一种基于正余双弦算法的网络态势感知方法及装置与流程

本发明涉及网络技术领域，特别是涉及一种基于正余双弦算法的网络态势感知方法及装置。

背景技术：

目前，网络态势感知(Cyberspace Situation Awareness，CSA)，即网络安全态势感知(Network Security Situation Awareness，NSSA)，此概念由Time Bass在1999年首次提出。此后Stephen G.Batsen和Kokar M.M在Time Bass的基础上也提出了相关模型，都旨在使成熟的态势感知技术和理念应用在网络信息安全技术当中，从而增强计算机网络的安全性。

网络态势感知的研究方向集中在态势感知模型的建立，态势评估的方法和框架的探讨以及态势预测精度的提高等。在网络安全态势感知模型方面，贾焰等对采集到的网络安全态势数据集中处理并进行关联分析，由构建好的指标体系进行态势的预测，其提出的模型适用于规模较大的网络。张丹等提出了基于自律计算的NSSA模型，该模型首先利用自律反馈特性提取影响网络安全的因素，态势评估模型的建立则采用层次分析法(AHP)，经过改进的神经网络方法将在态势的预测方面上使用。刘念等在前人的研究基础之上以及受生物免疫系统原理的启发，提出了基于免疫的态势感知方法，并将灰色马尔科夫模型应用于态势预测，由此建立的模型是网络安全主动防御较好的解决方案。张勇幢等采用多传感器对网络中的安全数据进行检测，由此得到网络的资产、威胁数据和脆弱性数据并对此进行博弈分析，提出了基于Markov博弈模型的NSSA方法。刘效武等提出的NSSA模型将来自不同传感器收集到的各类信息进行融合处理，运用粒子群优化算法寻找D-S的最优权重，此方法能很好的识别网络威胁行为，并能准确反映威胁行为的破坏程度。在网络安全态势评估方面，国家数字交换系统工程技术研究中心的章丽娟等分析了影响网络安全态势的因素，并基于此提出了模糊层次分析的态势评估模型。孟锦等提出带时间参数的层次化网络安全态势评估模型是在对时变D-S证据理论方法进行创新的基础上，融合多个传感器采集到的信息得来。李玲娟等提出的层次化态势评估模型主要采用灰色关联分析法关注某一特定时间的网络攻击行为，并由此关联到当前所研究的网络环境中，实现网络安全的态势评估。大多数的网络安全态势评估都会忽略影响网络安全的数据分布特点，李方伟等则通过改进传统的模糊层次法，提出的基于此方法的网络安全态势评估模型弥补这一缺陷，并避免在进行网络安全数据预处理时过分依赖专家而引起预处理结果过于主观等问题。在网络安全态势预测方面，所选用的预测方法需要对目标网络的历史评估数据具有很高的敏感性。尤马彦等凭借Elman神经网络不仅对历史数据敏感而且具有动态记忆功能的两个特性，将此方法作为态势预测的方法应用在其开发的网络安全系统上，并用实际例子证明了此方法的有效性。在实际应用中，往往由于缺少样本数据而使得网络安全态势预测结果精度下降，向西西等提出新的态势预测方法采用不需要任何样本来训练参数的卡尔曼算法，很好地解决了这一难题。陈雷等分析了传统灰色预测模型的不足，用自适应的灰色参数及等维灰色填充方法提出了改进的自适应灰色模型进行网络安全态势的预测。

但是现有技术中，大多数预测态势感知方法只给出了整个网络的预测态势值，传统的态势感知方法只是预测某一个值，没有对流量的经纬度和流向进行预测，无法给出整个网络在短时间段内网络流量的流动态势，即网络流量将会从哪里流向到哪里，让当前使用者无法提前部署做好网络资源部署和防御网络攻击的相关准备。

技术实现要素：

本发明的目的是提供一种基于正余双弦算法的网络态势感知方法及装置，以实现获取网络流量的流动态势。

为解决上述技术问题，本发明提供一种基于正余双弦算法的网络态势感知方法，该方法包括：

采用正余双弦算法调整Elman神经网络的阈值和权值；

对Elman神经网络进行优化，获取网络流量样本的时间序列、网络流量经纬度的时间序列和网络流量流向的时间序列；

对网络流量样本的时间序列、网络流量经纬度的时间序列和网络流量流向的时间序列进行聚类归一化处理，获得网络流量的攻击趋向和态势流向。

优选的，所述Elman神经网络为带反馈的BP神经网络。

优选的，所述采用正余双弦算法调整Elman神经网络的阈值和权值，包括：

获取训练样本集，利用Elman神经网络对训练样本集进行训练；

在对训练样本集进行训练的过程中，通过Elman神经网络向正余双弦算法提供训练的均方误差MSE，得到正余双弦算法反馈的权值W和阈值B，将权值W和阈值B输入至Elman神经网络。

优选的，所述聚类归一化处理为态势感知模型的聚类归一化处理。

本发明还提供一种基于正余双弦算法的网络态势感知装置，该装置包括：

调整模块，用于采用正余双弦算法调整Elman神经网络的阈值和权值；

优化模块，用于对Elman神经网络进行优化，获取网络流量样本的时间序列、网络流量经纬度的时间序列和网络流量流向的时间序列；

聚类模块，用于对网络流量样本的时间序列、网络流量经纬度的时间序列和网络流量流向的时间序列进行聚类归一化处理，获得网络流量的攻击趋向和态势流向。

优选的，所述Elman神经网络为带反馈的BP神经网络。

优选的，所述调整模块包括：

训练单元，用于获取训练样本集，利用Elman神经网络对训练样本集进行训练；

获取单元，用于在对训练样本集进行训练的过程中，通过Elman神经网络向正余双弦算法提供训练的均方误差MSE，得到正余双弦算法反馈的权值W和阈值B，将权值W和阈值B输入至Elman神经网络。

优选的，所述聚类归一化处理为态势感知模型的聚类归一化处理。

本发明所提供的一种基于正余双弦算法的网络态势感知方法及装置，采用正余双弦算法调整Elman神经网络的阈值和权值；对Elman神经网络进行优化，获取网络流量样本的时间序列、网络流量经纬度的时间序列和网络流量流向的时间序列；对网络流量样本的时间序列、网络流量经纬度的时间序列和网络流量流向的时间序列进行聚类归一化处理，获得网络流量的攻击趋向和态势流向。可见，通过采用正余双弦算法自适应调整Elman神经网络阈值和权值，进而优化神经网络模型来预测短时间内网络流量样本大小、所属经纬度和流向的时间序列值，然后将获得的各个属性预测值经过态势感知模型的聚类归一化处理，获得网络短时间内的攻击趋向和态势流向，有利于网络资源部署管理和网络攻击的防御。

附图说明

为了更清楚地说明本发明实施例或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本发明的实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据提供的附图获得其他的附图。

图1为本发明所提供的一种基于正余双弦算法的网络态势感知方法的流程图；

图2为正余双弦搜索寻优图；

图3为SCA-Elman训练优化模型示意图；

图4为SCA-Elman预测模型示意图；

图5为态势感知系统模型示意图；

图6为本发明所提供的一种基于正余双弦算法的网络态势感知装置的结构示意图。

具体实施方式

本发明的核心是提供一种基于正余双弦算法的网络态势感知方法及装置，以实现获取网络流量的流动态势。

为了使本技术领域的人员更好地理解本发明方案，下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。

请参考图1，图1为本发明所提供的一种基于正余双弦算法的网络态势感知方法的流程图，该方法包括：

S11：采用正余双弦算法调整Elman神经网络的阈值和权值；

S12：对Elman神经网络进行优化，获取网络流量样本的时间序列、网络流量经纬度的时间序列和网络流量流向的时间序列；

S13：对网络流量样本的时间序列、网络流量经纬度的时间序列和网络流量流向的时间序列进行聚类归一化处理，获得网络流量的攻击趋向和态势流向。

可见，该方法通过采用正余双弦算法自适应调整Elman神经网络阈值和权值，进而优化神经网络模型来预测短时间内网络流量样本大小、所属经纬度和流向的时间序列值，然后将获得的各个属性预测值经过态势感知模型的聚类归一化处理，获得网络短时间内的攻击趋向和态势流向，有利于网络资源部署管理和网络攻击的防御。

基于上述方法，其中，正余双弦算法(Sine Cosine Algorithm，SCA)是根据儒家思想提出的一种新型群智能算法。

对于正余双弦算法，具体的，种群中的粒子通过正余双旋两个方向作对数螺旋运动捕获最优解，其中余弦搜索寻优运动以最优个体X_best作为螺线运动的定位坐标，加快的收敛速度，而正弦搜索寻优运动以随机个体X_rand为螺线运动的定位坐标，避免个体向局部极小区域靠拢，提高算法跳出局部最优的能力。并在算法中引入混沌算子来控制种群个体的运动区域，其正余双弦的计算分别如式(1)和(2)所示。

式(1)和式(2)分别是正弦螺线运动和余弦螺线运动搜索寻优的公式，其中参数r₁的作用是控制正弦全局搜索和余弦局部开发的区域范围，其计算如式(3)所示。参数r₂是基于立方混沌映射的优化算子，其计算如式(4)所示。参数r₃是区间[0,2]上的随机数，控制随机个体X_rand和最优个体X_best距离当前个体X远近程度的影响。

在式(3)中，a为常数，t是当前迭代次数，T为总迭代次数，r₁随着迭代次数的增加自适应减少，缩小正余双弦的寻优区域范围，使算法最终收敛于同一个最优解中，保证了算法的收敛性。

在式(4)中，通过混沌映射自身的随机性和遍历性，自适应地调整种群个体的变异程度，增强了正余双弦在寻优中跳出局部最优解的能力。

在式(1)的正弦混沌螺线运动中使用随机种群个体X_rand为导航坐标，绕着正弦对数螺线的轨迹运动，全局搜索寻找最优解，维持种群的多样性，避免种群个体过度集中，陷入局部最优解。同时通过式(2)的余弦混沌螺线运动，以最优个体X_best为导航坐标，加快寻优定位的速度。

图2展示了粒子个体分别按正余双弦机制在同一个空间的不同区域范围内中进行全局搜索和局部寻优。正弦混沌全局搜索减少了余弦混沌局部开发的寻优盲点，避免潜在最优解被丢失的情况发生。而余弦混沌局部开发弥补正弦混沌全局搜索收敛速度慢的缺陷，提高了算法的效率。并通过引入贪婪机制，比较正弦混沌捕食和余弦混沌捕食产生的解，择优保留。正余混沌双弦交叉寻优，相辅相成，促进了个体信息在种群中快速传播，使种群个体最终收敛于同一个最优解中，一方面防止算法早熟，提高求解精度，另一方面加快收敛速度，提高求解效率。

基于上述方法，进一步的，所述Elman神经网络为带反馈的BP神经网络。

进一步的，步骤S11的过程具体包括：

S1：获取训练样本集，利用Elman神经网络对训练样本集进行训练；

S2：在对训练样本集进行训练的过程中，通过Elman神经网络向正余双弦算法提供训练的均方误差MSE，得到正余双弦算法反馈的权值W和阈值B，将权值W和阈值B输入至Elman神经网络。

详细的，本方法采用正余双弦算法(SCA)优化Elman神经网络阀值和权值。

Elman神经网络是一种带反馈的BP网络，其具有局部记忆单元、局部反馈连接的前向神经网络以及与多层前向网络相似的多层结构。与传统的BP神经网络相比，Elman神经网络具有更强的动态行为以及计算能力，适用于建立时间序列的预测模型。然而Elman与BP神经网络同样采用动量梯度下降法调整权值和阈值，容易陷入局部最优，而且当影响因素和学习样本增多时，神经网络的计算量和权值数将急剧增加，导致收敛速度慢。因此本文在Elman的训练中加入SCA算法来优化神经网络，通过SCA算法，使Elman神经网络的阈值和权值自适应调整，提高预测精度和速度。

图3展示了SCA-Elman的训练优化模型，设神经网络输出层向量为n维，隐含层和承接层的向量均为h维，以及输出层的向量为m维。而IW_hn、OW_mh和CW_hh分别是输入层到隐含层、隐含层到输出层和承接到隐含层的连接权值，而b_Hh、b_Ch、b_Mm分别为隐含层、承接层和输出层对应的阀值。Elman神经网络获取训练样本集后开始训练，在其过程中向SCA算法提供训练的均方误差MSE，SCA算法向Elman神经网络反馈对应训练层的权值W和阀值B。然后Elman神经网络根据SCA算法反馈的值自适应调整训练，其评价适应度函数如式(5)所示，y_k(w)和分别是Elman神经网络的期望输出值和实际输出值，m是输出层训练维数。

CCGWO算法优化Elman神经网络的具体训练过程如下：

步骤1、建立Elman神经网络，设置基本参数；

步骤2、初始化种群，其个体编码如下：

I_i＝1,...,N＝[IW₁₁...IW_hnCW₁₁...CW_hhOW₁₁...OW_mhb_H1...b_Hhb_C1...b_Chb_M1...b_Mm]；

步骤3、训练Elman神经网络，根据训练结果采用式(5)计算种群个体的适应度值；

步骤4、根据式(1)和式(2)进行正余双弦寻优搜索开发，对种群个体解码，横纵双向的子代相互竞争择优留下，并自适应调整相关的权值W和阀值B，反馈给Elman神经网络；

步骤5、判断终止条件是否满足。如果种群的迭代次数大于设定的最大值或Elman适应度函数fobj的值小于0.01时，训练结束，否则跳转到步骤3继续训练优化神经网络。

基于上述方法，进一步的，所述聚类归一化处理为态势感知模型的聚类归一化处理。

本方法预测短时间内网络流量大小、所属经纬度和流向的时间序列值，其预测过程如4所示。图4为SCA-ELMAN预测模型示意图。

其中，获得流量的各个属性预测值经过态势感知模型的聚类归一化处理，其网络流量聚类的计算如式(6)所示。

在式(6)中，将预测获得的网络流量各个组合属性，按照规则经纬度在半径范围r内的网络流量按照网络流量的流向分类叠加，获得网络短时间内的在一定范围内的流量流向趋势，掌握全网的网络流量态势，其态势感知系统如图5所示。图5为态势感知系统模型示意图。

本发明采用SCA群智能算法优化Elman神经网络，采用SCA-Elman模型预测网络流量大小、经纬度和流向的时间序列，对各属性预测值聚类归一化处理获得网络短时间内的在一定范围内的流量流向趋势，掌握全网的网络流量态势。本发明能够给出整个网络在短时间段内在一定范围流量的流动态势，即流量将会从哪里流动到哪里，让当前使用者无法提前部署做好网络资源部署和防御网络攻击的相关准备。

图6为本发明所提供的一种基于正余双弦算法的网络态势感知装置的结构示意图，该装置包括：

调整模块101，用于采用正余双弦算法调整Elman神经网络的阈值和权值；

优化模块102，用于对Elman神经网络进行优化，获取网络流量样本的时间序列、网络流量经纬度的时间序列和网络流量流向的时间序列；

聚类模块103，用于对网络流量样本的时间序列、网络流量经纬度的时间序列和网络流量流向的时间序列进行聚类归一化处理，获得网络流量的攻击趋向和态势流向。

可见，该装置通过采用正余双弦算法自适应调整Elman神经网络阈值和权值，进而优化神经网络模型来预测短时间内网络流量样本大小、所属经纬度和流向的时间序列值，然后将获得的各个属性预测值经过态势感知模型的聚类归一化处理，获得网络短时间内的攻击趋向和态势流向，有利于网络资源部署管理和网络攻击的防御。

基于上述装置，具体的，Elman神经网络为带反馈的BP神经网络。

进一步的，调整模块包括：

训练单元，用于获取训练样本集，利用Elman神经网络对训练样本集进行训练；

获取单元，用于在对训练样本集进行训练的过程中，通过Elman神经网络向正余双弦算法提供训练的均方误差MSE，得到正余双弦算法反馈的权值W和阈值B，将权值W和阈值B输入至Elman神经网络。

进一步的，聚类归一化处理为态势感知模型的聚类归一化处理。

以上对本发明所提供的一种基于正余双弦算法的网络态势感知方法及装置进行了详细介绍。本文中应用了具体个例对本发明的原理及实施方式进行了阐述，以上实施例的说明只是用于帮助理解本发明的方法及其核心思想。应当指出，对于本技术领域的普通技术人员来说，在不脱离本发明原理的前提下，还可以对本发明进行若干改进和修饰，这些改进和修饰也落入本发明权利要求的保护范围内。