基于IHS_LSSVR的網絡安全態勢預測方法

陳 虹，王 飛，肖振久，2，孫麗娜

1.遼寧工程技術大學 軟件學院，遼寧 葫蘆島 125105

2.中國傳媒大學 計算機學院，北京 100024

基于IHS_LSSVR的網絡安全態勢預測方法

陳 虹1，王 飛1，肖振久1，2，孫麗娜1

1.遼寧工程技術大學 軟件學院，遼寧 葫蘆島 125105

2.中國傳媒大學 計算機學院，北京 100024

1 引言

隨著互聯網絡的迅速發展，網絡安全問題變得越來越嚴重，網絡安全主動防御策略也成為當前網絡安全領域的研究熱點之一[1]。文獻[2]中Songmei Zhang等提出一種基于信息融合的網絡安全態勢分析框架，力圖重現網絡遭受攻擊的過程，文獻[3]中Rongrong Xi等提出一種綜合網絡安全態勢感知系統，從多個角度實現了網絡安全態勢的可視化。但文獻[1-2]都沒能實現網絡安全態勢預測。

文獻[4]中孟錦等提出基于HHGA-RBF神經網絡的網絡安全態勢預測模型；文獻[5]中尤馬彥等提出基于Elman神經網絡的網絡安全態勢預測方法；文獻[6]中王晉東等提出使用馬爾可夫鏈結合灰色理論構造預測模型，文獻[7]中韋勇等提出利用ARMA模型對網絡安全態勢值進行預測分析。但這些方法都存在著不足之處：文獻[4-5]采用的神經網絡方法具有結構難以確定和易陷入局部最優的缺點；文獻[6]中提出的數學模型在實際應用中難以建立，而且需要大量復雜數學推理過程；文獻[7]中提出的方法需要較多的人工操作，步驟頗為復雜。

最小二乘支持向量機[8]是經典支持向量機[9]的改進和發展，采用等式約束代替不等式約束，求解過程變成解一組等式方程，求解速度明顯加快，但其參數選擇目前仍然是依靠經驗和試算。和聲算法[10]是新近提出的一種全局優化算法，本文對其進行了改進，并將改進后的和聲搜索算法用于優化選取最小二乘支持向量機的參數，提出一種IHS_LSSVR算法。最后嘗試將該算法應用到網絡安全態勢預測中，同時與已有模型進行對比，仿真實驗表明該方法更具優越性。

2 LSSVR回歸算法

設給定數據樣本為{(x1，y1)，(x2，y2)，…，(xn，yn)}，其中xi∈Rm表示輸入向量，yi∈R表示輸出值，n表示數據樣本數目。回歸預測函數表示如下：

其中，w表示LSSVR超平面的權重向量，b表示偏置量。

與SVR不同，LSSVR回歸預測即是求解如下的最小化問題：

其中，r表示懲罰因子，εi為松弛因子。

引入拉格朗日乘子αi，構造如下拉格朗日函數：

其 中，Iv=[1，…，1]T，I為n×n的單位矩陣，y=[y1，y2，…，yn]，α =[α1，α2，…，αn]，Ω 為方陣，它第 i行 j列的元素為Ωi，j=K(xi，xj)，K(xi，xj) 為滿足 Mercer條件的 核函數。本文使用高斯核函數為：

解上述線性方程組（4）可求得回歸函數 f(x)的表達式為：

3 改進的和聲搜索算法

3.1 和聲搜索算法（HS）

HS算法首先隨機產生HMS（Harmony Memory Size，HMS）個初始解（和聲）放入和聲記憶庫（Harmony Memory，HM）中，根據相應規則產生新解，然后判斷新解是否優于HM內的最差解，若是則替換之，否則保持當前HM不變。上述過程不斷重復，直至滿足終止條件為止。

HS算法過程如下：

步驟1HM的初始化，包括以下兩部分：

（1）初始化算法參數，包括和聲記憶庫大小HMS，和聲記憶庫考慮概率HMCR，和聲微調概率PAR，微調幅度BW和算法迭代次數NI。

（2）初始化和聲記憶庫，為了使初始和聲庫HS具有一定的均勻分布性，初始和聲矢量 X1，X2，…，XHMS在定義域內按照 Xi，j=LBj+r×(UBj-LBj)均勻地產生，其中Xi，j為 Xi的第 j維決定變量，r為[0，1]之間的均勻隨機數；UBj和LBj分別為決策變量的上界和下界。

步驟2生成新的和聲。基于考慮概率、微調概率和隨機選擇3個規則產生新的和聲矢量。過程描述如下：

步驟3更新和聲記憶庫。令 f(x)表示目標函數，f(x)值越小表示性能越好。如果 f(Xnew)＜f(Xworst)，則Xwors=Xnew，并將HM按照 f(x)的優劣重新排序；否則，保持HM不變。

步驟4判斷是否滿足終止條件，若是則算法結束，否則轉到步驟2繼續執行。

3.2 改進和聲搜索算法（IHS）

通過對3.1節分析可知，和聲記憶庫考慮概率HMCR、和聲微調概率PAR和微調幅度BW是和聲搜索算法的3個關鍵控制參數。根據文獻[11]，HMCR值大有利于算法局部收縮，值小有利于群體多樣性，本文取HMCR值為0.95；PAR值大有利于算法在和聲記憶庫中調整搜索區域，值小有利于算法增強局部搜索能力；BW值大有利于算法跳出局部最優，值小有利于算法在局部區域精細搜索。在基本HS算法中，PAR和BW值在整個迭代過程中是固定不變的，這嚴重影響了算法的性能。為了在整個解空間進行有效搜索，并盡可能將搜索重點集中于性能較高的區域，從而提高算法效率，本文采用動態變化的PAR和BW，即PAR值由小到大變化，BW值由大到小變化。

3.2.1 設置PAR變化方式

在HS算法搜索初期，采用較小的PAR值有利于算法快速搜尋較好區域；在HS算法搜索后期，采用較大的PAR值有利于算法跳出局部極值。因此，首先確定PAR值的變化范圍，然后采用從小到大的變化方式。PAR值按式（7）動態變化，如圖1所示。

其中，PARmax和PARmin分別為PAR的上界和下界，iter和NI分別為當前和最大迭代次數。

圖1 PAR值的正弦變化

起始時PAR為最小值，隨著迭代次數的增加，PAR值按正弦曲線逐漸增大，當迭代次數iter趨近于NI時，PAR趨近于最大值。

3.2.2 設置BW變化方式

在HS算法搜索初期，采用較大的BW值有利于算法在大范圍內探測；在HS算法搜索后期，采用較小的BW值有利于算法在小范圍內精細搜索。因此，首先確定BW的變化范圍，然后采用從大到小的變化方式。BW 值按式（8）動態變化，如圖2所示。

其中，BWmax和BWmin分別為BW 的上界和下界，iter和NI分別為當前和最大迭代次數。

圖2 BW值的線性變化

起始時BW為最大值，隨著迭代次數的增加，BW值按線性方式逐漸減小，當迭代次數iter趨近于NI時，BW趨近于最小值。

4 IHS_LSSVR預測算法

通過第2章中對LSSVR的分析可知，需要確定的參數為懲罰因子r和高斯核函數的半徑σ。對于如何獲得LSSVR參數的最佳值，目前還沒有統一的方法。謝屹鵬等[12]提出用遺傳算法（GA）優選LSSVR參數的方法，這種方法需要人為確定變異因子、交叉因子和選擇因子三個參數。為了使LSSVR獲得更好的泛化性能和預測精度，本文使用改進的HS算法對LSSVR算法的參數對(r，σ)進行優化選擇，提出一種IHS_LSSVR算法。在IHS_LSSVR算法中，每一個和聲代表LSSVR的一個參數對(r，σ)，和聲所對應的目標函數值反映了該組參數下的算法性能，本文選取均方根誤差（RMSE）作為目標函數，其具體形式如下：

其中，n是訓練樣本的個數；yi是實際值；是預測值；fRMSE是相應的目標函數值。

IHS_LSSVR算法步驟如下：

步驟1初始化算法參數，隨機生成并初始化和聲庫，其中每個和聲代表一組參數(r，σ)。

步驟2基于考慮概率、微調概率和隨機選擇3個規則產生新的和聲，其中PAR和BW 的值按式（7）和式（8）進行動態地變化。

步驟3根據式（6）和式（9）更新和聲記憶庫，若新解優于HM內的最差解，則替換之，并將HM內各個解向量重新排序，否則保持當前HM不變。

步驟4判斷是否滿足終止條件或達到預定的迭代次數NI，若是則轉到步驟5，否則轉到步驟2繼續執行。

步驟5輸出和聲庫HM的最優解向量，按照式（6）構造最優的回歸預測模型。

5 仿真實驗

5.1 實驗數據及其相關處理

本文實驗數據采用Honeynet組織收集的黑客攻擊數據[13]。Honeynet組織維護一個包含8個IP地址的局域網絡，連續收集記錄了從2000年4月至2001年2月針對該局域網絡的所有攻擊信息。由于Honeynet采取隱匿方式連接到互聯網上，使用防火墻和NIDS按照時序關系記錄每一個網絡行為信息，對外不提供任何服務，且沒有誘使黑客進行攻擊，采集到的安全數據大幅減少虛警率和漏報率，能夠真正反映出黑客的攻擊行為模式，所以采用Honeynet數據進行網絡安全態勢分析是合適的。

采用文獻[14]提出的網絡安全態勢評估方法來計算2000年7月5日到2000年12月3日的網絡安全態勢值。這期間的記錄數據相對完整，共得到126個網絡安全態勢值。為了避免原始數據跨度大對預測模型訓練造成不良影響，將所獲得的樣本數據集歸一化到區間（0，1）。歸一化公式如下所示：

其中xi與 x分別為歸一化前后的網絡安全態勢值；xmax與xmin分別為歸一化前所有網絡安全態勢值中最大值和最小值；n為網絡安全態勢值個數。歸一化后的網絡安全態勢值如圖3所示。

圖3 規格化后的網絡安全態勢值

5.2 實驗預測分析

由于網絡安全態勢值都是一維的時間序列值，需要重構這些值才能得到符合條件的樣本集。重構就是確定輸入維數和輸出維數的過程，本文設定輸入維數為7，輸入維數為1。對歸一化后的樣本數據集進行重構，可以構造119個樣本對，選取前105個樣本對作為訓練集，后14個樣本對作為測試集。

由文獻[15]可知，r的大致范圍是[1，108]，σ的大致范圍是[0.01，2.0]，這樣可以避免在初始化參數時盲目取值。本文所有實驗的環境為：Windows XP操作系統，matlab7.0平臺，Core CPU主頻2 000 Hz，RAM為2 048 MB。經過反復實驗，所得最優解為：r=83，σ=2.21。

利用所得最優參數建立網絡安全態勢預測模型，對測試集數據進行實驗。為了驗證本文算法有更好的預測精度，采用已有網絡安全態勢預測方法（文獻[3]的HHGA-RBFNN預測方法，文獻[4]的Elman預測方法）進行相同的實驗，得到如圖4所示的對比結果。

從圖4中可以看出IHS_LSSVR模型的預測結果要優于其他兩種方法，下面采用定量分析方法作進一步的對比。

本文采用均方根誤差（RMSE）和平均相對誤差（MAPE）兩項性能指標來評判預測模型的性能。MSE和MAPE值越小，對應模型預測性能越好。這三種模型的性能對比如表1所示。

圖4Elman、HHGA-RBFNN、IHS_LSSVR態勢預測值

表1 三種模型的性能對比

從表1中可以看出，IHS_LSSVR預測模型的RMSE和MAPE值均小于其他兩種模型的RMSE和MAPE值，表明IHS_LSSVR模型的預測性能優于其他兩種模型。

6 結束語

對網絡安全態勢進行預測是主動防御黑客攻擊的一種有效手段，有助于網絡管理人員把握未來網絡安全態勢的發展趨勢，從而提前采取相應的網絡安全措施。本文提出一種基于IHS_LSSVR的網絡安全態勢預測方法，將LSSVR嵌入到IHS算法的目標函數計算過程中，利用IHS算法的全局搜索能力來優化選取LSSVR的參數，在一定程度上提升了LSSVR的學習能力和泛化能力。仿真實驗結果表明，該方法對于預測未來的網絡安全態勢值具有較好的效果。

[1]席榮榮，云曉春，金舒原，等.網絡安全態勢感知研究綜述[J].計算機應用，2012，32（1）：1-4.

[2]Zhang Songmei，Yao Shan，Ye Xin’en，et al.A network security situation analysis framework based on information fusion[C]//2011 6th IEEE Joint International Information Technology and Artificial Intelligence Conference（ITAIC），2011：326-332.

[3]Xi Rongrong，Jin Shuyuan，Yun Xiaochun，et al.CNSSA：a comprehensive network security situation awareness system[C]//Proceedings of 2011 IEEE 10th International Conference，2011：482-487.

[4]孟錦，馬馳，何加浪，等.基于HHGA-RBF神經網絡的網絡安全態勢預測模型[J].計算機科學，2011，38（7）：71-75.

[5]尤馬彥，凌捷，郝彥軍.基于Elman神經網絡的網絡安全態勢預測方法[J].計算機科學，2012，39（6）：61-76.

[6]王晉東，沈柳青，王坤，等.網絡安全態勢預測及其在智能防護中的應用[J].計算機應用，2010，30（6）：1480-1488.

[7]韋勇，連一峰，馮國登.基于信息融合的網絡安全態勢評估模型[J].計算機研究與發展，2009，46（3）：353-362.

[8]Suykens J A K，Vandewalle J.Least squares support vector machine classifiers[J].Neural Processing Letters，1999，3：293-300.

[9]Wu C H，Wei C C，Su D C，et al.Travel time prediction with support vector regression[C]//Proceedings of IEEE Intelligent Transportation Conference，2003：1438-1442.

[10]Geem Z W，Kim J H，Loganathan G V.A new heuristic optimization algorithm：harmony search[J].Simulation，2001，76（2）：60-68.

[11]Omran M G H，Mahdavi M.Global-best harmony search[J]. Applied Mathematics and Computation，2008，198（2）：643-656.

[12]謝屹鵬，汪西莉.基于GA-LSSVR的渭河水質參數遙感反演研究[J].遙感技術與應用，2010，25（2）：257-262.

[13]Honeynet Project.Know your enemy：statistics[EB/OL]. [2012-10-11].http：//old.honeynet.org/papers/stats.

[14]陳秀真，鄭慶華，管曉宏，等.層次化網絡安全威脅態勢量化評估方法[J].軟件學報，2006，17（4）：885-897.

[15]Ustun B，Melssen W J.Determination of optimal support vector regression parameters by genetic algorithms and simplex optimization[J].Analytical Chimica Acta，2005，544（1/2）：292-305.

CHEN Hong1,WANG Fei1,XIAO Zhenjiu1，2,SUN Lina1

1.School of Software,Liaoning Technical University,Huludao,Liaoning 125105,China
2.School of Computer,Communication University of China,Beijing 100024,China

To address the situation prediction problem in the network security situation awareness,this paper presents a prediction method of network security situation based on the algorithm of IHS_LSSVR.An improved Harmony Search（IHS）algorithm is proposed since the principle of the Harmony Search（HS）algorithm is studied.This method embeds the Least Squares Support Vector machine for Regression（LSSVR）in the process of the objective function calculation of the improved harmony search algorithm,and takes advantage of the global searching ability of the IHS algorithm to optimize the parameters of the LSSVR.To some extent,this enhances the learning ability and generalization ability of the LSSVR.Simulation experiments show that this method has better prediction affection in comparison with other existing prediction methods.

Harmony Search algorithm（HS）;Least Squares Support Vector machine for Regression（LSSVR）;parameters optimization;network security situation prediction

針對網絡安全態勢感知中的態勢預測問題，提出一種基于IHS_LSSVR的網絡安全態勢預測方法。對和聲搜索算法（HS）的原理進行了研究，在該基礎上提出一種改進的和聲搜索算法（IHS）。將最小二乘支持向量回歸機（L-SSVR）嵌入到改進的和聲搜索算法（IHS）的目標函數計算過程中，利用IHS算法的全局搜索能力來優化選取LSSV-R的參數，在一定程度上提升了LSSVR的學習能力和泛化能力。仿真實驗表明，通過與已有的其他預測方法作對比，該方法具有更好的預測效果。

和聲搜索算法；最小二乘支持向量回歸機；參數優化；網絡安全態勢預測

A

TP393.08；TP18

10.3778/j.issn.1002-8331.1302-0172

CHEN Hong,WANG Fei,XIAO Zhenjiu,et al.Method of network security situation prediction based on IHS_LSSVR. Computer Engineering and Applications,2014,50（23）：91-94.

國家自然科學基金（No.61103199）。

陳虹（1967—），女，副教授，研究領域為網絡安全；王飛（1988—），通訊作者，男，碩士研究生，研究領域為網絡安全；肖振久（1968—），男，副教授，研究領域為網絡與信息安全；孫麗娜（1982—），女，博士研究生，講師，研究領域為信息安全和可信計算。E-mail：china_wangfei@163.com

2013-02-26

2013-04-24

1002-8331（2014）23-0091-04

CNKI網絡優先出版：2013-05-03,http://www.cnki.net/kcms/detail/11.2127.TP.20130503.1707.009.html