基于BP神经网络的网络安全态势预测研究

2017-02-16周显春肖衡

现代电子技术 2017年1期

周显春+肖衡

摘要：以网络系统安全运行作为出发点，从入侵检测系统和杀毒软件等安全手段中提取出可以反映网络安全运行的数据。从网络安全运行的威胁性、脆弱性、风险性和基础运行四个方面建立了一套网络安全态势评估体系。通过层次分析法对该评价体系进行计算，获得可以表征网络安全运行状态的综合安全指数。在该体系的基础上，利用BP神经网络对网络安全状态进行预测，实验结果表明，采用BP神经网络可以较好地对网络的安全态势进行预测，在相关研究领域有一定的借鉴价值。

关键词：网络安全态势；层次分析法；预测研究； BP神经网络

中图分类号： TN915.08?34 文献标识码： A 文章编号： 1004?373X（2017）01?0074?03

Abstract： Proceeding from the safe operation of the network system， the data which can reflect the network safe operation is extracted in the intrusion detection system， antivirus software and other security methods. A set network security situation eva?luation system was established in the aspects of threat， vulnerability， risk and basic running of the network safe operation. The analytic hierarchy process is used to calculate the evaluation system to obtain the comprehensive safety indicator used to character the network security running state. The BP neural network is used to forecast the network security status on the basis of the system. The experimental results show that the BP neural network can predict the network security situation accurately， and has a certain reference value in the related research fields.

Keywords： network security situation； analytic hierarchy process； prediction research； BP neural network

0 引言

隨着互联网的高速发展，各种网络应用越来越多地影响着人们的工作、学习和生活方式。为了及时掌握网络的安全态势，以便网络的管理者采取及时的防范措施，对网络安全状态的预测技术正在成为当下网络安全研究中的一个重要课题[1?2]。

本文受相关文献研究的启发，构建了由威胁指数、脆弱指数、风险指数和基础运行指数四个指数为一级评价指标的评估模型，利用防火墙和杀毒软件等安全手段提取数据，采用层次分析法计算网络安全综述指数，基于该指数采用BP神经网络对未来时刻的网络安全态势进行预测[3]。

1 网络态势安全指标体系的构建

1.1 评价体系的构建

为了全面反映网络的安全态势，本文采用定量描述的方法对威胁指数、脆弱指数、风险指数和基础运行指数进行计算，这四个指数代表网络安全运行所需要的几个必要条件，而综合安全指数则是指在一定时间段内反映当下网络整体安全态势的数值，它由威胁指数、脆弱指数、风险指数和基础运行指数通过加权法获得。

为了进一步丰富评估模型，将这四个指数作为一级评价指标，对其进行分解细化，提炼出这四个指标的下一级具体影响因素，如表1所示。

1.2 实例计算

本文采用层次分析法对构建的评价指标体系进行分析。本文构建的安全状态评价指标体系共分为一级指标4个和二级指标17个，通过对这些指标的分析求出网络的综合安全指数。网络安全状态评价采用李克特量的评分分级标准，分五个等级进行评判，分别为优秀、良好、中等、差和危险，为了方便计算，对其进行量化处理，为其赋值为5，4，3，2，1，具体评价等级对应的数字标准，如表2所示。

为了进一步说明层次分析法在网络安全态势评估中的具体应用，本文以威胁指数的计算为例，计算某日中某单位内网在该指标体系下的威胁指数。

首先根据在该网络中各个监视节点采集到的信息，经过统计计算后，对各个二级指标进行初步赋值，如表3所示。

2 基于BP神经网络的网络安全态势评价

实验选择某单位内网30天内的网络状态数据，利用BP神经网络对该网络安全态势进行预测。采用本文第1节的方法对这30天的网络综合安全指数进行计算，一共获得了如表4所示的30个状态值。

为了使BP神经网络的预测取得较好的效果，同时为了避免局部数值偏移造成的误差，本文采用编组的方式提高模型预测精度，对于序号为1～30的综合安全指数值，选择前三日的状态作为网络的输入样本，下一日的数据作为网络的预测输出样本，选择第28，29，30日的状态值作为网络的检测样本，如表5所示。

考虑到模型的输入输出均为简单的数值，本文的预测检测模型用三层BP神经网络实现，神经网络的输入层包含3个神经元（即前3日的网络综合安全指数），输出层用1个神经元（后一日的网络安全指数），隐层神经元个数通过经验公式选择为12。

将训练样本1～24的数值输入到Matlab 7.0软件中，对网络进行训练，定义期望误差为10-6，训练过程中，BP神经网络误差的变化情形如图1所示。

由图1可知，该BP神经网络通过26步运算后收敛到预定精度要求。

BP网络训练完毕后，首先将所有样本输入到网络，然后定义检验向量，并将检验向量输入网络，检查输入值和输出误差，如图2所示。

其中加“+”的曲线对应为实际数据，“○”曲线对应为预测数据，可以看到全局的误差大小保持在0.1以内，说明该BP神经网络具有较低的误差，因此采用该BP神经网络对网络安全态势进行预测有较高的精度。

3 结论

本文构建了以网络的威胁性、脆弱性、风险性和基础运行性为基础的评价指标体系，采用层次分析法计算网络的综合安全指数，并以此为基础，利用BP神经网络对某单位内网的网络安全状态进行预测，获得了较高精度的预测结果，表明本文构建的评价体系和网络安全态势的预测方式有一定的实用价值。