基于PSO-TSA 模型的網(wǎng)絡(luò)安全態(tài)勢要素識別研究

張克君，鄭煒，于新穎，王航宇，王志強

（1.北京電子科技學(xué)院網(wǎng)絡(luò)空間安全系，北京 100071；2.北京郵電大學(xué)網(wǎng)絡(luò)空間安全學(xué)院，北京 100876）

隨著信息技術(shù)的不斷發(fā)展，當(dāng)前的網(wǎng)絡(luò)規(guī)模具有多節(jié)點、多分支、多網(wǎng)段、大流量等特點，網(wǎng)絡(luò)安全問題越來越嚴(yán)峻.傳統(tǒng)的監(jiān)測方法和防護(hù)手段已經(jīng)無法滿足新的安全需求.網(wǎng)絡(luò)安全態(tài)勢感知（Net?work Security Situation Awareness，NSSA）能在復(fù)雜的網(wǎng)絡(luò)環(huán)境中實時感知網(wǎng)絡(luò)的安全風(fēng)險，安全分析人員能結(jié)合網(wǎng)絡(luò)安全環(huán)境，快速、準(zhǔn)確地做出判斷，將風(fēng)險和損失降到最低［1］.網(wǎng)絡(luò)安全態(tài)勢要素識別是NSSA 的基礎(chǔ)，也是直接影響NSSA 性能的關(guān)鍵因素之一.

粒子群算法［2］結(jié)構(gòu)簡單、收斂速度快，符合NSSA 對時效性的要求，是目前應(yīng)用最廣泛的態(tài)勢要素識別算法.粒子群算法在搜索最優(yōu)解時通過共享粒子之間的信息，使得粒子總是在向當(dāng)前最優(yōu)解更新.在算法開始階段收斂速度很快，直到所有粒子狀態(tài)相似時收斂速度減慢.這會使算法在尋找到局部最優(yōu)解且收斂于該位置時，粒子難以從局部最優(yōu)解中跳出，從而形成粒子“早熟”，導(dǎo)致態(tài)勢要素識別的準(zhǔn)確率降低［3］.

PSO 算法容易陷入局部最優(yōu)解，而模擬退火算法能夠接受非更好的解.同時，PSO 算法在初期具有極快的收斂速度，能夠彌補SA 算法在收斂速度上的缺陷.因此，針對態(tài)勢要素提取質(zhì)量與識別效率較低的問題，本文提出融合粒子群和模擬退火的態(tài)勢要素識別模型PSO-TSA.利用模擬退火中的Metropolis準(zhǔn)則，允許粒子接受一個非更好的解，以優(yōu)化個體極值（pbest）、全局極值（gbest）以及PSO 參數(shù)設(shè)置等過程，使得粒子擺脫局部最優(yōu)解，提高態(tài)勢要素識別質(zhì)量與效率.本文的主要工作如下：

1）在pbest和gbest更新階段，引入退火算法中的Metropolis 準(zhǔn)則，改變pbest和gbest的接受規(guī)則，允許在一定的概率下接受一個非更好的位置，增加粒子的選擇性，提高態(tài)勢要素提取質(zhì)量.

2）在PSO參數(shù)優(yōu)化階段，利用退火算法中的Me?tropolis 準(zhǔn)則將PSO 算法中參數(shù)的設(shè)置作為一個統(tǒng)一的優(yōu)化問題，在評價粒子適應(yīng)度的同時，也對參數(shù)優(yōu)化過程進(jìn)行評價，幫助粒子跳出局部極值.

3）本文提出了NSSA 數(shù)據(jù)獲取集成工具，并搭建了一個小型網(wǎng)絡(luò)環(huán)境，以獲取反映網(wǎng)絡(luò)安全狀態(tài)的真實數(shù)據(jù)集SDS-W.在開放網(wǎng)絡(luò)安全數(shù)據(jù)集和SDSW 數(shù)據(jù)集上的實驗表明，PSO-TSA 模型保持了較優(yōu)的識別精度和效率.

1 相關(guān)工作

態(tài)勢要素識別技術(shù)的研究是隨著網(wǎng)絡(luò)安全態(tài)勢感知概念的提出開始的.2003 年，Matheus 等人提出了基于Ontology 的態(tài)勢感知模型，結(jié)合各個模塊提出了抽象實體的思想，對網(wǎng)絡(luò)安全態(tài)勢要素提取具有一定的指導(dǎo)意義［4］.2007 年，Jin 等人針對軍事戰(zhàn)場中面臨的態(tài)勢要素提取情況，并結(jié)合周圍環(huán)境等因素，提出一種基于概念的態(tài)勢要素提取技術(shù)［5］，但該方法提取的數(shù)據(jù)源單一且不能應(yīng)對多源攻擊的情況.2014 年，劉等人提出了基于時空維度分析的網(wǎng)絡(luò)安全態(tài)勢預(yù)測方法[6]，在時間維度上預(yù)測未來時段內(nèi)的安全態(tài)勢要素集，并在空間維度上分析各安全態(tài)勢要素集對網(wǎng)絡(luò)安全態(tài)勢的影響.2016 年，Kaufman 等人考慮了網(wǎng)絡(luò)環(huán)境的整體結(jié)構(gòu)及不同的層級之間有不同的軟硬件設(shè)施和相應(yīng)的通信協(xié)議，提出采用自下而上、先局部再整體的形式對網(wǎng)絡(luò)安全狀態(tài)進(jìn)行描述［7］.2018 年，Bazrafkan 等人從國家戰(zhàn)略決策的角度提出一個國家態(tài)勢感知的概念［8］，以層次化結(jié)構(gòu)提高了態(tài)勢識別的效率，降低了錯誤信息的干擾.2019 年，Eckhart 等人提出建立系統(tǒng)的虛擬副本，在并行環(huán)境下對網(wǎng)絡(luò)態(tài)勢進(jìn)行全面的感知［9］.同年，Debatty 等人提出利用網(wǎng)絡(luò)靶場更真實地模擬安全事件［10］，為決策提供更準(zhǔn)確的支持.

國內(nèi)對網(wǎng)絡(luò)安全態(tài)勢要素提取相關(guān)研究起步較晚，前期在入侵檢測方面所做的相關(guān)工作為網(wǎng)絡(luò)安全態(tài)勢要素提取技術(shù)的研究奠定了基礎(chǔ).2008 年，王等人提出了一種在神經(jīng)網(wǎng)絡(luò)的基礎(chǔ)上結(jié)合進(jìn)化策略的方法［11］，以優(yōu)化建立神經(jīng)網(wǎng)絡(luò)的參數(shù)，然后用神經(jīng)網(wǎng)絡(luò)來提取態(tài)勢要素，極大地提高了分類準(zhǔn)確度.2010 年，賴等人為獲取反映網(wǎng)絡(luò)整體安全態(tài)勢的信息，提出了將D-S 證據(jù)理論用于多源報警數(shù)據(jù)聚類，計算不同數(shù)據(jù)之間的相似度，融合多種設(shè)備來降低系統(tǒng)誤報率［12］.為了更好更快地去除冗余特征，適應(yīng)網(wǎng)絡(luò)安全領(lǐng)域的需要，2015年，司等人提出了一種基于本體論的網(wǎng)絡(luò)安全態(tài)勢要素知識獲取方法［13］，將多源異構(gòu)數(shù)據(jù)進(jìn)行分類提取，依據(jù)本體構(gòu)建規(guī)則建立由領(lǐng)域本體、應(yīng)用本體和原子本體組成的網(wǎng)絡(luò)安全態(tài)勢要素知識庫本體模型.2016 年，劉等人［14］提出一種基于融合的網(wǎng)絡(luò)安全態(tài)勢感知模型，將對安全事件威脅等級和威脅要素關(guān)系的推演和多源融合算法結(jié)合，克服了態(tài)勢要素獲取過程中需處理網(wǎng)絡(luò)組件間復(fù)雜隸屬關(guān)系的不足.2017 年，戚等人提出了基于信息增益的貝葉斯態(tài)勢要素提取方法［15］，相較于樸素貝葉斯態(tài)勢要素提取方法，該方法提高了分類效果，實現(xiàn)了對惡意攻擊的檢測.2018 年，張等人為了評估網(wǎng)絡(luò)安全現(xiàn)狀，提出了一種基于分布式集群的安全態(tài)勢感知系統(tǒng)［16］，該方法在要素提取的準(zhǔn)確性和時間上都有了明顯的優(yōu)化.2019 年，徐等人針對云平臺的安全態(tài)勢，提出一個三層安全態(tài)勢指標(biāo)體系［17］，從而識別出精確反應(yīng)云平臺態(tài)勢的要素.同年，段等人提出基于RSAR 的隨機森林網(wǎng)絡(luò)安全態(tài)勢要素提取，有效提高了分類精確度［18］.2020年，趙等人利用D-S證據(jù)理論處理多源數(shù)據(jù)［19］，實現(xiàn)了對要素更精確的識別.

1995 年，Kennedy 和Eberhart提出了粒子群算法［20］.粒子群算法屬于群體智能算法，具有結(jié)構(gòu)簡單、魯棒性強的特點，在解決組合優(yōu)化問題時有很好的表現(xiàn).近幾年，針對PSO 算法的研究主要集中在PSO 算法的優(yōu)化和與其他算法的融合方面.最早由Shi 和Eberhart 提出的慣性權(quán)重線性遞減的方案，在算法初期能夠快速找到最優(yōu)解的范圍.隨著迭代次數(shù)的增多，算法進(jìn)行更加精確的搜索，最終得到最優(yōu)解.文獻(xiàn)［21］將群體滅絕的現(xiàn)象引入PSO算法，促進(jìn)粒子個體進(jìn)化的持續(xù)性和群體選擇的多樣性.文獻(xiàn)［22］中，每個粒子根據(jù)其自身的適應(yīng)度和最優(yōu)粒子選擇慣性因子，使得算法具有全局收斂性，能有效地緩解早熟收斂問題.2018 年，胡等人提出利用粒子群算法優(yōu)化模擬退火降溫速度過慢的問題［23］，并在實際場景中獲得良好的效果.2019年，董等人利用模擬退火解決粒子群容易陷入局部極值的問題，設(shè)計了一種新的USV 全局路徑規(guī)劃算法［24］，該算法在考慮收斂速度的同時能夠更為準(zhǔn)確地找到全局極值.

2 融合粒子群和模擬退火的態(tài)勢要素識別模型PSO-TSA

本文將粒子群算法和模擬退火算法應(yīng)用到態(tài)勢要素識別的過程中，提出了一種融合粒子群和模擬退火的態(tài)勢要素識別模型PSO-TSA.PSO-TSA 利用模擬退火中的Metropolis 準(zhǔn)則克服PSO 在以往的態(tài)勢要素識別過程中識別準(zhǔn)確率不高的問題，能較好地擺脫局部最優(yōu)解，快速準(zhǔn)確地找到態(tài)勢要素.PSOTSA模型的總體框架如圖1所示，模型主要由兩個部分組成：pbest和gbest退火更新模塊、PSO 參數(shù)退火優(yōu)化模塊.

圖1 PSO-TSA總體框架Fig.1 Overall framework of PSO-TSA

2.1 Metropolis準(zhǔn)則

假設(shè)一個D維的目標(biāo)搜索空間，有種群數(shù)目為N的粒子群，其中把第i個粒子表示為一個D維向量，記為：

第i個粒子的飛行速度也是一個D維向量，記為：

第i個粒子目前找到的最佳位置稱為個體極值，記為：

整個粒子群目前找到的最佳位置為全局極值，記為：

當(dāng)粒子找到個體極值和群體極值后，粒子會更新自己的速度和位置，如公式（5）和公式（6）所示：

式中：w為慣性權(quán)重，表示在多大的程度上保留原有速度.w越大則全局收斂能力越強；w越小則局部收斂能力越強.c1和c2為學(xué)習(xí)因子，r1和r2為［0，1］內(nèi)的均勻隨機數(shù).

Metropolis 準(zhǔn)則是一種以概率接受新狀態(tài)的采樣法.給定一個初始狀態(tài)i作為當(dāng)前狀態(tài)，記當(dāng)前狀態(tài)的能量為Ei.然后通過一定的手段產(chǎn)生一個變化，使其進(jìn)入一個新的狀態(tài)j，記新狀態(tài)的能量為Ej.若Ej

物體處于狀態(tài)i和狀態(tài)j的概率應(yīng)為相應(yīng)Boltzmann因子的比值，如公式（9）所示：

若r>0，則接受新狀態(tài)j，否則舍棄新狀態(tài)j.由此得到簡化的Metropolis 接受準(zhǔn)則：若系統(tǒng)當(dāng)前處在狀態(tài)i，由于某種變化進(jìn)入狀態(tài)j.相應(yīng)地，系統(tǒng)的能量也由Ei變?yōu)镋j，那么系統(tǒng)接受這種狀態(tài)改變的概率為：

2.2 pbest和gbest更新模塊

pbest和gbest更新模塊在利用Metropolis 準(zhǔn)則更新個體粒子的最好位置pbest時，允許Pbest在一定的概率下向一個非更好的位置更新.同樣，在更新群體粒子的最好位置gbest時，gbest也被允許在一定的概率下向一個非更好的位置更新，算法結(jié)束時輸出Gbest.兩次退火更新能增加粒子的選擇性，防止PSO 算法陷入局部最優(yōu)解.pbest和gbest更新模塊算法步驟如下.

Step1：對算法進(jìn)行初始化，包括最大迭代次數(shù)tmax、初始溫度T、降溫系數(shù)α、最低溫度tmin、參數(shù)組合S(w，c1，c2)、適應(yīng)度函數(shù)f(xi).

Step2：計算所有粒子各自的適應(yīng)值f(xi)以及每個粒子目前的最好位置pbest的適應(yīng)值f(pbest).計算?f=f(xi) -f(pbest)，當(dāng)?f>0 時，更 新pbest=x；當(dāng)?f<0 時，引入Metropolis 準(zhǔn)則，得到p=exp(-?f/T).當(dāng)p>0時，pbest=x.

Step3：設(shè)置兩個變量Gbest和gbest來記錄群體粒子經(jīng)歷的最好位置.比較當(dāng)前個體粒子最好位置的適應(yīng)值f(xbest)和群體粒子最好位置的適應(yīng)值f(Gbest).如果f(xbest)＞f(Gbest)，則Gbest=gbest=xbest.否則，計算?f=f(xbest）-f(gbest），當(dāng)?f>0 時，更新gbest=xbest：當(dāng)?f<0時，引入Metropolis 準(zhǔn)則，得到p=exp(-?f/T).當(dāng)p>0時，gbest=xbest.

pbest和gbest更新算法流程如圖2所示.

圖2 pbest和gbest退火更新模塊流程圖Fig.2 Flow chart of pbest and gbest annealing update module

2.3 PSO參數(shù)優(yōu)化模塊

PSO 參數(shù)優(yōu)化模塊對PSO 算法中的參數(shù)（慣性權(quán)重w，學(xué)習(xí)因子c1、c2）進(jìn)行退火優(yōu)化.在每次迭代中，PSO 算法對粒子群的適應(yīng)度和參數(shù)組合的優(yōu)化評價值都可以用最優(yōu)適應(yīng)度函數(shù)來表示.由于Me?tropolis 準(zhǔn)則能接受非更好的參數(shù)組合，從而粒子可以更好地擺脫局部最優(yōu)解.PSO 參數(shù)優(yōu)化模塊算法步驟如下.

Step1：取評價函數(shù)C(S)=gbest，求解得到新的參數(shù)組合，按照公式（5）、（6）和新的參數(shù)組合更新速度vi和位置xi，并計算適應(yīng)度f(xi).

Step2：令C(S′)=min[f(xi)，i=1，2，…，m]，其中m為粒子個數(shù)，ΔC=C(S) -C(S′).當(dāng)ΔC>0時，接受S′，進(jìn)行退火操作，并依據(jù)S′更新速度和位置；當(dāng)ΔC<0時，引入Metropolis準(zhǔn)則，得到p=exp(-ΔC/T).當(dāng)p>0 時，接受S′，進(jìn)行退火操作，并依據(jù)S′更新速度和位置.否則拒絕S′的狀態(tài)，S仍為當(dāng)前狀態(tài)，依據(jù)S更新粒子的速度和位置.

Step3：判斷是否滿足終止條件，若滿足，則算法結(jié)束，輸出最優(yōu)值；否則，跳轉(zhuǎn)到pbest和gbest更新模塊的Step2.

PSO參數(shù)優(yōu)化模塊算法流程如圖3所示.

圖3 PSO參數(shù)優(yōu)化模塊算法流程圖Fig.3 Flow chart of PSO parameter optimization module

2.4 PSO-TSA性能分析

為了驗證PSO-TSA 在尋找最優(yōu)解時的能力、有效性和收斂性，本文選擇了囊括單多峰函數(shù)的三個測試函數(shù)來分析算法的性能，分別是：

1）Rosenbrock單峰函數(shù).

本文對標(biāo)準(zhǔn)粒子群算法（PSO）、線性慣性權(quán)重粒子群算法（LDPSO）以及本文提出的融合粒子群和模擬退火的PSO-TSA 進(jìn)行對比分析.在對比試驗中，三個函數(shù)的維度設(shè)置為N=10.算法的參數(shù)設(shè)置：種群大小m=40，初始溫度T=1 000，最大迭代次數(shù)tmax=1 500，降溫系數(shù)α=0.96，慣性權(quán)重w=0.6，學(xué)習(xí)因子c1=c2=2.算法各自獨立運行100次，實驗結(jié)果如表1所示.

由表1 可知，針對本文選取的三種測試函數(shù)，PSO-TSA 的測試效果要優(yōu)于其他兩種傳統(tǒng)的PSO 算法.在算法速度上，對于單峰函數(shù)Rosenbrock，PSOTSA 相比于另外兩種算法沒有明顯的優(yōu)勢；對于多峰函數(shù)Rastrigin 和Griewank，PSO-TSA 在收斂速度上的表現(xiàn)明顯優(yōu)于傳統(tǒng)的PSO 算法.在算法的收斂精度上，對于單峰函數(shù)Rosenbrock，PSO-TSA 算法相較于另外兩種算法有了明顯的提高；對于多峰函數(shù)Rastrigin 和Griewank，PSO-TSA 算法在收斂速度提升的同時，精度也有了明顯的提高.總的來說，PSOTSA 對于單峰函數(shù)，速度上沒有明顯的優(yōu)勢，但在收斂精度上有明顯的優(yōu)勢；對于多峰函數(shù)，其優(yōu)化后的收斂速度和精度都有很大的提升.PSO-TSA 增加了一定的算法復(fù)雜性，在維持原有收斂速度甚至提高速度的情況下，能夠很好地擺脫局部最優(yōu)值，提升尋找全局最優(yōu)值的性能.

表1 三種算法在不同測試函數(shù)下的性能對比結(jié)果Tab.1 Performance comparison results of the three algorithms under different test functions

3 實驗分析

3.1 實驗拓?fù)?/h3>

全面采集網(wǎng)絡(luò)安全態(tài)勢數(shù)據(jù)并充分考慮多方面信息，進(jìn)而選擇合適的態(tài)勢數(shù)據(jù)字段組成態(tài)勢指標(biāo)，這是進(jìn)行準(zhǔn)確態(tài)勢理解[25]的重要保證.為了數(shù)據(jù)獲取的真實性，本文搭建了一個小型網(wǎng)絡(luò)環(huán)境.實驗環(huán)境拓?fù)淙鐖D4 所示，包括七臺主機，五個網(wǎng)絡(luò)組件和兩套NSSA數(shù)據(jù)獲取工具，其中三臺主機進(jìn)行服務(wù)器模擬，包括了Web服務(wù)、FTP服務(wù)和database服務(wù).

圖4 實驗搭建的小型網(wǎng)絡(luò)環(huán)境拓?fù)鋱DFig.4 Topology diagram of small network environment built by the experiment

3.2 數(shù)據(jù)采集

網(wǎng)絡(luò)安全態(tài)勢感知旨在實現(xiàn)對網(wǎng)絡(luò)安全態(tài)勢的全面掌握，需要對反映網(wǎng)絡(luò)安全狀態(tài)的數(shù)據(jù)進(jìn)行全面的獲取.本文考慮了漏洞信息、攻擊信息、流量信息三個方面，提出了NSSA 數(shù)據(jù)獲取集成工具，包括Nessus、Snort 和Netflow.NSSA 數(shù)據(jù)獲取集成工具對網(wǎng)絡(luò)的基本運行、正在面臨的攻擊和潛在的安全隱患進(jìn)行全面的測評，為態(tài)勢要素提取提供了強有力的支持.

NSSA 數(shù)據(jù)獲取工具對網(wǎng)絡(luò)中節(jié)點的態(tài)勢數(shù)據(jù)進(jìn)行采集，剔除缺失數(shù)據(jù)，生成態(tài)勢要素數(shù)據(jù)集SDS-W.SDS-W 數(shù)據(jù)集包含了各類網(wǎng)絡(luò)安全數(shù)據(jù)信息，共37個字段，數(shù)據(jù)格式如表2所示.

表2 SDS-W 數(shù)據(jù)集中的數(shù)據(jù)字段Tab.2 Data fields in the SDS-W data set

3.3 實驗結(jié)果

本文為了全面分析PSO-TSA 算法在態(tài)勢要素識別上的性能，將實驗分為兩個部分.一部分實驗采用現(xiàn)有的開放網(wǎng)絡(luò)安全數(shù)據(jù)集，包括KDD99、NSLKDD 和UNSW-NB 15；另一部分實驗采用本文模擬的實驗環(huán)境所獲取到的態(tài)勢要素數(shù)據(jù)集SDS-W.本文選取五種在態(tài)勢要素識別領(lǐng)域應(yīng)用較多并且較為經(jīng)典的算法與PSO-TSA 算法進(jìn)行比較，包括支持向量機（SVM）、分類決策樹（CART）、線性慣性權(quán)重粒子群算法（LDPSO）、BP 神經(jīng)網(wǎng)絡(luò)、循環(huán)神經(jīng)網(wǎng)絡(luò)（RNN）.實驗結(jié)果如表3和表4所示.

表3 PSO-TSA在開放網(wǎng)絡(luò)安全數(shù)據(jù)集上的性能Tab.3 Performance of PSO-TSA on open network security data sets

表4 PSO-TSA在安全態(tài)勢數(shù)據(jù)集SDS-W 上的性能Tab.4 The performance of PSO-TSA on the security situation data set SDS-W

KDD99數(shù)據(jù)集包含了四種攻擊類型和一種正常狀態(tài)，訓(xùn)練集共494 021 個，測試集共331 029 個；NSL-KDD 數(shù)據(jù)集包含四種攻擊類型和一種正常狀態(tài)，訓(xùn)練集共125 973 個，測試集22 544 個；UNSWNB 15 數(shù)據(jù)集為二分類集合，包含訓(xùn)練集175 341 個和測試集82 332 個.本文獲取的SDS-W 數(shù)據(jù)集為二分類集合，包含訓(xùn)練集148 957個和測試集51 043個.

由表3 可知，在開放網(wǎng)絡(luò)安全數(shù)據(jù)集的實驗中，相較于SVM、BP 和RNN，PSO-TSA 在KDD99 數(shù)據(jù)集上的訓(xùn)練時間和測試時間上都體現(xiàn)了明顯的優(yōu)越性.從訓(xùn)練準(zhǔn)確率和測試準(zhǔn)確率來看，六種算法在KDD99 數(shù)據(jù)集上的性能表現(xiàn)相差不大.在NSL-KDD數(shù)據(jù)集上，PSO-TSA 在訓(xùn)練時間、測試時間和測試準(zhǔn)確率上有了明顯提升.在UNSW-NB 15 數(shù)據(jù)集上，PSO-TSA 在四項性能指標(biāo)中都有明顯的優(yōu)勢，尤其在大幅度縮小測試時間的基礎(chǔ)上，對測試準(zhǔn)確度也有了顯著的改進(jìn).整體來看，PSO-TSA 雖然在各個數(shù)據(jù)集上的識別準(zhǔn)確率略遜于BP神經(jīng)網(wǎng)絡(luò)和RNN，但是在時間成本上具有明顯的優(yōu)勢；與同類型的LDPSO 相比較，在測試準(zhǔn)確率有小幅提升的情況下，時間成本極大減少.

由表4 可知，在本文搭建的小型網(wǎng)絡(luò)環(huán)境所采集的網(wǎng)絡(luò)安全態(tài)勢數(shù)據(jù)集SDS-W 上，PSO-TSA 在各項性能指標(biāo)上的表現(xiàn)比較突出.與SVM、CART、LDPSO 相比，在時間成本和識別精確度上都有比較好的表現(xiàn).與BP 和RNN 神經(jīng)網(wǎng)絡(luò)算法相比，雖然在準(zhǔn)確率上有1%～2%的下降，但是其時間成本不到這兩種算法的10%.

總的來說，PSO-TSA 在開放網(wǎng)絡(luò)安全數(shù)據(jù)集上的整體表現(xiàn)比較好，在個別數(shù)據(jù)集上全面優(yōu)于實驗中的其他五種算法.在本文搭建的模擬網(wǎng)絡(luò)環(huán)境中，對于采集到的網(wǎng)絡(luò)安全數(shù)據(jù)集SDS-W，PSO-TSA 在識別精度保持一定的基礎(chǔ)上，時間成本大幅降低.

4 結(jié)語

本文提出了一種融合粒子群和模擬退火的網(wǎng)絡(luò)安全態(tài)勢要素識別模型PSO-TSA，用于對網(wǎng)絡(luò)安全態(tài)勢要素進(jìn)行快速準(zhǔn)確的識別.首先分析了粒子群算法和模擬退火中的Metropolis 準(zhǔn)則，討論了兩者結(jié)合的可能性.接著提出了以粒子群為基礎(chǔ)，在位置更新和參數(shù)選擇階段三次引入Metropolis 準(zhǔn)則的全新融合算法.然后從測試函數(shù)的角度證明了PSO-TSA算法比其他PSO 改進(jìn)算法在避免陷入局部最優(yōu)解的方面具有更優(yōu)的效果.最后為了實驗數(shù)據(jù)更加逼近實際網(wǎng)絡(luò)環(huán)境，搭建了一個小型網(wǎng)絡(luò)環(huán)境，用于獲取全新的網(wǎng)絡(luò)安全態(tài)勢要素數(shù)據(jù)集SDS-W.從現(xiàn)有開放網(wǎng)絡(luò)安全數(shù)據(jù)集和全新態(tài)勢要素數(shù)據(jù)集SDS-W兩方面，將PSO-TSA 與幾種常見的態(tài)勢要素識別算法進(jìn)行對比實驗.實驗表明，PSO-TSA 算法在絕大多數(shù)的態(tài)勢要素數(shù)據(jù)集中的性能表現(xiàn)都要優(yōu)于其他識別算法，在維持甚至大幅度降低原有時間成本的基礎(chǔ)上，顯著提升了態(tài)勢要素識別的精確度.

未來的工作將討論在現(xiàn)有態(tài)勢要素識別的基礎(chǔ)上，如何將識別后的要素更快、更準(zhǔn)確地進(jìn)行態(tài)勢理解，從而對網(wǎng)絡(luò)安全態(tài)勢有一個更直觀有效的表達(dá)，為之后的決策、分析提供強有力的支持.