電力信息網(wǎng)絡(luò)安全態(tài)勢評估方法

于 海, 李 峰, 霍英哲, 尹曉華

(國網(wǎng)遼寧省電力有限公司信息通信分公司， 沈陽 110006)

隨著中國電網(wǎng)向智能化、網(wǎng)絡(luò)化、自動化發(fā)展，電力信息網(wǎng)絡(luò)間的信息交互愈發(fā)頻繁深入[1]。電力信息網(wǎng)絡(luò)是電力生產(chǎn)和管理正常運行的基礎(chǔ)，電力信息網(wǎng)絡(luò)的安全性是電力系統(tǒng)安全穩(wěn)定運行的重要基礎(chǔ)[2]。同時大量智能量測裝置和遠程控制設(shè)備都面臨受攻擊風(fēng)險，使得電力信息網(wǎng)絡(luò)結(jié)構(gòu)日趨復(fù)雜,停電事故時有發(fā)生[3]。因此為了預(yù)防電網(wǎng)停電事故的發(fā)生，需要預(yù)測電網(wǎng)的安全運行狀態(tài)，即對電網(wǎng)的安全態(tài)勢進行感知[4]。電力信息網(wǎng)絡(luò)面臨的主要威脅有：日趨復(fù)雜的網(wǎng)絡(luò)拓撲帶來的網(wǎng)絡(luò)安全問題；漏洞頻發(fā)的操作系統(tǒng)漏洞帶來的主機系統(tǒng)安全問題；以及大量電力信息數(shù)據(jù)傳輸存儲中面臨的數(shù)據(jù)應(yīng)用安全問題。為此，國家電網(wǎng)公司制訂了“雙網(wǎng)雙機、分區(qū)分域、安全接入、動態(tài)感知、精益管理、全面防護”的主動防御策略，構(gòu)筑互聯(lián)網(wǎng)與信息外網(wǎng)之間強化控制策略、信息外網(wǎng)與內(nèi)網(wǎng)之間強邏輯隔離、管理信息與生產(chǎn)控制物理隔離的信息安全三道防線,配備了入侵檢測、防火墻、漏洞掃描、防病毒等一系列安全設(shè)備，對電力信息網(wǎng)絡(luò)取得了較好的防護效果。

但是，隨著攻擊者功利性和專注性的提高，當(dāng)前電力信息網(wǎng)絡(luò)中各類安全設(shè)備缺乏聯(lián)動，容易形成安全孤島[5]。海量的日志數(shù)據(jù)關(guān)聯(lián)度較低，需要分析人員進行大量的人工分析，無法保證及時性和準確度。因此，電力信息網(wǎng)絡(luò)安全需要達到更高的標準，面向電力信息網(wǎng)絡(luò)的及時高效的安全態(tài)勢評估愈發(fā)顯得重要。

在此背景下，電力信息網(wǎng)絡(luò)安全態(tài)勢評估技術(shù)應(yīng)運而生，并取得了很大的進展。Bass[6]首先對網(wǎng)絡(luò)安全態(tài)勢感知進行了定義，網(wǎng)絡(luò)安全態(tài)勢感知是指通過數(shù)據(jù)提煉、目標細化、態(tài)勢改善來獲取網(wǎng)絡(luò)安全態(tài)勢的因素。賈瑞生等[7]通過各種威脅獲得整體安全態(tài)勢，分析安全情況。周新衛(wèi)等[8]通過多節(jié)點網(wǎng)絡(luò)安全態(tài)勢重要影響因子值與安全態(tài)勢值計算狀態(tài)向量，構(gòu)建了一種新的基于改進G-K算法的多節(jié)點網(wǎng)絡(luò)安全態(tài)勢預(yù)測模型。Kou等[9]提出了一種基于攻擊意圖識別的網(wǎng)絡(luò)安全態(tài)勢評估方法，該方法在對攻擊事件進行因果分析后，根據(jù)每個攻擊階段進行態(tài)勢評估，并根據(jù)所得態(tài)勢識別出攻擊意圖，能夠更準確地反映攻擊的真實性。Tao等[10]提出了一種基于圖數(shù)據(jù)庫的分層多域網(wǎng)絡(luò)安全態(tài)勢感知數(shù)據(jù)存儲方法，將網(wǎng)絡(luò)劃分為不同的域，可以更有效地收集和處理感知數(shù)據(jù)。Vellaithurai等[11]提出了網(wǎng)絡(luò)-物理安全指標以衡量基礎(chǔ)網(wǎng)絡(luò)物理環(huán)境的安全級別，并使用運行日志以及電力網(wǎng)絡(luò)拓撲信息構(gòu)建貝葉斯模型，來推斷出正在進行的惡意攻擊。陳麗莎[12]提出基于反向傳播(back propagation，BP)和神經(jīng)網(wǎng)絡(luò)(neural network，NN)的大規(guī)模網(wǎng)絡(luò)態(tài)勢評估模型，該模型抽象為輸入層、隱層、輸出層,并進行各層相關(guān)元素的設(shè)計，評估網(wǎng)絡(luò)的安全態(tài)勢等級。Zhao等[13]提出基于粒子群優(yōu)化的神經(jīng)網(wǎng)絡(luò)模型，用于評估網(wǎng)絡(luò)安全態(tài)勢，仿真結(jié)果表明該模型具有更快的收斂速度和評估精度。于群等[4]將深度學(xué)習(xí)與電網(wǎng)的安全態(tài)勢感知相結(jié)合,完成對電網(wǎng)安全態(tài)勢的感知，并將其與BP神經(jīng)網(wǎng)絡(luò)和徑向基函數(shù)(radical basis function，RBF)神經(jīng)網(wǎng)絡(luò)進行了對比分析,驗證了深度學(xué)習(xí)對電網(wǎng)安全態(tài)勢感知的有效性。高翔等[14]引入灰色關(guān)聯(lián)分析出電力信息網(wǎng)絡(luò)安全指標權(quán)重，并利用支持向量機建立了評估模型，提高了網(wǎng)絡(luò)安全態(tài)勢的評估準確率。茹葉棋等[15]建立了信息設(shè)備關(guān)聯(lián)的業(yè)務(wù)可靠性模型，并結(jié)合層次分析法和貝葉斯網(wǎng)絡(luò)對電網(wǎng)信息物理系統(tǒng)進行了可靠性分析。

但現(xiàn)有基于神經(jīng)網(wǎng)絡(luò)的網(wǎng)絡(luò)安全態(tài)勢評估方法容易陷入局部最優(yōu)，且效率較低[16]，現(xiàn)提出一種基于改進人工蜂群算法(artificial bee colony algorithm, ABC)優(yōu)化神經(jīng)網(wǎng)絡(luò)的復(fù)雜電力信息網(wǎng)絡(luò)安全態(tài)勢評估方法。新方法通過引入混沌序列改進蜂群的初始化，以提高蜂群的多樣性。然后，利用改進的人工蜂群算法計算神經(jīng)網(wǎng)絡(luò)的各個神經(jīng)元連接權(quán)值，來代替反向傳播算法。

1 基于神經(jīng)網(wǎng)絡(luò)的復(fù)雜網(wǎng)絡(luò)安全態(tài)勢評估模型設(shè)計

網(wǎng)絡(luò)安全態(tài)勢評估的一般步驟如下[17]：首先，建立網(wǎng)絡(luò)安全態(tài)勢評估模型的指標體系；然后，建立不同的模型計算網(wǎng)絡(luò)安全態(tài)勢的評估值，從而實現(xiàn)網(wǎng)絡(luò)安全態(tài)勢評估模型的構(gòu)建。神經(jīng)網(wǎng)絡(luò)具有強大的非線性映射能力[18]，能夠有效擬合復(fù)雜電力網(wǎng)絡(luò)安全態(tài)勢評估中的感知數(shù)據(jù)與安全態(tài)勢之間的隱函數(shù)關(guān)系，進而計算出網(wǎng)絡(luò)安全態(tài)勢評估值，能夠有效反映出網(wǎng)絡(luò)安全態(tài)勢評估的情況?；谏窠?jīng)網(wǎng)絡(luò)的網(wǎng)絡(luò)安全態(tài)勢評估模型如圖1所示。

x1,x2,…,xn為神經(jīng)網(wǎng)絡(luò)的輸入值，即網(wǎng)絡(luò)安全態(tài)勢評估指標；為神經(jīng)網(wǎng)絡(luò)的權(quán)重參數(shù)；Σ為線性求和，作為激活函數(shù)f的輸入；y為神經(jīng)網(wǎng)絡(luò)的輸出值，即網(wǎng)絡(luò)安全態(tài)勢的評估值

基于神經(jīng)網(wǎng)絡(luò)的安全態(tài)勢模型主要包含三部分：以網(wǎng)絡(luò)安全態(tài)勢指標為輸入的輸入層，態(tài)勢指標到態(tài)勢評估的隱含層，以態(tài)勢評估值為輸出的輸出層。

1.1 網(wǎng)絡(luò)安全態(tài)勢指標輸入

電力信息網(wǎng)絡(luò)安全態(tài)勢指標主要由Snort日志的報警信息等提供。主要指標包括一定時間窗內(nèi)傳輸控制協(xié)議(transmission control protocol，TCP)、用戶數(shù)據(jù)報協(xié)議(user datagram protocol，UDP)、Internet控制報文協(xié)議(Internet control message protocol， ICMP)各類數(shù)據(jù)包的分布以及包字節(jié)數(shù)比重，流入流出流量變化率,攻擊頻率，攻擊源數(shù)量等。這些態(tài)勢指標數(shù)據(jù)歸一化后構(gòu)成向量(x1,x2,…,xn)作為神經(jīng)網(wǎng)絡(luò)的輸入層，以消除不同物理單位量綱的影響。根據(jù)一般的網(wǎng)絡(luò)安全態(tài)勢指標選取原則[19]，以及復(fù)雜電力信息網(wǎng)絡(luò)安全特點，選取10個電力信息網(wǎng)絡(luò)安全態(tài)勢指標，構(gòu)成指標體系。包括{ TCP包分布，TCP包字節(jié)數(shù)分布，UDP包分布，UDP包字節(jié)數(shù)分布，ICMP包分布，ICMP包字節(jié)數(shù)分布，流入流量變化率，流出流量變化率，攻擊頻率，攻擊源數(shù)量}。

1.1.1 協(xié)議包分布

設(shè)電力信息網(wǎng)絡(luò)中TCP包總量為nTCP，UDP包總量為nUDP，ICMP包總量為nICMP,則TCP包分布為

(1)

UDP包分布為

(2)

ICMP包分布為

(3)

1.1.2 流量變化率

設(shè)t時刻網(wǎng)絡(luò)流入數(shù)據(jù)量為Nt，t+Δt時刻網(wǎng)絡(luò)數(shù)據(jù)字節(jié)總量為Nt+Δt，則流量變化率為

(4)

1.1.3 攻擊頻率歸一化

(5)

式(5)中：f為單位時間內(nèi)發(fā)生攻擊的次數(shù)。

1.1.4 攻擊源數(shù)量歸一化

(6)

式(6)中：n為攻擊源的數(shù)目。

1.2 態(tài)勢指標到態(tài)勢評估的隱含層

神經(jīng)網(wǎng)絡(luò)中隱含層的層數(shù)及每層的神經(jīng)元個數(shù)決定了神經(jīng)網(wǎng)絡(luò)的映射能力。一般來說，神經(jīng)網(wǎng)絡(luò)的層數(shù)越深，從輸入層到輸出層的映射能力越強，但同時會導(dǎo)致訓(xùn)練參數(shù)的增加，降低神經(jīng)網(wǎng)絡(luò)的訓(xùn)練速度。神經(jīng)網(wǎng)絡(luò)的學(xué)習(xí)過程本質(zhì)上是一個找到能夠匹配輸入輸出的最佳連接權(quán)重參數(shù)的優(yōu)化過程。但傳統(tǒng)的反向傳播神經(jīng)網(wǎng)絡(luò)訓(xùn)練算法，訓(xùn)練時間較長，且容易陷入局部最優(yōu)，不利于及時發(fā)現(xiàn)網(wǎng)絡(luò)安全態(tài)勢中的風(fēng)險。因此，論文采用雙隱含層的網(wǎng)絡(luò)結(jié)構(gòu)，并通過人工蜂群算法訓(xùn)練神經(jīng)網(wǎng)絡(luò)的權(quán)值。既提高了神經(jīng)網(wǎng)絡(luò)的表征能力，又能夠有效減少神經(jīng)網(wǎng)絡(luò)的訓(xùn)練時間，及時為網(wǎng)絡(luò)安全態(tài)勢提供實時評估值。

(7)

(8)

(9)

式中：f為激活函數(shù)，一般采用sigmoid激活函數(shù)。

1.3 網(wǎng)絡(luò)安全態(tài)勢評估值輸出

安全態(tài)勢評估值借鑒國家互聯(lián)網(wǎng)中心對網(wǎng)絡(luò)安全態(tài)勢的劃分標準，根據(jù)網(wǎng)絡(luò)安全形勢特點，將安全態(tài)勢由安全到危險劃分為五個等級，并用實數(shù)區(qū)間進行定量描述。

2 改進人工蜂群算法的復(fù)雜網(wǎng)絡(luò)安全態(tài)勢評估方法

由于傳統(tǒng)BP神經(jīng)網(wǎng)絡(luò)訓(xùn)練時間一般較長，且容易陷入局部最優(yōu)，未必是最優(yōu)的權(quán)值和閾值[20]。因此采用ABC算法優(yōu)化神經(jīng)網(wǎng)絡(luò)的權(quán)值和偏置值，獲得最優(yōu)的權(quán)值和偏置值，使ABCNN(attention-based convolutional neural network)模型評估結(jié)果更準確。ABC算法是最近幾年提出的一種非常強大的群智能優(yōu)化算法，為神經(jīng)網(wǎng)絡(luò)權(quán)值的優(yōu)化構(gòu)造了一種新的解決方案[21]。ABC算法模仿自然界中蜜蜂的群體覓食行為，蜂群中包括雇傭蜂(employed bee，EB)，旁觀蜂(onlooker bee，OB)和偵察蜂(scouter bee，SB)三種。雇傭蜂的任務(wù)是采集當(dāng)前位置的蜜源，然后以不同形式的舞蹈與旁觀蜂分享蜜源(花蜜數(shù)量，距離等)信息。旁觀蜂的數(shù)量與雇傭蜂相同，根據(jù)雇傭蜂的舞蹈擇優(yōu)選擇蜜源(適應(yīng)度函數(shù)值)。而離開蜜源的雇傭蜂轉(zhuǎn)化為偵查蜂，通過隨機游走搜索新的潛在蜜源。ABC算法與粒子群算法(particle swarm optimization，PSO)、遺傳算法(genetic algorithm，GA)進行的benchmark函數(shù)測試比較結(jié)果表明，ABC算法收斂速度要比PSO和GA算法更快，更有可能獲得全局最優(yōu)值[22]。

在ABCNN模型中，神經(jīng)網(wǎng)絡(luò)的待優(yōu)化的權(quán)值參數(shù)作為蜜源的位置，神經(jīng)網(wǎng)絡(luò)輸出的評估值與真實安全態(tài)勢評估值的差值平方作為蜜源的適應(yīng)度函數(shù)。即

(10)

式(10)中：fitness()為蜜源的適應(yīng)度函數(shù)值；y為神經(jīng)網(wǎng)絡(luò)輸出的評估值；d為真實安全態(tài)勢評估值。

ABC算法的步驟如下。

步驟1 隨機初始化N個雇傭蜂位置，即為神經(jīng)網(wǎng)絡(luò)權(quán)值，并計算相應(yīng)的適應(yīng)度函數(shù)值。

步驟2 雇傭蜂對蜜源附近鄰域搜索，若鄰域蜜源比原位置蜜源更好，則用鄰域替代原位置；否則，保持原位置不變。

步驟3 旁觀蜂以一定概率Pi選擇要跟隨的雇傭蜂，并進行鄰域搜索。若鄰域蜜源比原位置蜜源更好，則用鄰域替代原位置；否則，保持原位置不變。即

(11)

步驟4 若某蜜源的適應(yīng)函數(shù)值多次循環(huán)后仍保持不變，則相應(yīng)的雇傭蜂轉(zhuǎn)變?yōu)閭刹榉?，重新隨機搜索。

步驟5 迭代截止時返回最優(yōu)蜜源位置與最優(yōu)目標函數(shù)值；否則，跳轉(zhuǎn)到步驟2。

由于初始化過程的隨機性會很大程度上影響全局最優(yōu)解的精度和收斂，因此具有長周期和良好均勻性的隨機序列會提升算法的性能。而混沌系統(tǒng)由于其簡單確定性動力系統(tǒng)的隨機性取決于其初始條件和參數(shù)的靈敏度，逐漸被認為是有效的初始化機制，能夠提高種群的多樣性[23-24]。因此，引入了以不規(guī)則性、遍歷性和隨機性為特征的混沌序列，以執(zhí)行整個群體的初始化過程。基于混沌序列的蜂群初始化步驟如下。

步驟1 設(shè)置混沌最大迭代次數(shù)。

步驟2 隨機初始化混沌變量λ0,j∈(0,1)。

步驟3 更新λi+1,j=μλi,j(1-λi,j),其中，μ為混沌控制參數(shù)。

步驟4 若達到最大迭代次數(shù)，則輸出混沌隨機值；否則，跳轉(zhuǎn)到步驟3。

步驟5xi,j=xmin,j+λt,j(xmax,j-xmin,j),其中xmin,j和xmax,j分別是輸入態(tài)勢指標的上界和下界。

圖2給出了基于人工蜂群算法的網(wǎng)絡(luò)安全態(tài)勢評估模型。

圖2 基于人工蜂群算法的網(wǎng)絡(luò)安全態(tài)勢評估模型Fig.2 The model of complex network security situation assessment based on ABC

3 實驗結(jié)果

3.1 實驗環(huán)境搭建

論文構(gòu)建了電力信息網(wǎng)絡(luò)安全態(tài)勢評估的實驗環(huán)境，包括2 臺路由器、3 臺防火墻、2 臺交換機、2 臺Snort入侵檢測系統(tǒng)、2 臺電力數(shù)據(jù)庫服務(wù)器、1 臺電力系統(tǒng)網(wǎng)站服務(wù)器、1 臺電力系統(tǒng)文件服務(wù)器以及4臺電腦。各服務(wù)器通過出口路由對互聯(lián)網(wǎng)上的用戶和攻擊者開放。如圖3所示。

圖3 網(wǎng)絡(luò)安全態(tài)勢評估仿真實驗拓撲圖Fig.3 The simulation experiment topology of network security situation assessment

實驗?zāi)M了互聯(lián)網(wǎng)上的攻擊者利用漏洞對各服務(wù)器(數(shù)據(jù)庫服務(wù)器、網(wǎng)站服務(wù)器、文件服務(wù)器)的聯(lián)合攻擊過程。各服務(wù)器涉及的攻擊漏洞如表1所示。

表1 各服務(wù)器涉及的攻擊漏洞Table 1 The vulnerability of servers

漏洞攻擊將直接影響各服務(wù)器的功能使用，且會造成信息泄露，會對電力信息網(wǎng)絡(luò)造成重大威脅[20]。通過分析數(shù)據(jù)包的變化情況可發(fā)現(xiàn)這些攻擊，因此選取TCP、UDP、ICMP數(shù)據(jù)包的分布以及包字節(jié)數(shù)比重，流入流出流量變化率作為網(wǎng)絡(luò)安全態(tài)勢評估中的輸入指標，如表2所示。這些安全態(tài)勢指標在仿真攻擊過程中，由入侵檢測系統(tǒng)收集并存入SQLServer數(shù)據(jù)庫中。

表2 網(wǎng)絡(luò)安全態(tài)勢評估指標Table 2 The indicators of network security situation assessment

ABCNN網(wǎng)絡(luò)安全態(tài)勢評估模型通過MATLAB R2014b編譯實現(xiàn)。實驗平臺在Intel Xeon 2.4 GHz E5-2665 CPU、16 G內(nèi)存、操作系統(tǒng)為Windows 7的計算機上搭建。ABC算法中蜂群種群規(guī)模為30，迭代上限為50，混沌迭代上限為50。神經(jīng)網(wǎng)絡(luò)輸入層

節(jié)點數(shù)根據(jù)輸入指標數(shù)設(shè)計為8，雙隱層神經(jīng)元個數(shù)也均為8，輸出層節(jié)點數(shù)為1，激活函數(shù)采用常用的sigmoid函數(shù)。

漏洞采用通用漏洞評分系統(tǒng)(common vulnerability scoring system，CVVS)以及10 位網(wǎng)絡(luò)安全專家進行綜合評分[16,20]，并將漏洞評分進行了[0,1]歸一化處理，作為網(wǎng)絡(luò)安全態(tài)勢的評估結(jié)果。安全等級分為安全[0,0.2)，輕度危險[0.2,0.4)，一般危險[0.4,0.75)，中度危險[0.75,0.9)以及高度危險[0.9,1.0]。實驗中收集了150 組數(shù)據(jù)，其中120 組數(shù)據(jù)作為訓(xùn)練樣本，30 組數(shù)據(jù)作為測試樣本。

3.2 實驗結(jié)果分析

圖4給出了人工蜂群優(yōu)化神經(jīng)網(wǎng)絡(luò)(ABCNN)與傳統(tǒng)神經(jīng)網(wǎng)絡(luò)(BPNN)以及遺傳算法優(yōu)化神經(jīng)網(wǎng)絡(luò)(GANN)的對比迭代曲線圖。由于群智能算法具有隨機性，因此實驗取30 次運行的平均結(jié)果。從圖4中可以看出，ABCNN的適應(yīng)度迭代曲線要優(yōu)于GANN和BPNN的收斂曲線，獲得了更小的誤差值，具有更快的收斂速度。

圖4 適應(yīng)度誤差迭代曲線圖Fig.4 The iteration curve of fitness error

為了給出更加量化的結(jié)果，表3給出了ABCNN、BPNN和GANN運行30 次的平均值、方差以及最好值的結(jié)果對比?？梢钥吹?，無論是平均值、方差，還是最好值，ABCNN都取得了優(yōu)于BPNN和GANN的結(jié)果。說明相較于對比算法，ABCNN獲得的結(jié)果精度更高，魯棒性更強。

表3 ABCNN與BPNN和GANN的統(tǒng)計結(jié)果對比Table 3 The comparison of ABCNN with BPNN and GANN

圖5給出了三種算法ABCNN、BPNN和GANN對剩余30 組網(wǎng)絡(luò)安全態(tài)勢數(shù)據(jù)進行預(yù)測輸出的比較結(jié)果?？梢钥闯?，對于BPNN來說，除了樣本20和25之外，ABCNN的輸出結(jié)果均要更接近實際安全態(tài)勢值；而對于GANN來說，除了樣本2之外，ABCNN的輸出結(jié)果均要優(yōu)于GANN的輸出結(jié)果。

圖5 網(wǎng)絡(luò)安全態(tài)勢預(yù)測結(jié)果比較Fig.5 Comparison of network security situation prediction

為了進一步量化各種比較算法的輸出結(jié)果與實際安全態(tài)勢值之間的誤差，采用平均相對誤差M進行計算，即

(12)

式(12)中：yi為算法得出的安全態(tài)勢預(yù)測輸出值；di為網(wǎng)絡(luò)安全實際態(tài)勢值；n為測試樣本個數(shù)。

根據(jù)式(12)可以得到 ABCNN、BPNN 和 GANN對網(wǎng)絡(luò)安全態(tài)勢預(yù)測值的平均相對誤差分別為4.55%、10.31%和7.72%?；贏BCNN的網(wǎng)絡(luò)安全態(tài)勢評估方法的平均相對誤差比BPNN和GANN分別低5.76%和3.17%，因此基于ABCNN的網(wǎng)絡(luò)安全態(tài)勢評估方法的預(yù)測準確度更高，能夠更加精準地反映網(wǎng)絡(luò)安全的態(tài)勢情況。

綜上，基于人工蜂群優(yōu)化的神經(jīng)網(wǎng)絡(luò)安全態(tài)勢評估方法，在收斂速度、訓(xùn)練和預(yù)測精度、魯棒性上均要優(yōu)于傳統(tǒng)的基于BPNN和GANN的評估方法。

4 結(jié)論

提出了一種基于改進人工蜂群優(yōu)化神經(jīng)網(wǎng)絡(luò)的電力信息網(wǎng)絡(luò)安全態(tài)勢評估方法。該方法通過引入混沌序列改進人工蜂群算法提高蜂群的多樣性，增加了蜂群的全局搜索能力。并利用改進的蜂群算法優(yōu)化神經(jīng)網(wǎng)絡(luò)的各權(quán)值參數(shù)對網(wǎng)絡(luò)安全態(tài)勢進行評估預(yù)測。實驗表明，基于改進的人工蜂群和神經(jīng)網(wǎng)絡(luò)的安全評估方法有效提高了網(wǎng)絡(luò)安全態(tài)勢的評估精度，加快了收斂速度。未來可通過為ABC算法增加精英策略等方式提高算法的收斂速度和最優(yōu)解精度，增強ABCBPNN安全態(tài)勢評估模型的評估精度。