基于改進的遞歸神經網絡的網絡安全態勢預測

蔡均平,屈 雷

（1.國防信息學院一系湖北武漢,430010;2.國防信息學院八系湖北武漢,430010）

基于改進的遞歸神經網絡的網絡安全態勢預測

蔡均平1,屈 雷2

（1.國防信息學院一系湖北武漢,430010;2.國防信息學院八系湖北武漢,430010）

本文利用神經網絡處理非線性、復雜性等優勢，基于改進的遞歸神經網絡預測網絡安全態勢，實驗結果證明該方法運行效率較高，運行結果與實際值相比，誤差較低，精確性較高。

網絡安全態勢;遞歸神經網絡;預測

0 引言

目前，網絡安全態勢已經誕生了許多優秀的算法和模型，傳統的網絡安全評估方法包括基于專家知識的方法、基于貝葉斯理論的方法、基于模糊邏輯的方法、基于人工神經網絡的方法，同時在預測和評估方法中引入了粗集理論、D-S證據理論、聚類分析、關聯規則分析等，將其融合在各個大規模的復雜的網絡環境中，借助于經驗知識，構建數學模型，經過分析和推理，分析網絡各種軟硬件資源、網絡運行狀態和網絡用戶的行為等特點，對網絡當前的安全狀況作出合理的判定。

1 神經網絡的基本理論

神經網絡模擬生物進化思維，具有獨特的結構神經元反饋機制，其具有分布式信息存儲、自適應學習、并行計算和容錯能力較強的特點，以其獨特的結構和信息處理方法，在自動化控制、組合優化、信息處理、機器人、模式識別、圖像處理等機器學習領域得到了廣泛的應用，隨著許多學者的研究，神經網絡已經誕生了許多新的模型，包括自適應諧振理論(ART)、Kohonen網絡、反向傳播(BP)網絡和Hopfield網。尤其是大規模網絡數據分析和態勢預測中，神經網絡能夠建立一個良好的分類學習模型，并且在學習過程中優化每一層的神經元和神經元連接的每一個節點。最后，建立一個改進的神經網絡態勢預測要素，輸入一個網絡數據，輸出的網絡異常行為將作為網絡安全態勢的要素，能夠為網絡安全態勢預測提供經驗知識。

2 改進的遞歸神經網絡評估與預測模型構建

網絡態勢預測過程中，影響網絡安全運行的狀況非常多，主觀因素包括網絡攻擊者的能力和意圖，網絡管理者的防御意識和防御策略等；客觀原因包括網絡架構、網絡的運行環境、網絡中傳輸設備的性能等。目前，網絡技術逐漸進步，星型、總線型網絡架構已經無法滿足人們的需求，但是許多融合的網絡架構，使其更加復雜；網絡傳輸設備種類越來越多，光纖傳輸、數字傳輸等取代了傳統的低速率設備；使用網絡的用戶文化水平高低不一，網絡運行環境也更加復雜，這些都增加了網絡安全受到的潛在的威脅，因此，要想全面的、客觀的、準確的判斷一個網絡的整體安全現狀，必須依據現有的歷史數據，建立一個精確的網絡安全態勢預測和評估模型，以便預測其發展趨勢。

圖1 基于改進的遞歸神經網絡的網絡安全預測與態勢評估模型

本文充分考慮網絡的復雜性、未來趨勢的不確定性和隨機性，利用改進的遞歸神經網絡在預測網絡復雜性的優勢特點，提出了一種基于改進的遞歸神經網絡的網絡安全預測與態勢評估模型如圖1所示。

（1）收集網絡數據

目前，收集的網絡數據是預測和評估網絡態勢的基礎工作，網絡數據可以分為兩類，分別是系統運行信息和系統配置信息。系統運行信息是通過分析網絡數據流、網絡設備性能數據和IDS日志，了解網絡系統受到攻擊的頻次等情況；系統配置信息通過漏洞掃描等技術措施分析網絡的服務規則、主機配置和網絡架構配置等存在的漏洞信息。

（2）提取網絡態勢影響因素

根據采集的海量網絡信息數據，實施預處理，進行關聯分析，將影響網絡正常運行的數據實施分類處理，形成統一的數據格式，將其存到數據庫中，便于下一步實施處理。

（3）計算網絡態勢值

網絡安全態勢預測及評估的重要步驟是計算網絡態勢值。針對提取到影響網絡態勢的相關因素，根據其影響程度加權分析，可以定量分析網絡上某個時間段的安全狀態，本文從系統層、主機層和服務層計算網絡態勢值。

（4）網絡態勢預測

網絡態勢預測是實施網絡態勢評估的最后一步，是實現網絡安全的預警的前提，態勢預測可以基于歷史網絡信息和現在的網絡信息預測將來網絡的發展走勢。采用改進的遞歸神經網絡算法可以處理復雜的網絡態勢情況。

3 改進的遞歸神經網絡預測模型的實現

在基于改進的遞歸神經網絡預測網絡態勢的模型包括輸入層、隱含層、承接層和輸出層，其實一個改進的遞歸神經網絡模型，在某個時間段內，可以從態勢數據庫中取出一個態勢序列作為遞歸神經網絡的輸入向量S(t)，隱含層輸出X(t)，承接層輸出為Xc(t)，Y(t)表示網絡的態勢輸出：

基于改進的遞歸神經網絡的算法學習過程如下：

（1）初始化算法的各個參數的取值：設置算法的最大迭代次數為K、反饋增益因子a、學習樣本P、教師樣本Y、目標誤差、學習率，隨機生成并且初始化神經網絡各層之間的連接權值向量W；

（2）使用Matlab自帶的newelm()函數構建改建的神經網路；

（3）對神經網絡進行迭代訓練，迭代過程如下：

① 計算神經網絡的輸出：提供當前迭代的一個輸入向量，計算神經網絡的輸出向量；

④ 調整學習率：在迭代過程中逐漸修改增大學習率的參數，設置一個閾值，如果學習率大于該閾值，采用下降梯度法；如果學習率小于該閾值，則使用牛頓法；

該算法與傳統的遞歸神經網絡算法相比，其引入了自適應的調整學習率的思想，從而能夠有效的改變傳統遞歸神經網絡算法學習過程中，人們憑借經驗值判斷設置學習率，但是由于經驗值非常難獲取，尤其是在復雜的應用環境中，每一個算法面臨的數據的大小、復雜程度都是不同的，導致學習率難以控制。改進的遞歸神經網絡以一定的增量，逐漸修改學習率，并且設置一個閾值，以便更好的控制學習率。

4 仿真實驗與分析

4.1 實驗數據

本文基于改進的遞歸神經網絡實現評估和預測網絡安全態勢，為了能夠驗證該算法的合理性、有效性，本文采用Honeynet收集的黑客攻擊數據作為算法的測試的數據集，將數據進行預處理之后，使用計算網絡安全態勢值的方法計算態勢值，然后進行仿真實驗。

4.2 數據環境

為了能夠更加有效的對數據進行實驗，本文使用Matlab環境實現一個有效的改進遞歸神經網絡算法，訓練數據集。訓練數據集的過程中，本文選取網絡運行10周的數據，并且使用當天的網絡黑客攻擊數據計算網絡當天的態勢值，因此這10周共得到了70個網絡態勢值，由于不同的時間段內，網絡的攻擊數據集非常大，為了避免訓練數據集時算法產生較大的誤差，針對計算得到的網絡攻擊態勢值實施歸一化處理。

歸一化處理公式如（5）所示：

Improved network security situation prediction based on recursive neural networks

Cai Junping1,Qu Lei2
(1.Defense Information School of a department of Hubei,Wuhan,430010; 2.College of Wuhan Hubei eight Department of defense information,430010)

Neural network to deal with nonlinear,complexity advantage of this paper,network security situation prediction based on improved recursive neural networks,experimental results show that the high efficiency of the method,results are compared with the actual values,low error,high accuracy.

Network Security Situation;Recurrent Neural Network;Prediction