网络安全防护方法、设备、存储介质及装置与流程

本发明涉及网络安全，尤其涉及一种网络安全防护方法、设备、存储介质及装置。

背景技术：

1、工业互联网是未来工业自动化、智能化发展的趋势。工业互联网内部将多个工业企业、厂区的大型制造设备、工业控制系统连接起来，实现自动化的协作，进而实现智能化的控制与生产。

2、现有技术中通常采用传统的网络安全防护方法对工业互联网进行保护。但是，随着工业互联网节点数的增加，传统的网络安全防护方法根本无法实现对工业企业数据信息、企业用户信息的安全保护。

3、上述内容仅用于辅助理解本发明的技术方案，并不代表承认上述内容是现有技术。

技术实现思路

1、本发明的主要目的在于提供一种网络安全防护方法、设备、存储介质及装置，旨在解决现有技术中传统的网络安全防护方法根本无法实现对工业企业数据信息、企业用户信息的安全保护的技术问题。

2、为实现上述目的，本发明提供一种网络安全防护方法，所述网络安全防护方法包括以下步骤：

3、获取目标网络对应的训练集和测试集；

4、基于所述训练集和模拟退火对径向基神经网络模型进行优化，直至所述径向基神经网络模型达到预期精度；

5、根据所述测试集通过优化后的径向基神经网络模型对所述目标网络进行网络安全态势预测；

6、根据预测结果生成网络安全防护策略，并基于所述网络安全防护策略对所述目标网络进行安全防护。

7、可选地，所述基于所述训练集和模拟退火对径向基神经网络模型进行优化，直至所述径向基神经网络模型达到预期精度的步骤，包括：

8、构建径向基神经网络模型；

9、基于所述训练集判断径向基神经网络模型是否达到预期精度；

10、在径向基神经网络模型未达到预期精度时，判断所述径向基神经网络模型的迭代数是否达到预设阈值；

11、在所述径向基神经网络模型的迭代数未达到预设阈值时，通过模拟退火对径向基神经网络模型进行优化，直至所述径向基神经网络模型达到预期精度。

12、可选地，所述构建径向基神经网络模型的步骤，包括：

13、确定径向基神经网络模型的输入层节点数和输出层节点数；

14、构建所述径向基神经网络模型的隐含层；

15、基于所述输入层节点数、所述输出层节点数以及所述隐含层构建径向基神经网络模型。

16、可选地，所述构建所述径向基神经网络模型的隐含层的步骤，包括：

17、对训练集进行二进制编码，获得二进制字符串；

18、对所述二进制字符串进行解析，并根据解析结果构建所述径向基神经网络模型的隐含层。

19、可选地，所述基于所述输入层节点数、所述输出层节点数以及所述隐含层构建径向基神经网络模型的步骤，包括：

20、确定所述隐含层与输出层的输出权重值；

21、对所述训练集进行数据聚类，获得隐含层节点的簇中心；

22、基于所述输入层节点数、所述输出层节点数、所述隐含层、所述输出权重值以及所述簇中心构建径向基神经网络模型。

23、可选地，所述在所述径向基神经网络模型的迭代数未达到预设阈值时，通过模拟退火对径向基神经网络模型进行优化，直至所述径向基神经网络模型达到预期精度的步骤，包括：

24、在所述径向基神经网络模型的迭代数未达到预设阈值时，对径向基神经网络模型的种群进行模拟退火处理，获得处理后种群；

25、基于所述处理后种群重新构建径向基神经网络模型，直至所述径向基神经网络模型达到预期精度。

26、可选地，所述在所述径向基神经网络模型的迭代数未达到预设阈值时，对径向基神经网络模型的种群进行模拟退火处理，获得处理后种群的步骤，包括：

27、在所述径向基神经网络模型的迭代数未达到预设阈值时，对所述径向基神经网络模型的种群进行预处理，获得预处理后种群；

28、对所述预处理后种群进行模拟退火处理，获得处理后种群。

29、可选地，所述基于所述训练集判断径向基神经网络模型是否达到预期精度的步骤，包括：

30、将训练集输入径向基神经网络模型，获得所述径向基神经网络模型输出的预测态势；

31、将所述预测态势与实际态势进行比较，并根据比较结果判断所述径向基神经网络模型是否达到预期精度。

32、可选地，所述将所述预测态势与实际态势进行比较，并根据比较结果判断所述径向基神经网络模型是否达到预期精度的步骤，包括：

33、将所述预测态势与实际态势进行比较，并根据比较结果确定径向基神经网络模型的个体适应度值；

34、根据所述个体适应度值判断所述径向基神经网络模型是否达到预期精度。

35、可选地，所述获取目标网络对应的训练集数据和测试集数据的步骤，包括：

36、获取目标网络对应的态势要素数据；

37、对所述态势要素数据进行预处理，获得数据集；

38、对所述数据集进行划分，获得训练集和测试集。

39、可选地，所述对所述数据集进行划分，获得训练集和测试集的步骤，包括：

40、获取数据集中各数据的时间特征；

41、根据所述时间特征通过滑动窗口算法对所述数据集进行划分，获得训练集和测试集。

42、此外，为实现上述目的，本发明还提出一种网络安全防护设备，所述网络安全防护设备包括存储器、处理器及存储在所述存储器上并可在所述处理器上运行的网络安全防护程序，所述网络安全防护程序配置为实现如上文所述的网络安全防护方法。

43、此外，为实现上述目的，本发明还提出一种存储介质，所述存储介质上存储有网络安全防护程序，所述网络安全防护程序被处理器执行时实现如上文所述的网络安全防护方法。

44、此外，为实现上述目的，本发明还提出一种网络安全防护装置，所述网络安全防护装置包括：数据划分模块、模型优化模块、态势预测模块以及安全防护模块；

45、所述数据划分模块，用于获取目标网络对应的训练集和测试集；

46、所述模型优化模块，用于基于所述训练集和模拟退火对径向基神经网络模型进行优化，直至所述径向基神经网络模型达到预期精度；

47、所述态势预测模块，用于根据所述测试集通过优化后的径向基神经网络模型对所述目标网络进行网络安全态势预测；

48、所述安全防护模块，用于根据预测结果生成网络安全防护策略，并基于所述网络安全防护策略对所述目标网络进行安全防护。

49、可选地，所述模型优化模块，还用于构建径向基神经网络模型；

50、所述模型优化模块，还用于基于所述训练集判断径向基神经网络模型是否达到预期精度；

51、所述模型优化模块，还用于在径向基神经网络模型未达到预期精度时，判断所述径向基神经网络模型的迭代数是否达到预设阈值；

52、所述模型优化模块，还用于在所述径向基神经网络模型的迭代数未达到预设阈值时，通过模拟退火对径向基神经网络模型进行优化，直至所述径向基神经网络模型达到预期精度。

53、可选地，所述模型优化模块，还用于确定径向基神经网络模型的输入层节点数和输出层节点数；

54、所述模型优化模块，还用于构建所述径向基神经网络模型的隐含层；

55、所述模型优化模块，还用于基于所述输入层节点数、所述输出层节点数以及所述隐含层构建径向基神经网络模型。

56、可选地，所述模型优化模块，还用于对训练集进行二进制编码，获得二进制字符串；

57、所述模型优化模块，还用于对所述二进制字符串进行解析，并根据解析结果构建所述径向基神经网络模型的隐含层。

58、可选地，所述模型优化模块，还用于确定所述隐含层与输出层的输出权重值；

59、所述模型优化模块，还用于对所述训练集进行数据聚类，获得隐含层节点的簇中心；

60、所述模型优化模块，还用于基于所述输入层节点数、所述输出层节点数、所述隐含层、所述输出权重值以及所述簇中心构建径向基神经网络模型。

61、可选地，所述模型优化模块，还用于在所述径向基神经网络模型的迭代数未达到预设阈值时，对径向基神经网络模型的种群进行模拟退火处理，获得处理后种群；

62、所述模型优化模块，还用于基于所述处理后种群重新构建径向基神经网络模型，直至所述径向基神经网络模型达到预期精度。

63、可选地，所述模型优化模块，还用于在所述径向基神经网络模型的迭代数未达到预设阈值时，对所述径向基神经网络模型的种群进行预处理，获得预处理后种群；

64、所述模型优化模块，还用于对所述预处理后种群进行模拟退火处理，获得处理后种群。

65、在本发明中，公开了获取目标网络对应的训练集和测试集，基于训练集和模拟退火对径向基神经网络模型进行优化，直至径向基神经网络模型达到预期精度，根据测试集通过优化后的径向基神经网络模型对目标网络进行网络安全态势预测，根据预测结果生成网络安全防护策略，并基于网络安全防护策略对目标网络进行安全防护；由于本发明通过优化后的径向基神经网络模型对目标网络进行网络安全态势预测，实现了准确预测目标网络的网络安全态势，并且由于本发明还基于预测结果提出针对性的安全防护策略，从而克服了传统的网络安全防护方法根本无法实现对工业企业数据信息、企业用户信息安全保护的缺陷，提高了目标网络的安全性。