船舶光纖通信系統的安全態勢預測模型

李 建

(晉中信息學院 智能工程學院，山西 晉中 030800)

0 引 言

船舶航行時，光纖通信系統的安全問題至關重要。確保光纖通信系統安全運行的前提是安全態勢預測[1]。通過安全態勢預測，可及時發現光纖通信系統中存在的安全隱患，確保船舶航行時接收的信息不被篡改，提升航行的安全性[2–3]。安全態勢預測模型的相關研究較多，張然等[4]通過改進模擬退火算法，優化BP 神經網絡參數，通過優化后的BP 神經網絡，建立光纖通信系統的安全態勢預測模型，得到安全態勢預測結果。該模型具備較優的穩定性，且收斂速度較快。楊宏宇等[5]通過熵關聯度處理轉換警報信息，得到態勢值的時間樣本序列；通過可變域空間，結合時間樣本序列，得到安全態勢預測初始值；通過時變加權馬爾可夫鏈修正初始值，得到最終的安全態勢預測結果。該模型的適應能力較強，且安全態勢預測精度較高。但這2 個模型均存在信息來源單一、實時性差的問題。隱馬爾可夫預測模型能夠依據多種類型的信息，描繪光纖通信系統不同時間的安全態勢，具有較優的實時性效果。為此，設計船舶光纖通信系統的安全態勢預測模型，實時了解光纖通信系統安全態勢的變化情況。

1 安全態勢預測模型

1.1 船舶光纖通信系統

船舶光纖通信系統內的數據包含離散型與連續型2 種。為提升安全態勢預測效果，需離散化連續型數據，得到離散型數據[6]。令船舶光纖通信系統連續型數據為X，其離散化結果為：

式中：Xi為第i個原始連續型數據；Xmax和Xmin分別為X的最大值、最小值；為離散化后的船舶光纖通信系統數據。利用式(1)將船舶光纖通信系統連續型數據離散化至[0 1]。

1.2 基于隱馬爾可夫的安全態勢預測模型

1.3 基于隱馬爾可夫安全態勢預測模型的參數學習

在安全態勢預測模型中，P，G，D是未知參數，通過Baum-Welch 學習算法，在觀測樣本內不斷學習，獲取P，G，D的值。具體步驟如下：

其中，第j個隱藏狀態Fj的概率為Pj；Fj轉至第l個隱藏狀態Fl的 轉移概率為gjl；第k個樣本的觀測狀態概率為dj(k)。

步驟2E-步。計算Fj在 時間t時與Fl在時間t+1時的概率ct(j,l)，公式如下：

其中， αt(j) 為正向概率；βt+1(l)為反向概率。

t時，安全態勢預測模型是Fj的 概率為 γt(j)，公式如下：

步驟3M-步。在包含M個樣本觀測序列時，令個樣本觀測序列彼此無聯系，且同步，則P，G，D在所有觀測樣本的全部時間觀測序列O上取均值，重復計算，以達到收斂為止，計算公式如下：

1.4 安全態勢預測模型的實現

通過隱馬爾可夫模型，構造船舶光纖通信系統的安全態勢預測模型，得到安全態勢預測結果的具體步驟如下：

步驟1通過Viterbi 算法，解碼獲取O的全部隱狀態F={F1,F2,···,FN}，即船舶光纖通信系統威脅維指數Q的隱狀態序列F={F1,F2,···,Ft}。

步驟2通過Q的最后一個隱狀態Ft，按照隨機矩陣R，得到下一時刻，Ft變更成其余隱狀態的概率，即船舶光纖通信系統威脅維指數的概率向量Q′。

步驟3通過轉置矩陣Z，依據Q′，得到船舶光纖通信系統的安全態勢U。

令t時 ，前t個 時間觀測序列在Fj處結束時的累積概率是 θt(j)；通過Viterbi 算法，解碼獲取O的全部隱狀態F={F1,F2,···,Ft}的步驟如下：

步驟1公式如下：

式中： ?1(j)為Fj的 前續狀態；O1為船舶光纖通信系統觀測樣本的第一個時間觀測序列。

步驟2迭代計算，公式如下：

步驟3結束計算，公式如下：

其中，Vt為Fj的最終輸出概率。

步驟4狀態序列回溯，公式如下：

其中，Ft為 最佳狀態，即Q的最佳隱狀態。Q的隨機矩陣R是 通過H個 隨機矩陣Rh的平均值組建而成，計算公式如下：

通過R與Ft獲取下一時刻，Ft變更成其余隱狀態的概率向量Q′=R·Ft。

依據Z，計算船舶光纖通信系統的安全態勢D，計算公式如下：

2 實驗分析

以某船舶的光纖通信系統為實驗對象，以該光纖通信系統的2000 個數據為實驗數據，選擇其中一臺主機為客戶端，所有船舶通信的相關操作，均在這臺主機上完成，并未該主機設置2 臺電腦為攻擊終端。利用本文方法對該船舶光纖通信系統的安全態勢進行預測，確保光纖通信系統安全運行。光纖通信系統的安全等級如表1 所示。

利用本文模型對該船舶光纖通信系統內的連續型數據，進行離散化，以主機子網平均數據流為例，離散化結果如圖1 所示。可知，本文模型可有效對主機子網平均數據流進行離散化處理，離散化后的數據流始終在0～1 波動，方便后續安全態勢預測的操作。實驗證明，本文模型可有效離散化處理船舶光纖通信系統的連續型數據。

圖 1 主機子網平均數據流離散化結果Fig. 1 Average data dispersion results of host subnet

利用本文模型計算基于隱馬爾可夫的安全態勢預測模型中的未知參數P，G，D，以P與G的計算結果為例，未知參數計算結果如表2 與表3 所示。綜合分析可知，本文模型可有效計算安全態勢預測模型內的隱藏狀態概率值，以及狀態轉移概率值，確定完預測模型的參數后，可依據本文模型進行船舶光纖通信系統安全態勢預測。

表 1 光纖通信系統的安全等級Tab. 1 Security levels of optical fiber communication systems

表 2 隱藏狀態的概率計算結果Tab. 2 Calculation results of hidden state probability

表 3 狀態轉移概率計算結果Tab. 3 Calculation results of state transition probability

利用本文模型預測該船舶光纖通信系統的安全態勢，預測結果如圖2 所示。可知，本文模型可有效預測船舶光纖通信系統安全態勢，雖然本文模型的預測結果與實際安全態勢有微小的差距，但船舶光纖通信系統的安全等級一致。在18:00 時，該光纖通信系統的安全等級是中，說明此時光纖通信系統受外界攻擊的影響較大，在21:00 時，該光纖通信系統的安全態勢值大，即安全態勢等級最低，說明此時光纖通信系統內存在大量的嚴重攻擊行為，需要及時解決攻擊問題，確保光纖通信系統安全運行。其余時間安全態勢值均低于0.4，說明光纖通信系統正常運行，或受外界攻擊的影響較小，即此時光纖通信系統運行的安全性較高。實驗證明，本文模型可精準預測安全態勢。

圖 2 船舶光纖通信系統安全態勢預測結果Fig. 2 Security situation prediction results of ship optical fiber communication system

3 結 語

精準預測安全態勢，可幫助船舶操作人員實時了解光纖通信系統的安全狀況，及時發現光纖通信系統內存在的攻擊行為，并加以制止，提升光纖通信系統運行的安全性。為此，設計船舶光纖通信系統的安全態勢預測模型，利用隱馬爾可夫實時性較強的優勢，構建安全態勢預測模型，提升安全態勢預測精度。