一种引入量子计算的复合式攻击预测方法研究

摘要

传统的网络防护技术经历了从静态防护到动态防护的发展历程，然而传统的动态防护技术仍属于被动防护技术范畴，已不能很好的应对当今的网络环境，将防范于未然的思想融入网络安全防护中，主动防御技术就适时而生了。
　　通过对已有的复合式攻击预测方法进行研究，将量子计算和隐马尔科夫模型（Hidden Markov Model，HMM）相结合，本文提出了一种基于量子计算和隐马尔科夫模型（TQPSO-HMM）的复合式攻击预测方法。
　　基于TQPSO-HMM的复合式攻击预测方法，首先对DARPA数据集进行攻击重放并收集报警信息，进行冗余处理和攻击类型分类后将报警信息作为HMM模型的训练数据集。针对HMM中梯度下降的参数训练方法易陷入局部最优的缺点，提出将量子粒子群算法运用于模型的参数训练。量子智能算法具有内在的并行性和独特的评价方式，并不直接对参数进行解操作，而是在问题的整个解空间进行寻优，相比于传统的单次迭代搜索方式在最优化问题中具有明显的优势。模型训练完成后再将报警信息序列出现在模型的观察层，根据HMM模型的Forward算法进行攻击场景识别，Viterbi算法进行攻击意图的识别和预测。
　　为进一步提高算法的全局搜索能力，在量子粒子群算法中提出针对落后粒子的淘汰机制，将适应度低于平均值的粒子淘汰并在远离各局部极值的空间重新生成，这种及时跳出局部极值束缚的策略使得算法拥有了更好的全局寻优能力。由于复合式攻击中每一步骤的选择要受到之前所有攻击行为结果的影响，因此将机器学习中增量学习（Q学习）的思想策略运用到HMM模型中，对HMM模型的Forward算法进行改进，将HMM模型引申为二阶HMM模型，并对Viterbi算法进行剪枝优化，进一步提高了预测模型对报警信息的识别速度。
　　实验表明，经过量子粒子群算法训练的HMM模型相对于传统HMM模型对复合式攻击行为的识别和预测效果更好。模型训练的收敛速度更快且对攻击序列的识别精度明显提高，识别效率也有所上升，同时很好的实现了对未知攻击行为的预测。

目录

声明

摘要

1 绪论

1．1 研究背景

1．1．1 网络安全发展趋势

1．1．2 主动防御

1．1．3 攻击预测

1．2 研究现状

1．2．1 复合攻击预测研究现状

1．2．2 面临的主要问题

1．3 研究内容与意义

1．3．1 研究内容

1．3．2 论文创新点

1．3．3 研究意义

1．4 论文的组织结构

2 预备知识

2．1 HMM模型简介

2．1．1 参数评估Forward算法

2．1．2 状态解码Viterbi算法

2．1．3 参数训练Baum-Welch算法

2．2 量子信息处理基本概念

2．2．1 量子计算的基本概念

2．2．2 量子态与量子门

2．2．3 量子并行计算与量子纠缠

2．3 DARPA数据集简介

2．4 本章小节

3 基于HMM的复合攻击预测

3．1 复合攻击预测模型

3．1．1 攻击场景识别模块设计

3．1．2 攻击意图识别模块设计

3．1．3 攻击预测模块设计

3．2 对删建模算法的改进

3．2．1 增强学习与Forward算法

3．2．2 对Viterbi算法的改进

3．3 改进HMM建模算法的实验设计与分析

3．3．1 实验设计流程

3．3．2 数据集预处理

3．3．3 实验结果与分析

3．4 本章小结

4 基于量子智能的Q-HMM复合攻击预测

4．1 量子智能算法

4．1．1 量子粒子群算法

4．1．2 提出淘汰机制改进QPSO算法

4．2 建立复合攻击的TQPSO-HMM模型

4．2．1 TQPSO算法对HMM模型的参数寻优

4．2．2 基于TQPSO-HMM的复合攻击预测模型

4．3 复合攻击预测实验设计与分析

4．3．1 实验设计流程

4．3．2 实验结果与分析

4．4 本章小结

5 总结与展望

5．1 总结

5．2 展望

参考文献

致谢

攻读学位期间取得的科研成果清单