

　　中图分类号：TP3 文献标识码：A　　摘要：网络安全态势感知的基本目标是网络安全预测。本文重点论述了网络安全态势常用的三种方法并对其应用实现进行了分析和展望。　　关键词：网络安全态势预测；神经智能网络；时间序列；支持向量机
　　Abstract：Network security situation forecast situation awareness is one of the basic goals. This paper mainly discusses the network security situation commonly used three methods and its application in the trend of the development of realization are analyzed and prospected.
　　Key words：Network security situation forecast ；Nerve intelligent network ；Time series ；Support vector machine (SVM)
　　1 引言
　　根据网络安全态势的以往的信息和目前状况情态可以对网络未来一个阶段的发展趋势进行预测，这就是网络安全态势的预测。由于网络攻击的随机性和不确定性，这就使得安全态势变化是一个复杂的非线性过程，常规传统的预测模型较有局限性。目前网络安全态势预测通常采用神经智能网络、时间序列预测法和支持向量机等方法。
　　2 网络安全态势的预测
　　目前神经智能网络是最常用的网络态势预测方法，该算法是先输入一些数据作为训练样本，然后根据网络能力调整权值，建立网络态势预测模型，而后运用模型，实现从输入状态到输出状态空间的映射，该映射为非线性映射。
　　神经智能网络具有很多优点，其中自学习、自适应性和非线性处理尤为突出。网络之所以具有良好的容错性和稳健性，是因为神经网络内部神经元之间存在复杂的连接，连接权值的矩阵具有可变性，这使得模型运算中存在高度的冗余。但是神经智能网络存在许多缺陷：如过分拟合或者训练不够，训练时间短，可信的解释难以提供。
　　时间序列法是对时间序列的以往数据研究找出随着时间的变化态势发展的规律，并利用这种规律推断未来，从而预测未来态势。在预测网络安全态势中，建立函数y=f(t)，y即网络安全态势值，该值是有态势评估获取而来的，此态势值是非线性的。预测出的网络安全态势值通常被看作一个时间序列，设定y={yi|yi∈r，i=1，2，…，l}为网络安全态势值的时间序列,然后通过序列的前n个时刻的态势值预测出后m个网络安全态势的值。
　　时间序列预测法更适用于实际应用，因为该法较方便，可操作性较好。然而，若要建立精度相当高的时序模型，除了模型阶数也要合适，更要求模型参数的最佳估计，所以，建模的过程相当复杂。
　　支持向量是指那些在间隔区边缘的训练样本点。这里介绍一种基于统计学习理论的模式识别方法——支持向量机制，这一机制的原理是建立在结构风险最小原理基础上的，根据有限的样本信息在模型的复杂性（即对特定训练样本的学习精度）和学习能力（即无错误地识别任意样本的能力）之间寻求最佳折衷，以期获得最好的推广能力 。 即输入一个非线性映射，映射到一个高维特征空间，在该空间上进行线性回归，从而将低维特征空间的非线性回归问题转换为高维特征空间的线性回归问题来解决。
　　总之，神经智能网络算法具有能够靠经验将风险降到最低的优点，但也存在不足：如不容易确定结构模型，降低推广能力。在学习过程中，若样本数量不足时，学习精度就难以保证，因为容易收敛到局部最小点导致学习过程的误差；若样本数量很多时，学习精度可以提高，但是会导致泛化性能不高，陷入维数灾难。对于非线性关系、非正态分布特性的宏观网络态势值形成的时间序列数据，运用时间序列预测法来处理效果并不是不理想。支持向量机除了能有效地避免了上述算法所面临的问题，具有预测绝对误差小的优点，正确预测出趋势率，保证了准确预测网络态势的发展趋势。
　　参考文献:
　　[1] 任伟，蒋兴浩，孙锬锋.基于rbf神经网络的网络安全态势预测方法［j］.计算机工程与应用，2006,42(31)：136-138.
　　[2] 张翔，胡昌振，刘胜航，等.基于支持向量机的网络攻击态势预测技术研究［j］.计算机工程,2007,33(11):10-12.
　　[3]王娟.大规模网络安全态势感知关键技术研究[d].成都：电子科技大学，2010.
　　[4] 龚正虎，卓莹.网络态势感知研究［j］.软件学报,2010,21(7):1605-1619.