融合注意力機制和BSRU的工業互聯網安全態勢預測方法

胡向東，田正國

融合注意力機制和BSRU的工業互聯網安全態勢預測方法

胡向東，田正國

（重慶郵電大學自動化學院/工業互聯網學院，重慶 400065）

安全態勢預測對確保工業互聯網平穩可靠運行至關重要。傳統的預測模型在面對工業生產過程中產生的海量、高維和時間序列數據時，難以準確、高效地對網絡安全態勢進行預測，因此提出一種融合注意力機制和雙向簡單循環單元（BSRU，bi-directional simple recurrent unit）的工業互聯網安全態勢預測方法，以滿足工業生產的實時性和準確性要求。對各安全要素進行分析和處理，使其能反映當前網絡狀態，便于態勢值的求取。使用一維卷積網絡提取各安全要素之間的空間維度特征，保留特征間的時間相關性。利用BSRU網絡提取信息之間的時間維度特征，減少歷史信息的丟失，同時借助SRU網絡強大的并行能力，減少模型的訓練時間。引入注意力機制優化BSRU隱含狀態中的相關性權重，以突出強相關性因素，減少弱相關性因素的影響，實現融合注意力機制和BSRU的工業互聯網安全態勢預測。對比實驗結果顯示，該模型較使用雙向長短期記憶網絡和雙向門控循環單元的預測模型，在訓練時間和訓練誤差上分別減少了13.1%和28.5%；相比于沒有使用注意力機制的卷積和BSRU網絡融合模型，訓練時間雖增加了2%，但預測誤差降低了28.8%；在不同預測時長下該模型的預測效果優于其他模型，實現了在時間性能上的優化，使用注意力機制在增加少量時間成本的前提下，提升了模型的預測精度，能夠較好地擬合網絡安全態勢發展，且模型在多步預測上存在一定的優勢。

工業互聯網；注意力機制；簡單循環單元；安全態勢

0 引言

隨著一些低時延、高可靠的新型網絡基礎設施在工業領域的應用，互聯網在工業領域迅速普及。高速、智能的工業互聯網給企業帶來便利的同時使原本與互聯網隔離的工控系統面臨復雜的網絡安全問題。因此，為了提前感知危險，及時做出應對措施，高效率、高穩定、高智能的感知預測模型變得越來越重要。網絡安全態勢感知（NSSA，network security situation awareness）[1-2]技術可以用于收集工業互聯網環境下網絡安全威脅要素，進行合理分析與評估，管理者基于獲得的安全態勢值判斷可能發生的網絡安全風險，做出安全決策，保證工控網絡的安全。

在工業互聯網領域，每天都會產生大量具有非線性和時變性的數據，傳統的預測方法，如基于隱馬爾可夫鏈[3]、支持向量機（SVM，support vector machine）[4]和反向傳播網絡（BP，back propagation）[5]等模型，由于容錯性、自學能力較差，已經不適應當前網絡環境對安全態勢的預測。尋找一種泛化能力強、善于處理非線性問題的模型，正成為研究者促進工業與互聯網安全態勢預測的研究重點。Zhang等[6]針對網絡安全威脅事件的不確定性和突發性，提出了一種優化的小波神經網絡預測模型。該模型通過動態模糊聚類和消除機制改進后的遺傳算法優化網絡參數，不僅提高了模型的收斂效率，同時預測精度得到了提升。Xiao等[7]針對網絡安全態勢數據具有的非線性、時間性等特點，提出一種基于改進BP的網絡安全態勢預測算法。該算法通過思維進化算法優化BP網絡參數，提升了預測的準確度和效率，但是對歷史數據的處理不夠完善。楊宏宇等[8]針對時間序列數據，提出一種基于自修正系數的預測模型，使用熵關聯度將數據信息轉換為時間樣本序列，采用時變加權馬爾可夫鏈對預測結果進行修正，提高對時間序列數據的預測精度，但對線性數據的處理不夠完善。

雖然上述方法在預測精度和收斂速度等方面都取得了很好的效果，但只考慮了網絡安全態勢值，忽略了多屬性網絡安全態勢要素的重要性，參考因素相對片面，精確預測方面存在不足。為了改善這個問題，張任川等[9]針對網絡安全態勢要素和態勢值等問題，提出一種改進的卷積神經網絡（CNN，convolution neural network）。通過改進卷積結構，降低了模型的優化難度，但沒有充分利用卷積網絡在特征提取上的優勢，預測精度略有不足。Li等[10]針對訓練時間長、各要素間存在時間相關性等問題，采用簡單循環單元與注意力機制相結合的方式，對影響要素進行選擇性學習，提高了預測精度，縮短了訓練時間。

為了區分不同工業互聯網網絡安全態勢要素對安全態勢值的影響，同時避免模型產生較大的計算代價，本文提出了一種融合注意力機制和BSRU的工業互聯網安全態勢預測方法（Attention-BSRU），通過CNN和BSRU處理不同網絡安全態勢要素對未來網絡安全態勢值的影響，挖掘各要素之間的時間相關性；利用BSRU強大的并行能力，提高訓練時間性能，滿足工控系統對實時性的要求；引入Attention機制[11]融合多屬性網絡安全數據，加強重要因素對安全態勢值的影響，從而達到提高預測精度和預測效率的目的。

1 工業互聯網安全態勢預測模型

采用Attention-BSRU模型對態勢值進行預測的思路是先將獲取到的數據進行預處理并經過滑動窗口重構后作為模型的輸入，利用CNN和BSRU提取各要素間的局部特征，捕獲時間相關性，利用注意力機制調整輸入特征的權重，使用Sigmoid函數對態勢值進行預測。預測模型的流程如圖1所示。

1.1 數據預處理

1.1.1 工業互聯網安全態勢指標選取

工業互聯網安全區別于通用信息網絡安全的特殊性主要表現為業務數據含義的不同及其影響程度的差異，指令數據錯誤不僅可能導致業務邏輯出錯，還可能造成物理上的財物損壞甚至人身安全事故發生；工業互聯網安全數據包含生產設備的詳細情況及運行規律，也包含大量市場、客戶等信息，連接種類和數量更多，場景更復雜；為了滿足工業生產的需求，要求工業互聯網的性能更可靠和安全，因此對數據的真實性、完整性、時效性等要求更高；工業環境中的行業標準多，評價標準不一，選取不同的數據結果會不同；工業互聯網數據具有更強的時間相關性，實時性要求更高。因此，工業互聯網安全影響更大，實效性要求更高，指標選取和性能評估要考慮的因素更多。

圖1 預測模型的流程

Figure 1 Flow of prediction model

由于工業互聯網中數據種類繁多，在工業互聯網安全風險評估、識別可能的安全威脅和評估潛在損失的過程中，不能使用單一的指標判斷網絡運行狀態。參考文獻[12-13]對分層模型的研究并結合網絡信息安全風險評估規范GB/T 20984-2007，從威脅性、脆弱性、資產價值3個方面進行要素選取。工業互聯網安全態勢評估指標如表1所示。

根據漏洞類型、漏洞危害等級、網絡設備資產、攻擊數量和通用安全漏洞評分系統評分等構造工業互聯網漏洞數據庫。本文參考文獻[14-15]對評估方法的研究，考慮以下要素評估安全態勢值。

1) 脆弱性指數：指對工控系統漏洞信息、設備補丁信息和設備安全漏洞等進行量化評估后，能反映工控系統在遭受攻擊入侵時防御失敗的可能性，系統越脆弱，該指數越高。的計算式如(1)所示。

表1 工業互聯網安全態勢評估指標

2) 威脅性指數：指利用脆弱性導致的攻擊事件，通過關聯分析得到的評估指數，反映工控系統受到威脅的程度，該指數越高表示威脅越大。的計算如式(3)所示。

3) 資產安全風險指數：指對工控系統中設備和網絡資產信息等進行量化評估后，得到能夠反映網絡中資產價值的數值。資產價值越大，受到攻擊后，損失越大。的計算如式(4)所示。

表2 網絡安全態勢等級對照

1.1.2 數據歸一化

1.1.3 數據重構

圖2 樣本構造方法

Figure 2 Sample construction method

算法1 數據重構算法

輸入 原始數據集，窗口大小size，特征列，目標列target，預測時長。

1) 初始化,size,, target,。

1.2 Attention-BSRU預測方法

針對工業互聯網安全態勢的影響因素多、具有時序性等特點，本文使用BSRU為基礎架構，利用CNN提取多屬性安全要素中的重要信息，引入注意力機制賦予各屬性不同的權重。Attention-BSRU預測模型結構如圖3所示。

圖3 Attention-BSRU預測模型結構

Figure 3 The structure of the Attention-BSRU prediction model

1.2.1 卷積層

1.2.2 雙向SRU層

雙向SRU層根據卷積層提取的數據捕獲數據間的時間相關特性，從正反兩個方向處理數據，提高預測的準確度，通過并行化計算，提高訓練時間性能。

為了加速循環神經網絡（RNN，recurrent neural network）的訓練，本文選用SRU單元結構。SRU是Lei等[16]為了解決RNN訓練時間長的問題，基于長短期記憶（LSTM，long short-term memory）網絡提出的一種變體結構。SRU單元丟棄了原有循環結構中數據間的依賴關系，實現了并行化計算，減小了計算成本。SRU的結構如圖4所示。

圖4 SRU結構

Figure 4 SRU structure

單層SRU的計算可分為兩部分：輕度循環和高速網絡。計算過程如下。

1.2.3 注意力層

由于輸入是多屬性的安全要素，且不同安全要素間的重要性差異不同。本文通過注意力層調整輸入特征的權重，獲取序列的完整特征表示，計算預測數值。

Attention機制可以看作一個關鍵特征提取器，主要進行加權求和操作，通過調整輸入特征的權重，改變不同特征對輸出的影響程度，提高預測能力。

4）將得到的網絡安全態勢值送入全連接層，使用Sigmoid函數進行預測。

2 實驗仿真

2.1 實驗環境

國家互聯網應急中心（CNCERT）發布的每周態勢報告依托公共互聯網網絡安全監測平臺對安全事件自主監測，其實驗拓撲結構如圖5所示。

圖5 實驗拓撲結構

Figure 5 Experimental topological structure

網絡結構被分為兩部分：攻擊者網絡和受害者網絡，收集的數據中包含了典型的植入后門、網頁仿冒、惡意程序等網絡威脅的數量。

實驗選取2017年第32期到2020年第41期共167期的每周態勢報告[18]作為實驗數據，選取其中的5個安全要素：受感染主機數量、被篡改網站數量、被植入后門網站數量、仿冒頁面數量和新增安全漏洞數量，按照工業互聯網安全態勢評價指標和相關性分析結果賦予安全要素不同的安全等級和權重指數，用于評估網絡安全態勢值。

由于數據集中沒有明確的資產信息，本文將數據中收錄的安全產品、操作系統、網絡設備、Web應用和應用程序5種受安全漏洞影響的對象作為資產模擬對象，將漏洞、惡意程序和網頁仿冒3種攻擊事件模擬威脅性，然后按式(3)～式(4)計算出威脅性指數和資產安全風險指數，最后通過式(5)得到167周的網絡安全態勢值。具體網絡安全態勢值量化模型如圖6所示。

圖6 態勢值量化模型

Figure 6 Quantification model of situation value

2.2 參數設置

2.3 評價指標

為了能夠準確地評估不同預測模型的性能，參考文獻[20-21]的研究，采用平均絕對誤差（MAE，mean absolute error）、平均絕對百分比誤差（MAPE，mean absolute percentage error）和均方根誤差（RMSE，root mean square error）作為評價指標，分別表示如下。

其中的參數與式(17)一致，在安全態勢預測中，以上指標的值越小，表明預測越準確，模型 越好。

2.4 與單一網絡預測模型對比

為了驗證融合網絡的優越性，本文模型同單一的CNN、SRU、SVM、BP等傳統預測網絡模型進行對比實驗。考慮到神經網絡權重初始化的隨機性會導致實驗結果與真實結果存在一定偏差，實驗過程中對所有預測模型進行多次訓練取平均值，以減小誤差。本文數據選取10次實驗數據的平均值作為比較數據，同時使用本文提出的評價指標和迭代時間作為性能評價標準，預測時長=10。結果如表3所示，相比單獨使用CNN、SRU的預測模型，本文所構造的模型將預測誤差降低了43%、40.8%。

表3 單一網絡預測模型的預測結果

各預測模型的預測危險級別與真實危險級別的對比如圖7所示，可以看出SRU網絡不能很好地預測網絡危險級別，如第13周就將危險級別4誤報為危險級別3，而增加了CNN對特征提取后的融合網絡，減小了誤報率。但是在第10個預測點處存在誤差，實際的危險級別屬于5，而預測出的結果對應的危險級別是4，管理者采取的措施在面對大量網絡威脅時，防范不足，會導致重大危險。比較所有預測模型，在該位置的預測都存在誤差，可能是評估模型在臨界點處存在誤差或者該點為異常點所致。

各預測模型的態勢值對比如圖8所示，從整體趨勢上分析，本文方法所得結果的擬合度最高，SVM預測模型的效果最差，只能預測大概的變化趨勢，而其余預測網絡可以很好地預測數據的變化趨勢，但擬合效果稍遜于融合網絡模型，這表明融合CNN和BSRU的網絡模型通過對多屬性安全要素來預測態勢值的有效性，既可以解決歷史數據的長期依賴問題，也可以更好地提取數據特征，提高了預測的準確度。

時間序列預測的評判標準不僅要考慮預測的準確度，還要考慮不同預測時長下的準確度。本文針對不同預測模型在不同預測時長下的預測誤差進行對比，取預測時長=1,5,10,15，結果如圖9所示。

從圖9可以看出，在相同的預測時長下，本文網絡模型比其他單一網絡預測模型具有更好的預測效果，而隨著預測時長的增加，預測效果有所改變，總體而言，本文模型在多步預測時優于單步預測，預測效果優于其他預測模型。但是預測時長過短或過長都會導致預測效果變差，所以模型的魯棒性略差。

圖7 預測危險級別與真實危險級別對比

Figure 7 Comparison of prediction level and danger level

圖8 預測模型的態勢值對比

Figure 8 Comparison of situation values of the prediction model

2.5 融合網絡預測模型對比

為了驗證本文所使用的SRU單元在時間序列數據處理效率上的優越性，將Attention-BSRU模型中的SRU單元替換為LSTM、GRU單元，其他參數不改變，得到Attention-BGRU和Attention-BLSTM模型并進行對比實驗，同時與不加注意力機制的CNN-BSRU模型和基于注意力機制的AIS-LSTM[22]模型預測值進行對比實驗。結果如表4所示，反映了Attention-BSRU模型相比其他融合網絡模型的突出優勢。

圖9 不同預測時長下的平均絕對誤差對比

Figure 9 Comparison of MAE under different prediction duration

表4 融合網絡預測模型的預測結果

相比Attention-BLSTM、Attention-BGRU模型，本文將誤差分別降低了31.2%和28.5%，訓練時間分別提高了21.4%和13.1%，表明SRU單元比LSTM、GRU單元在預測的準確度和訓練時間上都有較大提升；相比CNN-BSRU模型，本文模型的訓練時間增加了2%，誤差降低了28.8%，這表明使用注意力機制可以降低模型的預測誤差，因此可以在損失少量時間的前提下，使用注意力機制提升預測的準確度；AIS-LSTM模型的訓練時間、預測絕對誤差都不及本文模型。

圖10反映了不同融合網絡預測模型訓練損失隨迭代次數的變化規律，其中AIS-LSTM的損失下降速度最慢，Attention-BGRU的損失下降速度最快，Attention-BSRU的下降速度稍慢于Attention-BGRU模型；各模型都有一定限度的振蕩，但最后都趨于平穩，表明各模型的收斂性、穩定性相似；但是Attention-BSRU的初始損失值比其他模型的初始損失值都大。從穩定性、收斂性和學習速率來看，Attention-BGRU表現最好，Attention-BSRU次之，AIS-LSTM最差。

圖10 融合網絡預測模型的訓練損失曲線

Figure 10 Training loss curve of fusion network prediction mode

圖11反映了不同融合網絡預測模型的預測態勢值與實際值的對比情況，從圖中可以看出Attention-BSRU的擬合效果較好，AIS-LSTM的擬合效果較差。綜合分析，在犧牲少量穩定性、收斂性和學習速率的代價下，可以換取訓練時間性能和擬合效果的提升，在對時間要求較高的工控領域，本文所提的模型優于其他模型。

圖11 融合網絡預測模型的預測態勢值與實際值對比

Figure 11 Comparison of predicted situation valueand actual value of the fusion network prediction model

3 結束語

針對存在時間相關性的工業互聯網安全態勢值受多種網絡安全態勢要素的影響，且廣泛應用于時間序列處理的LSTM、GRU循環單元計算代價較大問題，本文提出一種融合注意力機制和BSRU的工業互聯網安全態勢值預測方法。該方法利用CNN提取網絡安全態勢要素，使用BSRU保存歷史信息，充分挖掘安全態勢要素之間的相互依賴關系，避免對評估態勢值的依賴，利用注意力機制調整輸入特征的權重，提高對重要特征的關注度，使預測更準確。本文模型使用的SRU單元相比其他循環單元具有更好的預測效果，還能減少計算代價，時效性更好。相比傳統的單一網絡預測模型，該模型預測效果更好，在多步預測時優勢更明顯，同時在相同預測時長下，本文預測模型略微優于其他預測模型。通過實驗數據和仿真驗證了本文模型預測的準確性和高效性。但是該方法還存在一些需要改進的地方，下一步的研究方向為：構建更加完善的工業互聯網安全態勢評估模型，使臨界點處的網絡安全態勢值具有很好的辨識度；采用一些優化算法優化網絡參數，進一步提高模型的預測準確度。

[1] LIU X, YU J, LV W, et al. Network security situation: from awareness to awareness-control[J]. Journal of Network and Computer Applications, 2019, 139: 15-30.

[2] WU J, OTA K, DONG M, et al. Big data analysis-based security situational awareness for smart grid[J], IEEE Transactions on Big Data, 2016, 4(3): 408-417.

[3] LIANG W , LONG J , CHEN Z , et al. A security situation prediction algorithm based on HMM in mobile network[J]. Wireless Communications & Mobile Computing, 2018, 2018: 1-11.

[4] HU J, Ma D, LIU C, et al. Network security situation prediction based on MR-SVM[J]. IEEE Access, 2019, 7: 130937-130945.

[5] 謝麗霞, 王亞超, 于巾博. 基于神經網絡的網絡安全態勢感知[J]. 清華大學學報(自然科學版), 2013, 53(12): 1750-1760.

XIE L X, WANG Y C, YU J B. Network security situation awareness based on neural networks[J]. Journal of Tsinghua University(Science and Technology), 2013, 53(12): 1750-1760.

[6] ZHANG H, HUANG Q, LI F,. A network security situation prediction model based on wavelet neural network with optimized parameters[J]. Digital Communications and Networks, 2016, 2(3): 139-144.

[7] XIAO P, XIAN M, WANG H. Network security situation prediction method based on MEA-BP[C]//2017 3rd International Conference on Computational Intelligence & Communication Technology (CICT). IEEE, 2017: 1-5.

[8] 楊宏宇, 張旭高. 基于自修正系數修勻法的網絡安全態勢預測[J]. 通信學報, 2020, 41(5): 196-204.

YANG H Y, ZHANG X G. Self-corrected coefficient smoothing method based network security situation prediction[J]. Journal on Communications, 2020, 41(5): 196-204.

[9] 張任川, 張玉臣, 劉璟, 等. 應用改進卷積神經網絡的網絡安全態勢預測方法[J]. 計算機工程與應用, 2019, 55(6): 86-93.

ZHANG R C, ZHANG Y C, LIU J, et alNetwork security situation prediction method using improved convolution neural network[J]. Computer Engineering and Applications, 2019, 55(6): 86-93.

[10] LI Y, LIU B, ZHANG L, et al. Fast trajectory prediction method with attention enhanced SRU[J]. IEEE Access, 2020, 8: 206614-206621.

[11] LUONG M T, PHAM H, MANNING C D. Effective approaches to attention-based neural machine translation[J]. arXiv preprint arXiv:1508.04025, 2015.

[12] 丁華東, 許華虎, 段然, 等. 基于貝葉斯方法的網絡安全態勢感知模型[J]. 計算機工程, 2020, 46(6): 130-135.

DING H D, XU H H, DUAN R, et al. Network security situation awareness model based on bayesian method[J]. Computer Engineering, 2020, 46(6): 130-135.

[13] 程家根. 基于機器學習的網絡安全態勢感知模型研究與實現[D].南京郵電大學, 2020.

CHENG J G. Research and implementation of network security situation awareness model based on machine learning[D]. Nanjing: Nanjing University of Posts and Telecommunications, 2020.

[14] CHERDANTSEVA Y, BURNAP P, BLYTH A,et al. A review of cyber security risk assessment methods for SCADA systems[J]. Computers & security, 2016, 56: 1-27.

[15] HUANG K, ZHOU C, TIAN Y C, et al. Assessing the physical impact of cyberattacks on industrial cyber-physical systems[J]. IEEE Transactions on Industrial Electronics, 2018, 65(10): 8153-8162.

[16] LEI T, ZHANG Y, WANG S I, et al. Simple recurrent units for highly parallelizable recurrence[J]. arXiv preprint arXiv:170- 9.02755, 2017.

[17] ZILLY J G, SRIVASTAVA R K, KOUTNIK J, et al. Recurrent highway networks[C]//International Conference on Machine Learning. 2017: 4189-4198.

[18] CNCERT. 2017年至2020年網絡安全信息與動態周報[EB].

CNCERT. Network security information and trends weekly report from 2017 to 2020[EB].

[19] BOCK S, WEI? M. A proof of local convergence for the Adam optimizer[C]//2019 International Joint Conference on Neural Networks (IJCNN). IEEE, 2019: 1-8.

[20] KHWAJA A, ZHANG X, ANPALAGAN A, et al. Boosted neural networks for improved short-term electric load forecasting[J]. Electric Power Systems Research, 2017, 143: 431-437.

[21] ZENG L, REN W, SHAN L J N. Attention-based bidirectional gated recurrent unit neural networks for well logs prediction and lithology identification[J]. Neuro Computing, 2020, 414: 153-171.

[22] MUNKHDALAI L, MUNKHDALAI T, PARK K H, et al. An end-to-end adaptive input selection with dynamic weights for forecasting multivariate time series[J]. IEEE Access, 2019, 7: 99099-99114.

Methods of security situation prediction for industrial internet fused attention mechanism and BSRU

HU Xiangdong, TIAN Zhengguo

College of Automation/Industrial Internet Institute, Chongqing University of Posts and Telecommunications, Chongqing 400065, China

The security situation prediction plays an important role in balanced and reliable work for industrial internet. In the face of massive, high-dimensional and time-series data generated in the industrial production process, traditional prediction models are difficult to accurately and efficiently predict the network security situation. Therefore, the methods of security situation prediction for industrial internet fused attention mechanism and bi-directional simple recurrent unit (BSRU) were proposed to meet the real-time and accuracy requirements of industrial production. Each security element was analyzed and processed, so that it could reflect the current network state and facilitate the calculation of the situation value. One-dimensional convolutional network was used to extract the spatial dimension features between each security element and preserve the temporal correlation between features. The BSRU network was used to extract the time dimension features between the data information and reduced the loss of historical information. Meanwhile, with the powerful parallel capability of SRU network, the training time of model was reduced. Attention mechanism was introduced to optimize the correlation weight of BSRU hidden state to highlight strong correlation factors, reduced the influence of weak correlation factors, and realized the prediction of industrial internet security situation combining attention mechanism and BSRU. The comparative experimental results show that the model reduces the training time and training error by 13.1% and 28.5% than the model using bidirectional long short-term memory network and bidirectional gated recurrent unit. Compared with the convolutional and BSRU network fusion model without attention mechanism, the prediction error is reduced by 28.8% despite the training time increased by 2%. The prediction effect under different prediction time is better than other models. Compared with other prediction network models, this model achieves the optimization of time performance and uses the attention mechanism to improve the prediction accuracy of the model under the premise of increasing a small amount of time cost. The proposed model can well fit the trend of network security situation, meanwhile, it has some advantages in multistep prediction.

industrial internet, attention mechanism, simple recurrent unit, security situation

TP391

A

2021?05?17；

2021?06?24

胡向東，huxd@cqupt.edu.cn

教育部?中國移動科研基金（MCM20150202，MCM20180404）

胡向東, 田正國. 融合注意力機制和BSRU的工業互聯網安全態勢預測方法[J]. 網絡與信息安全學報, 2022, 8(1): 41-51.

10.11959/j.issn.2096?109x.2021092

胡向東（1971? ），男，四川廣安人，博士，重慶郵電大學教授、博士生導師，主要研究方向為物聯網安全智能理論與技術、智能感知、網絡化測量與工業大數據安全、復雜系統建模仿真與優化。

田正國（1995? ），男，江蘇徐州人，重慶郵電大學碩士生，主要研究方向為工業互聯網安全。

The Joint Research Foundation of the Ministry of Education of the People’s Republic of China and China Mobile (MCM20150202，MCM20180404)

Format: HU X D, TIAN Z G. Methods of security situation prediction for industrial internet fused attention mechanism and BSRU[J]. Chinese Journal of Network and Information Security, 2022, 8(1): 41-51.