基于自适应–相似修正的网络安全态势预测方法

摘要

随着信息技术的快速发展和互联网应用的日益普及，网络安全形势日益严峻，频繁的网络攻击严重威胁着国家安全和经济利益，因此准确预测网络安全态势重要而紧迫.但由于传统模型的固定输入长度和数据的非平稳性，现有的预测方法精度不足.对此本文提出一种基于自适应–相似修正的网络安全态势预测方法.首先，提出一种步长自适应策略来确定预测模型的初始输入.即引入变分模态分解来提取原始态势数据集的模态分量集，并对分量集中的周期分量，利用快速傅里叶变换确定其周期个数，作为其对应预测模型的输入长度；对非周期分量，利用递减Lempel–Ziv复杂度准则来自适应确定其对应预测模型的输入长度.其次，对模态分量的每个分量值，由训练数据集来构建其对应的支持向量机子模型.再次，在给定的初始输入长度下，基于余弦方差相似度判据，在训练数据集中筛选与测试集初始输入长度相同、变化趋势相似的数据子集.从此，基于上述支持向量机子模型，对该相似数据子集获得初始预测结果，并将相似数据子集与其初始预测结果作为最终的预测模型输入，实现对初始支持向量机子模型的修正.最后，在标准网络安全数据集NSL-KDD上的实验表明：所提单步预测方法均方误差（MSE）为1.75×10^-4、平均绝对误差（MAE）为1.07×10^-2、决定系数（R²）为0.984，其预测精度显著优于传统浅层学习、深度学习及支持向量机方法；在四步预测中，引入修正机制后效果更明显，与修正前相比，MAE、MSE分别降低了29.00%、53.69%,R²提升了5.03%；为进一步验证本文方法的泛化性，选取国家互联网应急中心的数据进行验证，结果证明本文方法预测效果最优.

关键词

态势预测 / 快速傅里叶变换 / 支持向量机 / Lempel–Ziv复杂度 / 余弦方差相似度

基金资助

天津市自然科学基金重点资助项目（23JCZDJC01140）