基于BP神经网络的网络安全态势预测

◆杨武俊

基于BP神经网络的网络安全态势预测

◆杨武俊

（运城学院数学与信息技术学院 山西 044000）

网络的普及使人们时时刻刻都在接触互联网。计算机网络进入了全新的时代，同时网络攻击和网络安全问题也日益严重。借助BP神经网络良好的预测精度和非线性泛化能力，建立基于BP神经网络的网络安全态势预测模型，通过实验数据，实现对网络安全态势演变趋势的预测，最终为保障互联网安全提供有效的数据保障。

P神经网络；安全态势；权重；指标体系

随着物联网、云计算、大数据的快速发展，计算机网络进入了高速发展的时代，人们已经习惯了互联网提供的各种服务。与此同时，计算机网络面临着巨大的风险，如网络攻击、网络金融诈骗、密码窃取、病毒侵入等。随着网络服务的不断普及，我国公民的个人信息和重要数据保护非常不足，信息泄露的形势极为严峻，针对出现的种种网络安全问题，网络安全态势感知逐渐成为预测和防范网络安全问题的焦点，网络安全态势感知技术被广泛研究和应用。

BP神经网络具有较强的自学习能力和处理非线性问题能力[1]，由于网络安全态势预测所涉及的既有定量的指标又有定性的指标，所以建立态势预测与影响网络安全因素之间关系的神经网络模型，能够很好将影响网络安全的各种指标因素统一起来，建立适合网络安全态势预测的模型[2]。对预测结果进行分析，找出影响网络安全的各种不同因素，及各种因素所造成的网络危害的严重程度，对网络安全进行有针对性的主动安全防护和预防。

1 网络安全态势评估体系

1.1 网络安全态势

态势感知是指在一定时间和空间范围内动态、整体地洞悉安全风险的能力。将状态信息与已知标签进行对比，进而得出当前网络的安全运行情况[3]。随着互联网的兴起，而发展升级为“网络态势感知”。

网络态势感知是指在具体的网络环境下，对影响网络安全的要素进行提取，综合各方面的安全要素，从整体上反映网络的安全状况。态势感知能够全面感知网络安全的威胁、洞悉网络的应用运行状态、通过全面的分析，实现网络攻击的实时评估，帮助管理人员采取针对性响应处置措施，确保网络安全[4]。

安全态势预测是整个态势感知模型中最顶层的应用技术。网络安全态势的预测对网络安全的防御有着重要的作用，态势预测的定义是对未来将要发生的事件或场景进行预先的估计来判定其发生可能性的大小[5]。

1.2 网络安全态势预测指标体系建立

表1 安全态势预测内容及指标

2 基于BP神经网络的安全态势预测

2.1 BP神经网络算法

2.2 基于BP 算法的神经网络安全态势预测的结构设计

（2）隐含层。对于隐含层节点个数的设置，在本实验中，先设置10个节点，再进行不断的训练，通过误差分析来逐步增减隐含层的神经元数目，直至得到满意的性能。计算公式如下[11]：

W表示节点和节点之间的权值，首先随机化权值的大小，取（-1，1）之间的随机数，通过训练调整权值的大小。

（3）输出层。输出层节点数为标签个数，神经元的传递函数用非线性变换函数Sigmoid函数。计算公式如下：

通过函数S(x)的计算，得出各个输出节点的值，数值为[0,1]之间的数，通过概率的大小对网络安全进行预测。数值越大，受网络攻击就越大。对于网络的安全就要加大防范。

3 实验仿真

本次实验选取了某公司12月份的网络数据日志进行分析，包括3台服务器，10台主机，总共有500个样本点数据，选取其中的400个样本点数据，进行神经网络训练，对参数进行拟合调整。剩余100个样本点，进行网络的安全预测。在训练中，学习率取0.02，各层的权值首先随机输入，根据训练目标进行调整，训练以预测值与标签的均方误差MSE<=0.003，当均方误差达到要求时，训练结束，神经网络的参数随之确定，用训练好的神经网络参数对剩余100个样本点进行预测。训练用Anaconda语言中的神经网络模型实现训练模型。选取100个样本点中的部分时段网络安全态势预测值为表2所示。

表2 网络安全态势预测结果

对于表2中的预测结果，根据网络安全的分层结果可知，对于像编号1的值0.967，编号5的值0.965，编号18的值0.974都是网络安全危害非常大，存在很大漏洞，需要加强防范。对于像编号9中的值0.175，数值较小，可知在这一时段网络安全，对网络的攻击，漏洞都很小。数值越小，网络越安全。

4 结语

本文通过设置影响网络安全态势的指标，提出了一种基于BP神经网络安全态势预测的模型。通过实验仿真，能够很好对网络安全进行预测，使预测结果更加精准，能很好拟合网络安全情况，提供安全防护的理论根据，指导网络管理者可以及时发现网络中的安全威胁和漏洞，更好地做好防护，实现主动防御。

[1]孟磊，于庆锋，宋永超.人工神经网络方法（BP）在变形监测中的应用[J].测绘与空间地理信息，2018，41（7）：215-218.

[2]Bass T，Gruber D.A glimpse into the future of id[J]. The Magazine of Usenix&Sage，1999，24（3）：40-49.

[3]Endsley M. Design and evaluation for situation awareness enhancement[C]//Proc of the Human Factors society Annual Meeting.Los Angeles，CA：SAGE Publications，1988：97-101.

[4]李馥娟，王群.网络安全态势感知实训平台设计与实践[J].实验技术与管理，2020，37（4）：124-128.

[5]肖喜生，龙春，彭凯飞等. 基于人工智能的安全态势预测技术研究综述[J].信息安全研究，2020（6）：505-513

[6]中华人民共和国国家互联网信息办公室. 2019年上半年我国互联网网络安全态势[EB/OL].2019[2019-8-13]. http://www.cac.gov.cn/2019-08/13/c_1124871484.htm.

[7]焦李成. 神经网络系统理论[M]．西安：西安电子科技大学出版社，1990．

[8]吴简彤，王建华．神经网络技术及其应用[M]．哈尔滨：哈尔滨工程大学出版社，1998．

[9]林仕高，欧元贤. BP 神经网络学习参数优化研究[J]. 微计算机信息，2010.

[10]柳小桐．BP 神经网络输入层数据归一化研究[J]．机械工程与自动化，2010（03）：122-123+126．

[11]常江华.BP 神经网络算法在智能钻进控制系统中的应用[J].煤矿机械，2020，41（05）：188-191.

全国高等院校计算机基础教育研究会，计算机基础粗教育教学研究项目（2019-AFCEC-345）