基于RAN-RBF神经网络的网络安全态势预测模型.docxVIP

Paper NO1 ?????（注：满分为五星） 论文分类 完成时间 网络安全态势感知/粒子群算法 2018年11月23日 英文题目 Network Security Situation Prediction Model Based on RAN-RBF Neural Network 中文题目 基于ＲＡＮ－ＲＢＦ神经网络的网络安全态势预测模型 期刊时间 计算机科学Nov 2016 中文摘要 　为了更准确地获悉网络安全态势的发展情况，提出了一种基于资源分配网络径向基函数（Resource Allocating Network Radical Basis Function,RAN-RBF）神经网络的网络安全态势预测（Network Security Situation Prediction,NSSP）模型。该模型采用资源分配网络算法对网络安全态势样本进行聚类，得到神经网络的隐含层节点数，引入剪枝策略删除对网络贡献不大的节点，用改进的粒子群算法（Modified Particle Swarm Optimization,MPSO）对神经网络的中心、宽度、权值进行优化，对未来网络安全态势进行预测。利用校园网网络管理部门提供的数据进行的仿真实 验表明，相对于Ｋ－均值 ＲＢＦ神经网络预测模型，该模型可以得到更合适的ＲＢＦ神经网络结构和控制参数，提高了预测精度，更加直观地反映了网络安全态势的总体情况，为网络安全管理员提供了态势图。 关键词 资源分配网络径向基函数（ＲＡＮ－ＲＢＦ）神经网络;网络安全态势预测（ＮＳＳＰ）;改进的粒子群算法（ＭＰＳＯ）;态势图 概括主旨 本文提出了一种基于ＲＡＮ－ＲＢＦ神经网络的网络安全态势预测模型。基于校园网网络环境，通过仿真实验验证了 ＭＰＳＯ算法对 ＲＢＦ神经网络参数的优化性能，对比 了ＲＡＮ－ＲＢＦ神经网络和Ｋ－均值ＲＢＦ神经网络预测模型，结 果表明，本文预测模型预测结果较为精确，可以结合中间件技术实现与网络管理软件的同步配合；同时，为网络安全管理员提供了预测态势图，使其能提前采取预防和应对措施，变被动防御为主动应对。（1）可扩展性: 本文模型可以结合中间件技术进行接口封装，在网络管理软件中调用接口，利用捕获的数据实现网络安全态势预测，给出态势图并分析得出威胁程度;(2)实时性：本文模型是利用前３天的真实历史数据预测未来１天的网络安全发展态势，通过捕捉的真实数据更新模型所需数据， 调用模型实现预测。本文利用 ＭＡＴＬＡＢ软件对模型进行仿真，程序运行时间很短，可以实现实时性与计算复杂度的平衡。（3）预警性：通过本文模型的网络安全态势预测，可以为网络安全管理员预警网络安全状况，变过去的被动防御为主动应对，提醒网络安全管理员检测网络系统漏洞，对网络安全事件进行分析，并及时采取应对处理措施。 笔记部分 为了更准确地获悉网络安全态势的发展情况，本文提出 了一种基于资源分配网络径向基函数（Ｒｅｓｏｕｒｃｅ　ＡｌｌｏｃａｔｉｎｇＮｅｔｗｏｒｋ　Ｒａｄｉｃａｌ 　 Ｂａｓｉｓ　Ｆｕｎｃｔｉｏｎ，ＲＡＮ－ＲＢＦ）神经网络的网络安全态势预测模型。该模型首先对网络安全态势样本ＲＡＮ 聚类，得到更合适的隐层节点数，用改进的粒子群算法（ＭＰＳＯ）对神经网络的中心、宽度、权值进行优化，对未来网络安全态势进行预测。 ＲＢＦ神经网络结构 ＲＢＦ神经网络是一种３层前向网络，它通过非线性基函数的线性组合来寻找样本间的线性映射关系，并利用此映射关系实现预测。ＲＢＦ神经网络由输入层、隐含层和输出层构成，如图１所示。输入层由ｎ个感知神经元组成，作用是建立外部输入变量与内部神经元的连接；隐含层有ｈ个隐含节点， 实现输入变量映射到隐含层空间的非线性变换；输出层有ｍ个输出层节点，实现隐含层输出的线性变换，得到最终预测结果。 ＲＡＮ－ＲＢＦ神经网络预测模型 本文以网络安全态势感知的通用模型为基础，结合所做的研究工作，提出了一种基于 ＲＡＮ－ＲＢＦ神经网络的网络安全态势预测模型： 模型由３个阶段构成，每个阶段有对应的工作任务，具体情况如下： （1）.态势识别：主要是对网络安全数据的获取，本文主要是从校园网网络管理部门捕捉黑客攻击数据； （2）.态势理解：主要是对获取的数据做分析处理，从数据类型、数据结构分析，然后根据数据对安全事件的统一设置做分层划分、权值定义、威胁程度定义、加权平均和归一化等处理，得到网络安全态势值； （3）.态势预测：主要利用 ＲＡＮ算法样本聚类、ＭＰＳＯ算法优化训练ＲＢＦ神经网络，找到样本间的非线性映射关系来预测网络安全态势，最后做出态势预测分析。 4．ＲＡＮ聚类确定隐含层节点 （1）. 隐含层节点数的确定： ＲＢＦ神经网络隐含层节点的多少直接影响了其预测能力。当隐含层节点个数选取太少时，网络的预测精度很低，不能满足预