網絡安全態勢預測方法應用

0 引言

針對當前預測模型只能對過去和現在網絡安全態勢進行分析，不能對將來網絡安全態勢進行預測的缺陷，為了提高預測精度，提出了支持向量機的網絡安全態勢預測方法。支持向量機可以利用過去和當前的網絡安全態勢值，對將來網絡安全狀態進行預測，同時采用遺傳算法對支持向量機參數優化，加快網絡安全態勢預測速度。通過仿真對預測方法性能進行檢驗，結果表明，預測方法能夠準確反映網絡安全的整體變化趨勢，提高了網絡安全態勢的預測精度，相對于傳統預測方法，更適用于現實的網絡環境中。

1 計算機網絡安全現狀分析

隨著互聯網發展，網絡攻擊手段層出不窮，網絡安全問題越來越重要，殺毒軟件和防火墻等產生大量的告警信息，網絡管理者面對如此海量的數據難以把握網絡系統的安全狀態，不能及時采取相應的防范措施。為了使網絡的安全管理從被動變為主動，網絡安全態勢預測應運而生。網絡安全態勢預測能夠為網絡管理者提供過去和當前時刻的網絡安全狀態，同時可以對未來時段網絡的安全態勢進行預測，減輕管理者的數據壓力，因此成為當前網絡安全研究中的熱點。

1999年，TimBass對網絡入侵檢測系統進行了分析，指出網絡入侵檢測系統的不足，同是提出了網絡安全態勢的概念。隨后國外許多研究者對網絡安全態勢進行了大量的研究，然則國內對網絡安全態勢預測研究剛起步。傳統網絡安全態勢預測算法為基于統計的貝葉斯技術和灰色關聯模型，該方法只能給網絡管理者提供過去和當前的網絡安全態勢狀態，不能對下一個階段網絡安全狀態進行預測。灰色關聯模型只能反映網絡安全態勢的趨勢，不能對網絡安全態勢進行精確的預測。

支持向量機是一種非線性預測能力非常強的方法，能夠在海量數據中識別和提取網絡安全系統隱藏的規律，因此，為了提高網絡安全態勢的預測精度，提出遺傳優化支持向量機的網絡安全態勢預測模型，利用遺傳算法全局搜索能力對支持向量機參數進行優化，采用支持向量機對網絡安全狀態進行預測，最后對實際網絡安全態勢值進行仿真預測，并對預測精度進行分析，驗證該網絡安全態勢預測方法是有效性。

2 網絡安全態勢預測原理

“態勢”一詞來自軍事領域，一般用于說明一個范圍較大、結構比較復雜、因素影響眾多的被研究對象的狀態綜合表現，最典型的如戰場態勢。在網絡安全研究中，引入“態勢”的概念，主要目標是希望建立一套可行的網絡安全態勢體系，對網絡的整體安全狀況有一個全面、快速的了解。網絡態勢預測原理是根據網絡安全事件發生的頻率、數量，以及網絡受威脅程度的不同，通過加權處理，將海量的網絡安全信息融合成一個能表現網絡運行狀況態勢值，然后依據歷史的和當前的網絡安全態勢值對未來網絡安全趨勢預測。

網絡安全態勢是一種按時間先后順序采集的數據，因此可以當成一個時間序列進行處理，前一段時間序列態勢值作為預測模型的輸入變量，輸出是網絡安全態勢下一時間的態勢值。因此，網絡安全態勢預測就是希望通過序列的前N個時刻的態勢值，預測出以后的 M個態勢值，其分為兩個步驟：對采用訓練數據進行訓練建立網絡安全態勢預測模型；采用網絡安全態勢模型對下一階段的網絡安全態勢進行預測。

由于網絡安全態勢具有隨機性和不確定性，因此采用傳統預測模型很難對其進行準確的預測，而支持向量機是一種新的機器學習方法，對隨機性和不確定性系統具有非常強的自適應學習能力，比較適合于網絡安全態勢預測，因此本文采用支持向量機對網絡安全態勢進行建模并預測。

3 網絡安全態勢預測模型

3.1 支持向量機算法

支持向量機是近年來興起一種非線性預測技術，大量研究結果表明，基于支持向量機的預測模型性能優于一般預測算法，尤其對高度復雜度的非線性問題，其優勢更加明顯。支持向量預測是通過一個非線性映射φ函數，將非線數據xi映射到高維特征空間H，并在該高維特征空間進行線性預測，即：

其中，ω表示支持向量機超平面的權值向量，b表示為偏置量。

因此，支持向量預測就是求解如下一個優化問題，即：

其中約束條件為：

其中，c表示懲罰參數，ξi、ξ*i表示松弛變量，ε不敏感損失函數，ε定義如下：

通過引入拉格朗日乘子，將非線性預測問題轉為成如下一個優化問題，即：

其中，αi、α*i表示拉格朗日乘子。根據KKT條件，支持向量機預測問題可以通過解式（2）的對偶問題來求解，即：

約束條件為：

針對集約化的需求，匹配抽取到的能力指標，各校、各系、各專業的學生依據個人能力和興趣自主加入，利用協同共享平臺增加和強化知識體系，以滿足企業的用人要求。

其中，k（x，xi）表示支持向量機核函數，描述了高維特征空間的內積。由于高斯核函數比其它核函數效果好，因此本文選擇高斯核函數作為支持向量機核函數，高斯核函數定義如下：

那么，支持向量機預測模型最后的表達式為：

其中，σ表示高斯核函數寬度。

3.2 支持向量機預測模型參數優化

當支持向量機的核函數為高斯核函數，預測模型需優化的參數為：ε，c和σ。傳統支持向量機參數一般采用經驗確定法、窮舉法和網絡搜索方法。經驗確定法選擇的參數一般不是最優，模型的預測精度較低，而窮舉法、網絡搜索方法耗時相當長，難以找到最優參數，因此要提高網絡安全態勢的預測精度，首先要解決支持向量機參數的優化問題。遺傳算法是一種模擬生物界自然選擇和群體進化機理的一種啟發式算法，具有全局搜索和并行搜索能力，尋優速度相當快，因此本文采用遺傳算法對支持向量機的參數ε、c和σ進行優化。

3.3 支持向量機的網絡安全態勢預測過程

（1）網絡安全態勢數據的收集，并對收集到的異常和不良數據進行處理。

（2）網絡安全態勢數據的預處理。由于網絡安全態勢受到多種因素影響，數據之間有時相差很大，而支持向量機預測模型對（0，1）之間的最敏感，因此需要將網絡安全態勢原始數據進行歸一化處理，將其歸一化到（0，1）范圍。

（3）將一維網絡安全態勢數據通過確定嵌入維和時間延遲轉換成多維網絡安全態勢數據，本文設數據網絡安全態勢時間延遲為1，嵌入維按2，3，…等逐步試湊，最后確定嵌入維數為m。設一維網絡安全態勢數據為{x1，x2，… ，xn}。

（4）將網絡安全態勢數據分成訓練集和測試集兩部，將訓練集的輸入和輸出數據輸入到支持向量機學習，采用遺傳算法對支持向量機參數進行尋優，采用最優參數建立網絡安全態勢最優預測模型。

（5）采用最優網絡安全態勢預測模型對測試集進行預測，根據網絡安全態勢值判斷當前網絡安全狀態。

4 實例分析

4.1 網絡安全態勢數據

為了驗證本文提出的支持向量機網絡安全態勢預測模型的有效性，選取某公司互聯網2009年10月1日－30日邊界安全監測數據，每天進行4次采樣，就共獲得120個態勢值。前90個態勢值作為支持向量機的訓練樣本，后30個態勢值作為支持向量機測試樣本，所有實驗都在matlab7.0平臺上實現。

4.2 模型的實現

設網絡安全態勢的延遲時間為1，采用試湊法慢慢增加嵌入維數，最后嵌入維確定8，即支持向量機的輸入變量為7個，輸出變量為1，通過延遲時間和嵌入維數對網絡安全態勢數據進行重構，生成支持向量機的訓練和測試樣本。將訓練樣本輸入支持向量機進行學習，同時采用遺傳算法進行參數優化，遺傳算法的參數設置為：進化代數100，初始種群個數40，訓練的目標誤差為0.01，交叉概率為0.95，變異概率為0.05。當程序運行到50.55秒后，達到目標誤差，此時支持向量機的訓練步數為5000。

4.3 網絡安全態勢預測

為便于比較，采用BP神經網絡算法和RBF神經網絡來進行預測，采用均方誤差（MSE）和平均相對誤差（MAE）作為模型評價指標。

預測結果比較可明顯得出：支持向量機預測速度、運行時間、預測精度都要比BP神經網絡算法和RBF神經網絡好很多，這主要是由于支持向量機的預測性能要優于BP和RBF神經網絡，同時采用遺傳算法進行參數，同時對解空間內的許多點進行搜索，很好防止了神經網絡算法陷入局部最小點、收斂速度慢的問題，支持向量機是一種預測快速、預測精度高、結果可靠的網絡態勢預測方法。

5 結束語

本文在對當前網絡態勢預測相關算法做出了分析，并提出基于支持向量機的網絡安全態勢預測方法，并詳細介紹預測模型設計與實現，最后通過仿真對模型的性能進行驗證，仿真結果表明，支持向量機比傳統預測方法更能夠準確地預測態勢，準確反映網絡安全態勢的整體變化情況，預測結果有利于指導網絡管理員對將來可能發生的網絡安全事件和網絡安全變化趨勢采取適當的應對措施。