公开/公告号CN113128615A
专利类型发明专利
公开/公告日2021-07-16
原文格式PDF
申请/专利权人 南京工程学院;
申请/专利号CN202110484059.2
申请日2021-04-30
分类号G06K9/62(20060101);G06N3/08(20060101);G06N3/04(20060101);H04L29/06(20060101);H04L12/24(20060101);
代理机构32300 南京源古知识产权代理事务所(普通合伙);
代理人马晓辉
地址 211167 江苏省南京市江宁区科技园弘景大道1号南京工程学院
入库时间 2023-06-19 11:52:33
技术领域
本发明属于网络安全技术领域,涉及一种基于PCA的BP神经网络对信息安全的检测系统、方法、应用。
背景技术
物联网和移动互联网等新网络的快速发展给信息安全带来更大的挑战。传统的网络安全技术已经不能满足新一代信息安全产业的发展企业对信息安全的需求不断发生变化。现有的网络安全预测方法大多采用PCA,这种方法仅采用历史负荷数据进行网络训练,通过训练好的网络进行检测,预测准确性较差。
发明内容
1、所要解决的技术问题:
现有的网络安全预测方法大多采用PCA,这种方法仅采用历史负荷数据进行网络训练,通过训练好的网络进行检测,预测准确性较差。
2、技术方案:
为了解决以上问题,本发明提供了一种基于PCA的BP神经网络对信息安全的预测系统,包括采集模块:采集近期资产识别数据、威胁识别数据、脆弱性识别和已有安全措施数据,将安全等级分类构建训练样本和预测样本;降维模块:对训练样本和预测样本中的数据进行降维处理;分解模块:采用PCA方法对降维后的数据进行分解;训练模块:用训练样本分解获得的分量进行神经网络训练;预测模块:将预测样本分解获得的分量带入训练好的神经网络。
本发明还提供了一种基于PCA的BP神经网络对信息安全的检测方法。
3、有益效果:
本发明基于负荷数据、气温数据和光辐照强度数据,依次对数据进行降维、分解,训练模糊小脑神经网络,最后模糊小脑神经网络进行预测,大大增强了检测的准确性。
具体实施方式
下面对本发明详细说明。
一种基于PCA的BP神经网络对信息安全的预测系统,包括采集模块:采集近期资产识别数据、威胁识别数据、脆弱性识别和已有安全措施数据,将安全等级分类构建训练样本和预测样本;降维模块:对训练样本和预测样本中的数据进行降维处理;分解模块:采用PCA方法对降维后的数据进行分解;训练模块:用训练样本分解获得的分量进行神经网络训练;预测模块:将预测样本分解获得的分量带入训练好的神经网络。
还包括修补模块;修补模块在进行降维之前对数据进行修补。
缺失数据补全处理采用MI方法,假设在不完全变量与完全变量间存在着线性回归关系。例如变量X
E[X
得到模型回归系数的参数估计
公式中的σ
所述降维模块包括,矩阵求取模块:将近期采集的数据分别去平均,求特征协方差矩阵;向量和特征值求取模块:计算协方差矩阵的特征向量和特征值;特征向量矩阵构建模块:将特征值降序排列,将特征值最大的一维特征向量作为新的基集,组成特征向量矩阵。
训练模块采用如下公式进行BP神经网络训练,
输入:训练集
在(0,1)范围内随机初始化网络中所有连接权和阈值
△w
直到达到停止条件,
输出:连接权与阙值确定的多层前馈神经网络,
BP网络由输入层、隐层和输出层组成,隐层可以有一层或多层,网络选用S型传递函数,
一种基于PCA的BP神经网络对信息安全系统的预测方法,包括以下步骤:第一步:采集数据,所述数据包括近期资产识别数据、威胁识别数据、脆弱性识别和已有安全措施数据;第二步:将获得数据按照安全等级构建训练样本和预测样本;第三步:对训练样本和预测样本中的数据进行降维处理;第四步:采用PCA方法对降维后的数据进行分解;第五步:用训练样本分解获得的分量进行神经网络训练,将预测样本分解获得的分量带入训练好的神经网络,获得预测结果。
在所述第三步中降维处理之前,对数据进行修补。
数据降维处理的过程为,将采集风险评估数据分别去平均,求特征协方差矩阵;计算协方差矩阵的特征向量和特征值;将特征值降序排列,将特征值最大的一维特征向量作为新的基集,组成特征向量矩阵。
与现有的技术中的其他预测算法的预测结果作比较,结果如下:
通过该结果比较,本发明的检测方法所得结果的均方差误差,明显小于传统检测方法。也就是说,在检测结果的准确度、稳定性上,均明显优于现有的算法。
本发明还提供了一种存储一个或多个程序的计算机可读存储介质,所述一个或多个程序包括指令,所述指令当由计算设备执行时,使得所述计算设备执行所述的方法中的任一方法。
一种计算设备,包括,一个或多个处理器、存储器以及一个或多个程序,其中一个或多个程序存储在所述存储器中并被配置为由所述一个或多个处理器执行,所述一个或多个程序包括用于执行根据所述的方法中的任一方法的指令。
机译: 基于BP神经网络识别微能器件能量的方法
机译: 基于BP神经网络识别微能器件能量的方法
机译: 基于MEA-BP神经网络的WSN异常检测方法