基于灰色神经网络组合模型的网络安全态势预测.doc

第五章 基于灰色神经网络组合模型的态势预测 PAGE 5 基于灰色神经网络组合模型的网络安全态势预测 引言 本文采用的网络安全态势预测是根据定量评估出的网络安全态势时间序列通过特定的数学模型建立现有安全态势与未来安全态势信息的函数关系，定量计算出未来网络安全态势变化趋势，同时通过对网络安全态势预测结果的分析能够为网络安全事件的应急预案提供有预计性的决策支持，能够提前做好全面的系统的网络攻击防御措施，保障系统的顺利运行。 由于网络安全系统本身是一种典型的非线性系统，导致网络风险变化的许多影响因素的信息是不明确的，因此预测过程是一个不确定性过程。目前国内外专家学者对网络安全态势预测的研究还处于探索阶段，研究的常用方法包括概率统计、模糊数学、灰色理论[89]、马尔可夫理论等。 本文根据网络安全态势变化的特点，采用第四章中网络安全态势实时定量评估的结果，基于动态时变因子的GM（1,1）模型与ＢＰ神经网络[90]模型，提出了一种灰色神经网络组合预测模型对网络安全态势进行定量分析预测，发挥灰色理论和神经网络模型各自的优势，克服两者的缺陷，提高网络安全风险预测精度。 基于动态时变因子的GM(1,1)预测模型 灰色理论概述 1982年我国著名学者邓聚龙教授提出灰色理论，将系统论、信息论、控制论的观点和方法延伸到各个应用领域，结合运用各种数学方法，研究解决灰色系统的分析、建模、预测等理论。该理论以“部分信息已知，部分信息未知”的不确定性系统为研究对象，通过对已知信息的分析提取有价值的信息，实现对系统变化规律的正确描述和有效推理，是一种研究少数据、贫信息不确定性问题的新方法[91][92][93][94][95]。 灰色理论认为客观世界中众多事件的表现形式繁杂，数据缺乏内在联系，但客观世界作为一个系统整体在其发展变化过程中，本身内部事物和因素之间由于相应的制约联系关系，形成了具有整体功能的统一体，其间包含着相应的内在规律，基于灰色理论的预测方法就是选择一种适当方式去挖掘和利用这种内在规律对其发展趋势进行分析。 基于动态时变因子的GM(1,1)模型工作原理 GM(1,1)模型作为目前应用最广泛的灰色理论模型，通过对单变量预测的一阶微分方程进行解析，挖掘出原始数据之间的内在规律，进行数据拟合，从而确定系统的预测值。在其分析过程中，采用累加或累减方式降低原始灰色时间序列的随机性，以指数形式拟合原始数据，将时间序列原始数据的变化规律近似表现为指数律，将无序的时间序列转化有序的时间序列。通过这种方式能够较好的处理波动变化性较大的数据，但对序列中原始数据的时间效应缺乏考虑。 由于在不同的系统中不同时间段的数据对其预测值的影响程度各不相同，对部分系统原有历史数据对其趋势变化有更大的影响作用，而对另外一些系统新曾实时数据对系统变化趋势的影响更强，同时也存在某些系统不大受时间因素的影响，因此为了保持GM(1,1)模型的特性，同时减少时间效应对系统变化趋势的影响，采用动态时变因子加权方法，建立基于动态时变因子的GM(1,1)预测模型，具体计算方法及过程如下所述。 基于动态时变因子的GM(1,1)预测模型采用动态因子对原始时间序列中的数据进行权重加权，以此来区分不同时间段数据的时间效应，但其后仍通过累加变换将其转变成具有一定规律的累加时间序列，以此来弱化原始数据的随机性、离散性，从而较好地解决原始时间序列中数据不确定性特征显著、样本分布无规律的问题。但基于动态时变因子的GM(1,1)预测模型仍然是以近似指数规律的方式对原始数据进行拟合，计算出的预测结果在变化趋势上很大可能是呈现较为平滑，对于具有较大波动性的数据拟合效果可能达不到预期效果。 基于ＢＰ神经网络的预测模型 基于BP神经网络预测模型的不足 BP算法较好解决了多层网络的学习问题，但ＢＰ神经网络模型仍然存在其他方面的不足。由于神经网络模型本身具有自学习、自适应特性，需要通过大量样本数据进行训练测试才能将神经元阈值进行合理配置，使其输出结果达到或最大程度接近预期结构。然而数据量大必然导致训练次数急剧增加，从而使得学习效率低，收敛速度慢。但如果样本数据数量达不到相应要求时会导致预测误差很大，又必然会使得预测结果精度下降。同时神经网络模型在自学习训练过程中，对初始化赋予的权重具有一定的依赖性，极易收敛于局部极小而得不到全局最优，预测结果具有很大的随机性，进而造成预测精度的不可靠性。因此可以认为直接采用BP人工神经网络模型进行时间序列的预测也不能得到令人满意的结果。 网络安全态势组合预测模型 组合预测模型概述 在实际应用进行预测时，不同的预测模型由于其预测原理、预测方法的不同，难免带有局限性和不完备性，即使提供的原始数据相同也会产生不同的有用信息，预测精度也存在着差异，如果只是根据其误差大小将其中的一部分预测模