基于多模型权重提取与融合的网络安全态势预测研究

摘要

为了改善传统的安全方法不能及时对网络威胁做出处理的现状，本文将态势感知技术融合进网络安全，利用态势感知中的态势预测技术预测未来网络环境的安全态势，有利于管理者提前对威胁做好防备，及时应对来减少威胁带来的损失。然而，目前关于态势感知的研究还并不成熟，尤其态势预测更是处于起步阶段。虽有些态势预测方法已经被提出，但网络安全事件的不确定性限制了传统预测方法的预测精度。为此，本文主要做了如下工作：
　　首先，针对网络安全态势预测研究中采用的数据陈旧的问题，寻找新的网络数据来源，通过对国家互联网应急中心(CNCERT/CC)网站公布的数据进行归一化处理，得到我国大陆2015年52周的网络安全态势值，并利用这组网络安全态势值展开本文的研究工作。其次，针对已有的态势预测方法存在实时性差、预测精度不高的问题，提出了基于多模型权重提取与融合的态势预测方法，实现多模型的组合预测。由于不同类型的态势预测方法存在不同的优缺点，本文综合考虑各模型的使用范围、预测精度等特点，选取了灰色预测模型、BP神经网络预测模型、Elman神经网络预测模型和RBF神经网络预测模型进行融合。分别建立四种预测方法的单项预测模型和最终的组合预测模型，并采用这些模型对网络安全态势进行预测。最后，通过仿真实验，对比各单项模型和组合模型的预测结果，进行误差分析，对比分析结果表明本文提出的组合预测方法比单项预测方法具有更高的预测精度。

目录

封面

声明

目录

中文摘要

英文摘要

插图索引

附表索引

第1章 绪 论

1.1 研究背景与意义

1.2 国内外研究现状

1.3 本文的主要研究内容

1.4 论文结构

第2章 网络安全态势预测及其相关技术

2.1 态势感知技术

2.2 网络安全态势感知

2.3 网络安全的态势预测

2.4 权重提取和Dempster组合规则

2.5 本章小结

第3章 网络安全态势评估及预测模型的建立

3.1 网络安全态势评估的数据样本及预处理

3.2 网络安全态势预测评价指标

3.3 组合预测单项模型的确定

3.4 灰色Verhulst预测模型

3.5 BP神经网络模型

3.6 Elman神经网络模型

3.7 RBF神经网络模型

3.8 各单项预测模型预测能力对比

3.9 本章小结

第4章 多模型权重提取与融合的组合预测技术

4.1 多模型权重提取模型

4.2 多模型权重融合模型

4.3 权重提取仿真

4.4 权重融合仿真

4.5 预测结果分析

4.6 Honey Net数据集补充验证

4.7 本章小结

第5章 总结与展望

参考文献

致谢

附录A 攻读学位期间所发表的学术论文目录