基于APDE‑RBF神经网络的网络安全态势预测方法与流程

技术特征：

1.一种基于吸引子传播差分进化算法的径向基函数APDE-RBF神经网络的网络安全态势预测方法，其特征在于，该方法包括以下步骤：

步骤1：利用吸引力传播AP聚类算法对样本数据进行划分聚类，从而获得径向基函数RBF的中心和网络的隐含层节点数；

步骤2：利用AP聚类得出种群差异度，自适应地改变差分进化DE算法的缩放因子和交叉概率，对RBF的宽度和连接权值进行优化；

步骤3：为了避免陷入局部最优以及跳出局部极值点，对每一代种群的精英个体和种群差异度中心进行混沌搜索；

步骤4：确定最终RBF网络模型，输入测试数据集，输出态势预测值。

2.根据权利要求1所述的基于APDE-RBF神经网络的网络安全态势预测方法，其特征在于，所述步骤1进一步包括以下步骤：

步骤11：利用欧氏距离计算输入节点之间的相似度矩阵S为：S(i,k)＝-||x_i-x_k||²，其中x_i和x_k表示RBF神经网络任意两个输入节点，S(i,k)表示点x_k作为点x_i的聚类中心的相似度，其值储存于相似矩阵S中；

步骤12：初始化吸引度矩阵R和归属度矩阵A为R(i,k)＝0,A(i,k)＝0，其中R(i,k)表示点x_k适合作为数据点x_i的聚类中心的程度，A(i,k)表示点x_i选择点x_k作为其聚类中心的适合程度；

步骤13：确定偏向参数pk表示各样本数据点被选作聚类中心的可能性，是相似矩阵S对角线上元素的取值，k＝1,…,N，N表示输入节点的数量，median函数表示取一组数值中居于中间的数值；

步骤14：根据下述公式计算吸引度矩阵R和归属度矩阵A：

$R(i,k)=S(i,k)-\underset{k\≠k^{\′}}{max}\{A(i,k^{\′})+S(i,k^{\′})\}$

$A(i,k)=min\{0,R(k,k)+\underset{i^{\′}\∉\{i,k\}}{\Σ}max\{0,R(i^{\′},k)\left\}\right\}$

$R(k,k)=p\left(k\right)-\underset{k\≠k^{\′}}{max}\{A(k,k^{\′})+S(k,k^{\′})\}$

其中p(k)表示数据点x_k作为聚类中心的参考度，R(k,k)表示数据点x_k适合作为自己的聚类中心的程度，A(k,k')表示数据点x_k选择数据点x_k'作为其聚类中心的程度，S(k,k')表示数据点x_k和数据点x_k'的相似程度；

步骤15：更新吸引度矩阵R和归属度矩阵A的公式为：

R(i,k)＝λ*R(i,k)_old+(1-λ)*R(i,k)_new

A(i,k)＝λ*A(i,k)_old+(1-λ)*A(i,k)_new

上述更新公式表示每次迭代时，新的吸引度矩阵R(i,k)_new和归属度矩阵A(i,k)_new要分别与上一次的吸引度矩阵R(i,k)_old和归属度矩阵A(i,k)_old进行加权更新，得到该次迭代的吸引度矩阵和归属度矩阵，其中λ表示更新因子；

步骤16：如果满足以下条件之一：①选择的类中心保持稳定，②超过最大迭代次数，则转至步骤17，否则转至步骤14；

步骤17，输出聚类结果。

3.根据权利要求1所述的基于APDE-RBF神经网络的网络安全态势预测方法，其特征在于，所述步骤2中进一步包括以下步骤：

步骤21：执行初始化，过程如下：

σ_i＝σ_min+rand(0,1)*(σ_max-σ_min)

w_i＝rand(0,1)

其中σ_i为RBF神经网络基函数宽度，σ_max表示所有样本数据点中两个最远数据点的距离宽度，其计算公式为：σ_min表示所有样本数据点中两个最近数据点的距离宽度，其计算公式为：c_i、c_j表示任意两个不同的隐含层节点，w_i表示隐含层到输出层连接权值,rand(0,1)表示(0,1)间均匀分布的随机数；

步骤22：执行变异过程，将第g+1代种群中变异个体V_i(g+1)建模为第g代种群中三个个体的函数：

V_i(g+1)＝X_r1(g)+F*(X_r2(g)-X_r3(g))

i≠r1≠r2≠r3

其中X_i(g)是第g代种群中第i个个体，即X_r1(g)、X_r2(g)和X_r3(g)分别表示第g代种群中第r1个、第r2个以及第r3个个体，F为缩放因子；

步骤23：执行交叉过程，产生第g+1代第i个第j维新个体u_ij(g+1)的公式为：

其中v_ij(g+1)表示第g代种群第i个第j维个体进行变异操作后的个体，x_ij(g)表示第g代种群第i个第j维个体，rand是(0,1)间均匀分布的随机数，j_rand是[1,n]间的随机整数，CR表示交叉概率；上述公式含义为：当随机变量rand小于交叉概率CR或者个体中元素对应序数j等于随机变量j_rand，则采用变异个体中的元素作为新个体，旨在提高个体变异的可能性；否则，仍保持目标个体x_ij(g)不变；

步骤24：执行选择过程，如下：

其中U_i(g+1)是候选个体，X_i(g)是对应个体，f(·)是个体的适应度函数，此处使用均方误差作为适应度函数。

4.根据权利要求3所述的基于APDE-RBF神经网络的网络安全态势预测方法，其特征在于，所述步骤22中对缩放因子F进行动态调整的公式为：

其中F_max和F_min分别表示缩放因子的上下界，PD(g)是第g代中的种群差异度，且种群差异度表示对种群空间中所有个体进行聚类所得到的聚类个数，当种群差异度越大时，个体在种群空间中分布越均匀，求得全局最优解可能性越大；τ₁为设置的迭代阈值，g_max为最大迭代次数。

5.根据权利要求3所述的基于APDE-RBF神经网络的网络安全态势预测方法，其特征在于，所述步骤23中的使交叉概率CR可自适应调整的公式为：

其中CR_min和CR_max分别表示交叉概率的上下界，τ₂为设置的迭代阈值，g_max为最大迭代次数。

6.根据权利要求1所述的基于APDE-RBF神经网络的网络安全态势预测方法，其特征在于，所述步骤3中混沌搜索具体为：首先建模一维Logistic映射混沌模型，其表达式为：Z^t+1＝μZ^t(1-Z^t)，其中，Z^t是一个D维向量，μ是控制参数，t表示混沌迭代次数；其次，建模种群中最优个体和差异度中心迭代更新公式：

$X_i^{t+1}=X_i+{\mathrm{\αZ}}^{t+1}$

其中X_i表示种群的最优个体或者差异度中心，表示混沌搜索后的新个体，α表示混沌调节参数，r是[0,1]间的随机数。