基于極限學(xué)習(xí)機的網(wǎng)絡(luò)安全態(tài)勢預(yù)測模型

王 瑞李芯蕊馬雙斌

1(甘肅省公安廳網(wǎng)絡(luò)安全保衛(wèi)總隊 蘭州 730030)2(蘭州大學(xué)甘肅省信息安全等級保護測評中心 蘭州 730030)2(蘭州大學(xué)應(yīng)用技術(shù)研究院有限責(zé)任公司 蘭州 730030)(313916914@qq.com)

隨著互聯(lián)網(wǎng)的高速發(fā)展，網(wǎng)絡(luò)安全事件的逐年大幅遞增，使得網(wǎng)絡(luò)安全問題成為各國研究的熱點.網(wǎng)絡(luò)安全態(tài)勢預(yù)測是指對網(wǎng)絡(luò)安全原始數(shù)據(jù)進行采集后，使用信息識別技術(shù)提取網(wǎng)絡(luò)安全的態(tài)勢因子，運用合理的安全態(tài)勢預(yù)測方法得到網(wǎng)絡(luò)安全態(tài)勢值，并對網(wǎng)絡(luò)安全狀況進行預(yù)測[1].圍繞安全態(tài)勢要素、安全態(tài)勢預(yù)測和態(tài)勢可視化等進行研究；安全態(tài)勢預(yù)測技術(shù)是核心問題[2-3].

目前有很多文獻對網(wǎng)絡(luò)安全態(tài)勢預(yù)測方法進行研究，主要采用D-S理論、粗糙集理論、貝葉斯、神經(jīng)網(wǎng)絡(luò)、嫡理論和專家系統(tǒng)等方法，都取得了一定的成果，對后續(xù)的研究工作起到了積極的指導(dǎo)作用.以Tim Bassb的理論為基礎(chǔ)，Salerno等人[4]提出通用的態(tài)勢感知的框架；Ames等人[5]將隱馬爾可夫模型運用到網(wǎng)絡(luò)安全態(tài)勢評估領(lǐng)域，通過當(dāng)前網(wǎng)絡(luò)狀態(tài)計算網(wǎng)絡(luò)威脅值；美國的勞倫斯伯克利國家實驗室(Lawrence Berkeley National Lab)利用一種三維空間的視角對網(wǎng)絡(luò)流量進行描述，提高對威脅的感知能力[6]；韋勇等人[7]提出將通過各節(jié)點的網(wǎng)絡(luò)安全態(tài)勢值的結(jié)合，綜合評判節(jié)點所在網(wǎng)絡(luò)的安全態(tài)勢，其特點在于對節(jié)點日志信息的關(guān)聯(lián)分析，還通過節(jié)點的性能指標(biāo)對相應(yīng)的威脅權(quán)重進行修正；張勇等人[8]分析態(tài)勢感知中威脅的傳播規(guī)律，并建立Markov博弈模型對產(chǎn)生威脅的三方進行博弈推理，動態(tài)地評估網(wǎng)絡(luò)安全態(tài)勢.網(wǎng)絡(luò)安全態(tài)勢預(yù)測的研究對于提高網(wǎng)絡(luò)的監(jiān)控能力、應(yīng)急響應(yīng)能力和預(yù)防干預(yù)能力都具有重要的意義.網(wǎng)絡(luò)安全態(tài)勢預(yù)測并不僅僅是對數(shù)據(jù)源進行預(yù)測，針對目前網(wǎng)絡(luò)安全態(tài)勢評估方法中的模型參數(shù)不容易獲取、模型消耗時間長且可信度不高等問題，本文綜合考慮網(wǎng)絡(luò)安全態(tài)勢的各方面因素，設(shè)計基于ELM的網(wǎng)絡(luò)安全態(tài)勢預(yù)測模型，可以直觀方便預(yù)測當(dāng)前網(wǎng)絡(luò)安全態(tài)勢值，對當(dāng)前網(wǎng)絡(luò)安全態(tài)勢有一個全面的把握.

1 極限學(xué)習(xí)機原理

極限學(xué)習(xí)機(ELM)的網(wǎng)絡(luò)模型結(jié)構(gòu)圖如圖1所示.具有N個隱含神經(jīng)元的單隱層前向神經(jīng)網(wǎng)絡(luò)(SLFN)，可以學(xué)習(xí)N個具有任意小誤差的不同樣本，其輸入權(quán)重和隱含層偏差隨機分配.因此只需要調(diào)整輸出權(quán)重，而對輸入權(quán)重和隱層偏差的調(diào)整對SLFN的性能沒有貢獻.極限學(xué)習(xí)機(ELM)隨機選擇輸入權(quán)重和隱層偏差，然后可以獲得輸出權(quán)重.與傳統(tǒng)算法相比，ELM具有更快的學(xué)習(xí)速度和更好的泛化性能.其具體工作原理如下[9-10].

圖1 ELM模型結(jié)構(gòu)圖

給定n個不同樣例(xj,yj)，其中xj為輸入向量，yj為輸出向量，有l(wèi)個隱含層節(jié)點，激活函數(shù)為h(*)，wi=[wi 1,wi 2,…,wi n]T表示輸入節(jié)點與第i個隱含節(jié)點之間的輸入權(quán)重，βi=[βi 1,βi 2,…,βi m]T是第i個隱含節(jié)點與輸出節(jié)點之間的權(quán)重，bi為第i個隱含節(jié)點的偏移量.

以零誤差方式逼近給定的n個樣例，有wi，b和βi使式(1)成立：

(1)

即：Hβ=Y，H為隱含層輸出矩陣，Y為樣本輸出向量，其中：

H(w,b,x)=

(2)

(3)

(4)

在隱層神經(jīng)元數(shù)和訓(xùn)練集樣本數(shù)相同的情況下,任意w和b可以使單隱層前饋神經(jīng)網(wǎng)絡(luò)以零誤差方式靠近輸入向量，即

(5)

其中,j=1,2,…,n.當(dāng)訓(xùn)練集樣本個數(shù)較大時，通常取隱含層神經(jīng)元的個數(shù)l0，即

(6)

當(dāng)選定激活函數(shù)h(x)無限可微時，對任意的w和任意的b，β的值可以通過式(7)求解，即

(7)

H為隱層的輸出矩陣，在ELM中隨機給定輸出權(quán)值和閾值，矩陣H就變成一個確定的矩陣，ELM的訓(xùn)練就轉(zhuǎn)化成求輸出權(quán)值矩陣的問題.輸出權(quán)值矩陣β可由式(8)得到：

(8)

式(8)中H+為隱含層輸出矩陣的Moor-Penrose廣義逆.

ELM算法流程如下：

1) 隨機產(chǎn)生參數(shù)(wi,bi)，i=1,2,…,l(其中l(wèi)為隱含層神經(jīng)元的個數(shù))；

2) 根據(jù)式(7)計算隱含層輸出矩陣H；

2 網(wǎng)絡(luò)安全態(tài)勢預(yù)測的原理

網(wǎng)絡(luò)安全態(tài)勢預(yù)測是一個復(fù)雜的過程，受到多種影響因素的影響，不訪假設(shè)這些預(yù)測指標(biāo)為{x1,x2,…,xn}，預(yù)測指標(biāo)之間又相互作用，不同指標(biāo)對網(wǎng)絡(luò)安全態(tài)勢預(yù)測的作用不同，使得預(yù)測指標(biāo)與網(wǎng)絡(luò)安全風(fēng)險值之間不是簡單的線性關(guān)系，是一種十分復(fù)雜的非線性關(guān)系，這些因素最終產(chǎn)生的影響為

y=f(x1,x2,…,xn),

(9)

式中,f(*)為非線性擬合函數(shù).

由式(9)得知，網(wǎng)絡(luò)安全態(tài)勢預(yù)測結(jié)果與預(yù)測指標(biāo)以及非線性擬合函數(shù)直接相關(guān).我們在預(yù)測過程引入極限學(xué)習(xí)機，建立基于ELM的網(wǎng)絡(luò)安全態(tài)勢預(yù)測模型.本文采用基于極限學(xué)習(xí)機的非線性模型對其進行預(yù)測，其預(yù)測結(jié)構(gòu)如圖2所示:

圖2 網(wǎng)絡(luò)安全態(tài)勢預(yù)測原理圖

3 仿真實驗

3.1 數(shù)據(jù)選取

本文采用的數(shù)據(jù)樣本為國家互聯(lián)網(wǎng)應(yīng)急響應(yīng)中心網(wǎng)站公布的真實數(shù)據(jù).把安全態(tài)勢分為5個等級，分別為:優(yōu)、良、中、差、危.為方便量化分析模型，將5個級別的安全態(tài)勢與數(shù)字相對應(yīng)，如表1所示：

表1 安全態(tài)勢與數(shù)字對應(yīng)表

本文對自2014年第1期至2016年第52期的《網(wǎng)絡(luò)安全信息》與《動態(tài)周報》進行統(tǒng)計，篩選出148組數(shù)據(jù)進行歸一化處理，隨機取出138組作為訓(xùn)練數(shù)據(jù)，10組作為測試數(shù)據(jù).

3.2 結(jié)果與分析

為評估本文提出的基于ELM的網(wǎng)絡(luò)安全態(tài)勢預(yù)測模型的有效性，我們在MATLAB2014a平臺實現(xiàn)該模型.同時，與基于BP神經(jīng)網(wǎng)絡(luò)的網(wǎng)絡(luò)安全態(tài)勢預(yù)測模型進行對比分析.

從圖3和圖4可以看出，ELM模型的預(yù)測值能較好地逼近真實值，預(yù)測誤差更小，具有較好的預(yù)測效果.

圖3 ELM預(yù)測輸出結(jié)果與BP預(yù)測輸出結(jié)果對比

圖4 ELM預(yù)測誤差與BP預(yù)測誤差對比

表2 不同模型預(yù)測精度對比

從表2可知，基于極限學(xué)習(xí)機網(wǎng)絡(luò)態(tài)勢預(yù)測模型的均方誤差(MSE)和平均絕對誤差(MAE)均低于基于BP神經(jīng)網(wǎng)絡(luò)網(wǎng)絡(luò)態(tài)勢預(yù)測模型，尤其是在時間方面遠遠低于基于BP神經(jīng)網(wǎng)絡(luò)網(wǎng)絡(luò)態(tài)勢預(yù)測模型.由此可見，基于極限學(xué)習(xí)機的網(wǎng)絡(luò)安全態(tài)勢預(yù)測模型預(yù)測精度高于傳統(tǒng)的BP神經(jīng)網(wǎng)絡(luò)預(yù)測模型.

4 結(jié)束語

本文提出了一種基于極限學(xué)習(xí)機的網(wǎng)絡(luò)安全態(tài)勢預(yù)測模型，給出了解決網(wǎng)絡(luò)安全與管理的一種嘗試方法.基于極限學(xué)習(xí)機的網(wǎng)絡(luò)安全態(tài)勢預(yù)測模型可以幫助網(wǎng)絡(luò)安全管理人員提前對網(wǎng)絡(luò)安全形勢進行預(yù)判，便于其采取相應(yīng)措施，提升網(wǎng)絡(luò)應(yīng)急處理能力.