基于HHGA-RBF算法的網(wǎng)絡(luò)態(tài)勢預(yù)測模型研究＊

楊美蘭 張大鵬 宋世延 羅 悅

（1．國防信息學(xué)院研究生管理大隊 武漢 430010）（2．92493部隊 葫蘆島 125000）（3．海軍工程大學(xué)電子工程學(xué)院 武漢 430033）（4．解放軍161醫(yī)院 武漢 430010）

1 引言

現(xiàn)階段網(wǎng)絡(luò)安全問題愈發(fā)嚴(yán)重，一方面是由于互聯(lián)網(wǎng)的應(yīng)用范圍越來越廣泛，規(guī)模越來越龐大，另一方面由于系統(tǒng)脆弱性不斷發(fā)現(xiàn)，簡單易用的攻擊工具越來越普及，使得網(wǎng)絡(luò)安全事件層出不窮［1～3］。網(wǎng)絡(luò)安全態(tài)勢評估技術(shù)能夠從整體上動態(tài)反映網(wǎng)絡(luò)安全狀況，并對其發(fā)展趨勢進(jìn)行預(yù)測和預(yù)警，為增強網(wǎng)絡(luò)安全性提供可靠的參照依據(jù)。因此，網(wǎng)絡(luò)安全態(tài)勢評估模型及關(guān)鍵技術(shù)已成為目前網(wǎng)絡(luò)安全領(lǐng)域的研究熱點［4］。為了應(yīng)對未來出現(xiàn)的網(wǎng)絡(luò)戰(zhàn)爭，需加強對軍內(nèi)網(wǎng)絡(luò)安全防護(hù)措施。傳統(tǒng)的網(wǎng)絡(luò)安全防護(hù)大多是從防御角度對網(wǎng)絡(luò)資源進(jìn)行保護(hù)，而網(wǎng)絡(luò)安全態(tài)勢評估技術(shù)則是一種主動的網(wǎng)絡(luò)防護(hù)技術(shù)。目前在該領(lǐng)域的研究還處于起步階段，大多數(shù)的研究還停留在理論上。

網(wǎng)絡(luò)在不同時刻的安全態(tài)勢彼此相關(guān)，安全態(tài)勢變化有一定的內(nèi)部規(guī)律，這種規(guī)律可以預(yù)測網(wǎng)絡(luò)在將來時刻的安全態(tài)勢［5］，從而可以有預(yù)見性地指導(dǎo)管理員進(jìn)行安全策略的配置，實現(xiàn)動態(tài)的安全管理，預(yù)防大規(guī)模安全事件的發(fā)生。本文采用的預(yù)測方法是基于時間序列分析的方法，時間序列分析是利用態(tài)勢評估得到的結(jié)果，通過曲線擬合和參數(shù)估計，建立相應(yīng)的模型進(jìn)行預(yù)測，具體實施時采用HHGA-RBF模型。

軍用網(wǎng)絡(luò)安全態(tài)勢評估技術(shù)研究和系統(tǒng)開發(fā)［6］，對于提高軍用網(wǎng)絡(luò)的安全防護(hù)能力，進(jìn)一步保證軍用網(wǎng)絡(luò)資源不被非法獲取和破壞具有重要意義。通過系統(tǒng)的實現(xiàn)與測試，證明該模型能夠有效地對當(dāng)前的網(wǎng)絡(luò)安全態(tài)勢實現(xiàn)量化評分，并對安全態(tài)勢的發(fā)展趨勢具有一定的預(yù)測能力。

2 相關(guān)理論基礎(chǔ)

2．1 網(wǎng)絡(luò)態(tài)勢預(yù)測基本理論

態(tài)勢感知最早是起源于航空應(yīng)用領(lǐng)域，用于對當(dāng)前空域中的飛行流量進(jìn)行研究、判斷、預(yù)測。蒂姆貝斯將這一研究理論和成果應(yīng)用于網(wǎng)絡(luò)安全的研究領(lǐng)域，最早提出了網(wǎng)絡(luò)安全態(tài)勢感知的相關(guān)理論和定義［7～8］。在以之后，各個國家的專家和學(xué)者從各個不同的角度對這一技術(shù)進(jìn)行了研究，給出了自己的定義。到目前為止，尚未形成一個統(tǒng)一的，被普通承認(rèn)的定義。本文中采納的對于網(wǎng)絡(luò)安全態(tài)勢的定義為：通過對目標(biāo)網(wǎng)絡(luò)中所有節(jié)點設(shè)備的信息采集，獲取節(jié)點的運行情況，通過對網(wǎng)絡(luò)中數(shù)據(jù)的分析，獲取網(wǎng)絡(luò)的活動情況，以及網(wǎng)絡(luò)用戶的行為等信息，綜合以上信息和數(shù)據(jù)，實現(xiàn)對當(dāng)前網(wǎng)絡(luò)狀況的準(zhǔn)確定義和及時判斷，并以此為基礎(chǔ)，對目標(biāo)網(wǎng)絡(luò)未來一段時間內(nèi)的安全狀況進(jìn)行預(yù)測。對于網(wǎng)絡(luò)安全態(tài)勢的研究而言，其目的是為了能夠在網(wǎng)絡(luò)的安全狀況發(fā)生變化時，通過對以上主要影響因素的獲取和及時響應(yīng)，實現(xiàn)對系統(tǒng)中資源的安全保護(hù)。

現(xiàn)有的為數(shù)不多的態(tài)勢預(yù)測手段以神經(jīng)網(wǎng)絡(luò)為主，這是因為神經(jīng)網(wǎng)絡(luò)尤其是徑向基神經(jīng)網(wǎng)絡(luò)具有良好的逼近性能和處理非線性數(shù)據(jù)的優(yōu)勢［9］。大部分都是基于離線學(xué)習(xí)的思想，且學(xué)習(xí)過程漫長，精度有限，對大規(guī)模網(wǎng)絡(luò)安全態(tài)勢的預(yù)測效果不理想。針對以上問題，本文重點研究網(wǎng)絡(luò)安全態(tài)勢預(yù)測。

2．2 網(wǎng)絡(luò)安全態(tài)勢感知中的關(guān)鍵技術(shù)

態(tài)勢預(yù)測基于過去和當(dāng)前的態(tài)勢評估結(jié)果，對網(wǎng)絡(luò)整體或局部的安全態(tài)勢在未來某個時間點或一段時間的發(fā)展趨勢進(jìn)行預(yù)測［10］。目前，有很多成熟的預(yù)測算法可用，比如人工神經(jīng)網(wǎng)絡(luò)、灰色理論和時間序列分析等等，它們有各自的特點和適用范圍。

人工神經(jīng)網(wǎng)絡(luò)是一種模擬人的認(rèn)知過程，將信息分布式存儲和并行協(xié)同處理的非線性動力系統(tǒng)［11］，其實質(zhì)是將當(dāng)前時刻的輸出表示為前幾步輸入和輸出值的非線性函數(shù)。常用的ANN 是三層BP神經(jīng)網(wǎng)絡(luò)，包含輸入層、隱含層和輸出層，首先確定輸入和初始權(quán)值，然后正向計算每一層的輸出，接著根據(jù)計算結(jié)果反向調(diào)整每一層的權(quán)值，然后再從新計算，如此反復(fù)調(diào)整權(quán)值直到計算結(jié)果滿足需求。

目前對此方面的研究主要有兩種思路：第一種基于單個入侵攻擊事件，利用單次預(yù)測結(jié)果，結(jié)合每種攻擊的威脅程度，計算相應(yīng)的下個或多個時刻的態(tài)勢值，此種方法在確定每種攻擊威脅程度時需要主觀經(jīng)驗判斷；第二種基于非線性時間序列進(jìn)行預(yù)測，綜合分析歷史安全態(tài)勢規(guī)律以預(yù)測未來某一時刻或某一時間段內(nèi)的安全態(tài)勢。

在對第二種方法的研究中，文獻(xiàn)［12］初步探討了一種基于RBF 神經(jīng)網(wǎng)絡(luò)的網(wǎng)絡(luò)安全態(tài)勢預(yù)測方法，通過大量實驗和訓(xùn)練來建立RBF神經(jīng)網(wǎng)絡(luò)模型用于態(tài)勢預(yù)測，但僅使用了報警的數(shù)量、類型等作為預(yù)測的依據(jù)，沒有考慮網(wǎng)絡(luò)整體狀態(tài)趨勢，并且選擇的是基本的RBF 神經(jīng)網(wǎng)絡(luò)，沒有進(jìn)行數(shù)據(jù)訓(xùn)練，存在基函數(shù)選擇困難和數(shù)據(jù)量大的問題。

Liu Xiao［13］等利用小波神經(jīng)網(wǎng)絡(luò)解決非線性時間序列預(yù)測問題，所表現(xiàn)出了收斂速度和容錯能力等方面的優(yōu)勢。文獻(xiàn)［14］提出了一種基于小波神經(jīng)網(wǎng)絡(luò)的動態(tài)定量預(yù)測網(wǎng)絡(luò)安全態(tài)勢的方法，并用改進(jìn)后的遺傳算法進(jìn)行優(yōu)化。本文的研究方法同樣基于時間序列，提出了在用RBF 神經(jīng)網(wǎng)絡(luò)對態(tài)勢值進(jìn)行預(yù)測的同時，使用HHGA 對RBF神經(jīng)網(wǎng)絡(luò)進(jìn)行了訓(xùn)練。

2．3 與傳統(tǒng)網(wǎng)絡(luò)安全防范技術(shù)的對比

網(wǎng)絡(luò)安全態(tài)勢評估系統(tǒng)是一種新的基于主動防御的網(wǎng)絡(luò)安全技術(shù)。在網(wǎng)絡(luò)安全的保障方面，目前主要采用的是防火墻、入侵檢測系統(tǒng)等，這些傳統(tǒng)的網(wǎng)絡(luò)安全技術(shù)與網(wǎng)絡(luò)安全態(tài)勢評估技術(shù)有著聯(lián)系，但也存在著較大的不同。從網(wǎng)絡(luò)安全防御的機制上看，防火墻技術(shù)和入侵檢測系統(tǒng)都是針對于已經(jīng)發(fā)生的非法入侵事件或者是網(wǎng)絡(luò)攻擊行為進(jìn)行處理，在功能上較為單一，主要是針對特定的網(wǎng)絡(luò)攻擊形式進(jìn)行防范。網(wǎng)絡(luò)安全態(tài)勢評估則是一種主要防御的技術(shù)，它的研究重點是基于當(dāng)前采集到的各類數(shù)據(jù)，對網(wǎng)絡(luò)的安全態(tài)勢進(jìn)行評估，從而達(dá)到防患于未然的目標(biāo)。防火墻和入侵檢測系統(tǒng)主要是通過對網(wǎng)絡(luò)數(shù)據(jù)信息的分析來實現(xiàn)安全防御，而網(wǎng)絡(luò)安全態(tài)勢評估的數(shù)據(jù)來源則較為廣泛，包括網(wǎng)絡(luò)中各節(jié)點主機的狀態(tài)信息、網(wǎng)絡(luò)用戶的操作信息、殺毒軟件的病毒檢測信息、網(wǎng)絡(luò)通信包分析數(shù)據(jù)等。

3 基于HHGA-RBF 算法的網(wǎng)絡(luò)態(tài)勢預(yù)測模型

3．1 構(gòu)建網(wǎng)絡(luò)態(tài)勢預(yù)測模型

因為遺傳算法具有全局搜索、收斂速度快等特點，將其與神經(jīng)網(wǎng)絡(luò)結(jié)合起來，不僅能發(fā)揮神經(jīng)網(wǎng)絡(luò)的泛化映射能力，而且能克服收斂速度慢和易陷入局部最優(yōu)的缺點［15］。但是較大的時間代價的引入，也妨礙了通過采用遺傳算法來學(xué)習(xí)RBF 網(wǎng)絡(luò)的發(fā)展，因此一般在用遺傳算法來優(yōu)化RBF 網(wǎng)絡(luò)的同時，需要和其他一些傳統(tǒng)的方法相結(jié)合，如回歸方法、聚類方法或最小二乘法等，以彌補遺傳算法的不足。本文的研究中選擇將遺傳算法與最小二乘法相結(jié)合，利用前者確定了中心和擴(kuò)展寬度后，再用后者設(shè)計輸出層權(quán)值。

此外，遞階遺傳算法（Hierarchy Genetic Algorithm，HGA）也是近年來提出的一種較為流行的新型遺傳算法，采用二進(jìn)制編碼和實數(shù)編碼相結(jié)合的混合編碼方法，可以在對神經(jīng)網(wǎng)絡(luò)參數(shù)優(yōu)化求解的同時對神經(jīng)網(wǎng)絡(luò)的結(jié)構(gòu)進(jìn)行優(yōu)化，具有較高的學(xué)習(xí)效率。

基于HGA 的RBF 神經(jīng)網(wǎng)絡(luò)算法能夠根據(jù)樣本數(shù)據(jù)確定RBF 神經(jīng)網(wǎng)絡(luò)的結(jié)構(gòu)和參數(shù)，但在學(xué)習(xí)過程中算法的收斂速度較慢。它將輸出層神經(jīng)元的連接權(quán)重放到染色體中用遺傳算法進(jìn)行搜索，分析RBF神經(jīng)網(wǎng)絡(luò)的結(jié)構(gòu)可知，RBF神經(jīng)網(wǎng)絡(luò)輸出層為線性神經(jīng)元，因此在確定了中心和擴(kuò)展寬度后，輸出層權(quán)值可以采用最小二乘法進(jìn)行設(shè)計。為此，將HGA 與最小二乘法相結(jié)合，采用基于混合遞階遺傳算法（Hybrid Hierarchy Genetic Algorithm，HHGA）的RBF 神經(jīng)網(wǎng)絡(luò)學(xué)習(xí)算法，其中遞階染色體中只包含隱層參數(shù)，輸出層的設(shè)計在GA 的評價函數(shù)中完成。混合遞階遺傳算法優(yōu)化神經(jīng)網(wǎng)絡(luò)的算法流程如圖1所示。

圖1 HHGA-RBFNN 流程圖

3．2 網(wǎng)絡(luò)態(tài)勢預(yù)測模型分析

1）采用HGA 的編碼方法

HGA 中染色體由兩部分組成：控制基因和參數(shù)基因。控制基因采用二進(jìn)制編碼，編碼長度為最大隱層節(jié)點個數(shù)，每一位對應(yīng)一個隱層節(jié)點，“1”表示隱層節(jié)點存在，對應(yīng)的參數(shù)基因處于有效狀態(tài)；“0”表示隱層節(jié)點不存在，對應(yīng)的參數(shù)基因處于無效狀態(tài)。控制基因中“1”的個數(shù)即為隱層節(jié)點的個數(shù)。為了加強遺傳算法在解空間的搜索能力，參數(shù)基因釆用實數(shù)編碼，表示隱層節(jié)點中心和寬度。

2）初始化

確定種群大小為Q。合適的群體規(guī)模對遺傳算法的收斂具有重要的意義。群體太小難以求得滿意的結(jié)果，群體太大則計算復(fù)雜。依據(jù)經(jīng)驗，群體規(guī)模一般取20～160。

控制基因和參數(shù)基因分別初始化，控制基因設(shè)置最大值M，即最大隱層節(jié)點數(shù)為M，最小值為1。參數(shù)基因初始化為［0，1］區(qū)間的隨機數(shù)；

3）適應(yīng)度函數(shù)

訓(xùn)練RBF神經(jīng)網(wǎng)絡(luò)的目標(biāo)是使其在滿足一定精度的要求下具有最簡單的網(wǎng)絡(luò)結(jié)構(gòu)，也就是使得網(wǎng)絡(luò)的精確度和網(wǎng)絡(luò)的復(fù)雜度的綜合指標(biāo)達(dá)到最小。

網(wǎng)絡(luò)的精度目標(biāo)函數(shù)：

其中，SSE為網(wǎng)絡(luò)輸出與期望輸出之間的誤差平方和。

網(wǎng)絡(luò)復(fù)雜度由隱層節(jié)點數(shù)決定，目標(biāo)函數(shù)：F2＝L

為使遞階遺傳算法有效地訓(xùn)練RBF 網(wǎng)絡(luò)，需要建立能同時反映這兩個目標(biāo)的適應(yīng)度函數(shù)。本文采用了最小信息量準(zhǔn)則（AIC）適應(yīng)度函數(shù)。

其中，N為樣本數(shù)，L為隱層節(jié)點數(shù)，yi為期望輸出值，y′i為訓(xùn)練RBF網(wǎng)絡(luò)輸出值，b為一足夠大的值。SSE越小，L越小，f將越大。

4）遺傳操作

（1）選擇與復(fù)制

選擇若干適應(yīng)度值最大的染色體作為父本，直接遺傳給下一代。HHGA 與GA 的選擇操作一樣，適應(yīng)度越大的個體被選擇的概率也越大。

采用期待值法來求個體的期望值：

其中，f為個體i的適應(yīng)度，為適應(yīng)度平均值，fsum為種群的總適應(yīng)度，N為種群規(guī)模。

個體期待值確定種群中的個體是否進(jìn)入下一代進(jìn)行優(yōu)化，個體i被復(fù)制的個數(shù)為初始化種群經(jīng)過選擇與復(fù)制由P1成為P2。

（2）交叉與變異

交叉的目的在于產(chǎn)生新的基因組合，交叉后形成種群P3。

由于控制基因和參數(shù)基因使用不同的編碼方式，所以分別進(jìn)行交叉處理。控制基因的交叉遵循二進(jìn)制編碼的交叉規(guī)則：一點交叉操作，即在個體串中隨機設(shè)定一個交叉點，實行交叉時該點前后的兩個個體的部分結(jié)構(gòu)進(jìn)行交換，并產(chǎn)生兩個新個體。

參數(shù)基因采用的是實值編碼，因此需要采用模擬二進(jìn)制交叉操作。模擬二進(jìn)制交叉從父代群體中隨機選取兩個個體x1和x2，按下式定義的線性組合交叉方式，將x1、x2對應(yīng)交叉位的值相組合產(chǎn)生新后代公式：

其中，a是一個隨機數(shù)，a∈［0，i］。

變異運算用來模擬生物在自然的遺傳環(huán)境中的基因突變，通過變異操作，可確保種群中遺傳基因類型的多樣性，以使搜索能在盡可能大的空間中進(jìn)行。變異操作是按一定的概率從種群P3中每次隨機選取一個個體，隨機變化選定個體的某一個或某些基因位，形成種群P4。

對于控制基因，即染色體以二進(jìn)制編碼的系統(tǒng)中，以一定的概率對其進(jìn)行求反運算，隨機地將染色體的某一個基因由1變成0，或由0變成1。

對于參數(shù)基因的實值編碼，用偏置變異，以一定概率給該位加上一個隨機偏置值變。

交叉率和變異率采取自適應(yīng)選擇，交叉概率Pc和變異概率Pm按下式隨適應(yīng)度自動改變。

式中，fmax為當(dāng)前種群最大適應(yīng)度為該代種群的平均適應(yīng)度，f′為待交叉父母個體中適應(yīng)度較大者，為變異個體的適應(yīng)度。其中，k1，k2，k3，k4取值范圍為（0，1），給定ki＝k3＝1，k2＝k4＝0．5。

由此可見，當(dāng)種群各個個體的適應(yīng)度趨于一致或局部最優(yōu)時，Pc和Pm增加，而當(dāng)種群適應(yīng)度比較分散時，Pc和Pm減小。

3．3 網(wǎng)絡(luò)態(tài)勢預(yù)測流程

網(wǎng)絡(luò)安全態(tài)勢的變化是一個典型的非線性復(fù)雜系統(tǒng)，其變化的規(guī)律有著隨機和不確定的特點，但其網(wǎng)絡(luò)安全態(tài)勢的指標(biāo)在其時間序列上有著相關(guān)性。利用艾爾曼神經(jīng)網(wǎng)絡(luò)對于非線性復(fù)雜系統(tǒng)預(yù)測方面的強大能力，課題經(jīng)過研究，以該類神經(jīng)網(wǎng)絡(luò)為基礎(chǔ)，構(gòu)建了一個網(wǎng)絡(luò)安全態(tài)勢的預(yù)測模型。遺傳算法主要步驟如下：

1）隨機產(chǎn)生一個初始種群，其中每個個體都是確定長度的染色體。

2）按預(yù)定的目標(biāo)函數(shù)（或評價指標(biāo)）對染色體種群中的每個染色體進(jìn)行評價，并根據(jù)結(jié)果給出一個適應(yīng)度的值。

3）根據(jù)適應(yīng)度對每個染色體進(jìn)行選擇復(fù)制、交叉、變異等遺傳操作，去除適應(yīng)度低的染色體，留下適應(yīng)度高的染色體，從而得到一個新的種群。由于新群體的成員是上一代種群的優(yōu)秀者的繼承者，有著上一代的優(yōu)良性態(tài)，因而明顯優(yōu)于上一代。

4）再次對染色體種群中的每個染色體進(jìn)行評價，計算適應(yīng)度值。如果滿足預(yù)定的目標(biāo)函數(shù)或評價指標(biāo)，則停止優(yōu)化搜索；若仍不滿足，則執(zhí)行步驟3），循環(huán)操作，直到滿足停止準(zhǔn)則。

4 結(jié)語

傳統(tǒng)的網(wǎng)絡(luò)安全防護(hù)大多從防御的角度出發(fā)對網(wǎng)絡(luò)資源進(jìn)行保護(hù)，而網(wǎng)絡(luò)安全態(tài)勢評估技術(shù)則是一種主動的網(wǎng)絡(luò)防護(hù)技術(shù)。它從網(wǎng)絡(luò)自身的特點和外界對網(wǎng)絡(luò)的攻擊手段兩個方面進(jìn)行考慮，利用相關(guān)技術(shù)實現(xiàn)對網(wǎng)絡(luò)系統(tǒng)潛在問題以及外界對網(wǎng)絡(luò)的威脅進(jìn)行評估，目的是為了實現(xiàn)對網(wǎng)絡(luò)安全威脅的及早發(fā)現(xiàn)，及時處理，降低損失。目前在該領(lǐng)域的研究還處于起步階段，大多數(shù)的研究還停留在理論上。本文對目前在該領(lǐng)域的研究成果進(jìn)行了討論和分析，重點是現(xiàn)有的網(wǎng)絡(luò)安全態(tài)勢評估的關(guān)鍵技術(shù)；然后從網(wǎng)絡(luò)自身的特點入手，建立了網(wǎng)絡(luò)安全態(tài)勢評估模型，明確了網(wǎng)絡(luò)安全態(tài)勢評估的方法和步驟。網(wǎng)絡(luò)安全態(tài)勢評估技術(shù)的研究和系統(tǒng)的開發(fā)，對于提高網(wǎng)絡(luò)的安全防護(hù)能力，進(jìn)一步保證網(wǎng)絡(luò)資源不被非法獲取和破壞具有重要意義，同時也對網(wǎng)絡(luò)安全主動防護(hù)的理論與實踐研究具有重要意義。隨著網(wǎng)絡(luò)技術(shù)的發(fā)展，還會不斷出現(xiàn)新的安全問題，網(wǎng)絡(luò)安全各項技術(shù)也需要不斷的發(fā)展。本文基本實現(xiàn)了軍用網(wǎng)絡(luò)態(tài)勢的預(yù)測功能，能幫助網(wǎng)絡(luò)管理員提前預(yù)判網(wǎng)絡(luò)變化趨勢，從而調(diào)整安全策略。但還有許多問題需要經(jīng)過實踐不斷完善。

［1］Michael Howard，James Whittaker．Network Security Basies［J］．The IEEE Computer Society，2009（5）：1540-1593．

［2］黃莉，費金龍．科技期刊網(wǎng)絡(luò)化保密問題的思考和對策［J］．中國科技期刊研究，2010，21（2）：145-147．

［3］胡錚．網(wǎng)絡(luò)與信息安全［M］．北京：清華大學(xué)出版社，2006：318-323．

［4］Sean Conve．Network Security Architectures［M］．北京：人民郵電出版社，2005：90-94．

［5］魏永紅，李天智，張志．網(wǎng)絡(luò)信息安全防御體系探討［J］．河北省科學(xué)院報，2011，23（1）：25-28．

［6］秦宗全，于詠梅，郭大春．校園網(wǎng)絡(luò)安全防范體系研究［J］．計算機時代，2010（2）：16-18．

［7］Stephen Northeutt．深入剖析網(wǎng)絡(luò)邊界安全［M］．北京：機械工業(yè)出版社，2009：4-11．

［8］Merike Kaeo．Designing Network Security［M］．Indiana：Cisco Press，2011：11-19．

［9］Greg Holden．防火墻與網(wǎng)絡(luò)安全—入侵檢測與VPN［M］．北京：清華大學(xué)出版社，2010：66-68．

［10］John V．Harrison，Hal Berghel．A Protocol Layer Survey of Network Security［J］．Advances in Computers，2005，64（1）：109-158．

［11］Matt Bishop．Introduction to computer security［M］．北京：電子工業(yè)出版社，2010：212-213．

［12］趙光耀，鄒鵬，韓偉紅．基于遺傳算法和LSSVM 的網(wǎng)絡(luò)安全事件發(fā)生頻率預(yù)測［J］．信息網(wǎng)絡(luò)安全，2010，10：26．

［13］劉曉，曾祥虎，劉春宇．邊坡非線性位移的神經(jīng)網(wǎng)絡(luò)-時間序列分析［J］．巖石力學(xué)與工程學(xué)報，2005，24（19）：3499-3504．

［14］賴積保．基于異構(gòu)傳感器的網(wǎng)絡(luò)安全態(tài)勢感知若干關(guān)鍵技術(shù)研究［D］．哈爾濱：哈爾濱工程大學(xué)，2009．

［15］David Allen，Adnan Darwiche．Online value network linkages：integration，information sharing and flexibility［J］．Electronic Commerce Research and Applications，2011，4（2）：100-112．