网络安全态势预测的研究

论文摘要

安全态势评估作为网络安全态势技术的重要组成部分,对于最终的决策制定起着关键作用。目前关于安全态势评估的研究较为热门,但尚不成熟,其中的安全态势预测更处于起步阶段。现有的为数不多的态势预测手段以神经网络为主,这是因为神经网络尤其是径向基神经网络具有良好的逼近性能和处理非线性数据的优势。大部分都是基于离线学习的思想,且学习过程漫长,精度有限,对大规模网络安全态势的预测效果不理想。针对以上问题,本文重点研究网络安全态势预测。首先从神经网络的学习算法着手,通过对相关理论、算法进行分析,引入隐层神经元重要性的概念,提出了终身学习算法。终身学习算法的基本思想是将神经网络的学习过程贯穿于网络的整个使用阶段,在进行实际预测工作的同时使网络继续学习。运用终身学习算法可以快速构建终身学习RBF神经网络,该网络在运行过程中能自我学习、调整,从而保持网络的时效性。实验中使用终身学习RBF神经网络对告警次数进行预测,结果表明预测精度随着网络的不断调整而不断提高。然后,本文基于终身学习RBF神经网络设计了一个智能Agent网络安全态势预测模型。该模型采用分布式结构并以智能Agent为主体,充分发挥了Agent的优势。智能Agent可以独立完成部分安全态势预测任务,并能保证自身的安全性。Agent之间可以互相通信、协作,使整体功能发挥到最佳状态。智能Agent网络安全态势预测模型具有良好的扩展性,易于调整、修改。当网络安全状况产生较大变动时,能缩小查找范围,方便了管理人员的使用和决策。

论文目录

• 摘要
• Abstract
• 1 绪论
• 1.1 课题研究的背景
• 1.2 课题研究现状
• 1.3 研究动机和创新点
• 1.4 本文组织结构
• 2 理论基础
• 2.1 网络安全态势相关概念
• 2.1.1 网络安全态势值
• 2.1.2 网络安全态势评估
• 2.1.3 威胁评估
• 2.1.4 网络安全态势值与态势评估、威胁评估的关系
• 2.2 径向基函数神经网络
• 2.2.1 RBF神经网络模型
• 2.2.2 RBF神经网络的工作原理
• 2.2.3 RBF神经网络学习算法
• 2.3 扩展卡尔曼滤波器
• 2.4 智能Agent
• 3 GGAP-RBF算法
• 3.1 批处理学习算法和在线学习算法
• 3.2 隐层神经元重要性定义及估计公式
• 3.3 隐层神经元的引入准则
• 3.4 隐层神经元的删除准则
• 3.5 GGAP-RBF学习算法
• 4 终身学习RBF神经网络
• 4.1 终身学习算法的思想
• i的更新'>4.2 δ_i的更新
• 4.3 ε调整
• 4.4 径向基函数宽度自适应调整
• 4.5 终身学习RBF算法
• 4.6 仿真实验
• 4.6.1 实验参数及环境设置
• 4.6.2 预测结果及分析
• 4.6.3 同类算法效果对比
• 5 智能Agent网络安全态势预测模型
• 5.1 智能Agent网络安全态势预测模型结构设计
• 5.1.1 现有网络安全系统的缺点
• 5.1.2 智能Agent网络安全态势预测模型思想和特点
• 5.1.3 智能Agent网络安全态势预测模型框架
• 5.2 智能Agent的内部结构
• 5.2.1 子网Agent
• 5.2.2 根Agent
• 结论
• 参考文献
• 攻读硕士学位期间发表学术论文情况
• 致谢