基于改进贝叶斯正则化BP神经网络模型的网络安全态势预测方法研究
基于贝叶斯网络的网络安全态势感知方法研究
基于贝叶斯网络的网络安全态势感知方法研究
王梦迪; 戚犇
【期刊名称】《《中国公共安全（学术版）》》
【年(卷),期】2017(000)004
【摘要】态势感知技术,来源于军事领域,主要通过对环境因素的获取、评估和预判,对当前和未来的状态进行预测。
网络安全态势感知能够进行动态的、主动的防御。
用贝叶斯网络方法构建的态势感知系统,能够将贝叶斯的逻辑数学推理和解决复杂设备的不确定性与态势感知相结合,使态势感知系统在提取、评估时更加准确、稳定。
【总页数】5页(P102-106)
【作者】王梦迪; 戚犇
【作者单位】中国人民公安大学信息技术与网络安全学院北京100038
【正文语种】中文
【中图分类】G203
【相关文献】
1.基于贝叶斯网络的网络安全态势感知方法研究 [J], 王梦迪;戚犇;王艺杰
2.一种基于隐Markov模型的网络安全态势感知方法研究 [J], 张勇;谭小彬
3.基于Markov game模型的装备保障信息网络安全态势感知方法研究 [J], 李玺;卢昱;刘森;刘锋
4.基于贝叶斯网络的化学恐怖袭击后果评估方法研究 [J], 盛子健;胡啸峰
5.基于动态贝叶斯网络的智能工厂设备健康评估方法研究 [J], 高柯柯;于重重;晏臻
因版权原因，仅展示原文概要，查看原文内容请购买。
BP神经网络预测模型
BP 神经网络模型基本原理( 1) 神经网络的定义简介神经网络是由多个神经元组成的广泛互连的神经网络, 能够模拟生物神经系统真实世界及物体之间所做出的交互反应. 人工神经网络处理信息是通过信息样本对神经网络的训练, 使其具有人的大脑的记忆, 辨识能力, 完成名种信息处理功能. 它不需要任何先验公式, 就能从已有数据中自动地归纳规则, 获得这些数据的内在规律, 具有良好的自学习, 自适应, 联想记忆, 并行处理和非线性形转换的能力, 特别适合于因果关系复杂的非确定性推理, 判断, 识别和分类等问题. 对于任意一组随机的, 正态的数据, 都可以利用人工神经网络算法进行统计分析, 做出拟合和预测.基于误差反向传播(Back propagation)算法的多层前馈网络(Multiple-layer feedforward network, 简记为BP 网络), 是目前应用最成功和广泛的人工神经网络.( 2) BP 模型的基本原理[3]学习过程中由信号的正向传播与误差的逆向传播两个过程组成. 正向传播时, 模式作用于输入层, 经隐层处理后, 传入误差的逆向传播阶段, 将输出误差按某种子形式, 通过隐层向输入层逐层返回, 并“分摊”给各层的所有单元, 从而获得各层单元的参考误差或称误差信号, 以作为修改各单元权值的依据. 权值不断修改的过程, 也就是网络学习过程. 此过程一直进行到网络输出的误差准逐渐减少到可接受的程度或达到设定的学习次数为止. BP 网络模型包括其输入输出模型, 作用函数模型, 误差计算模型和自学习模型.BP 网络由输入层, 输出层以及一个或多个隐层节点互连而成的一种多层网, 这种结构使多层前馈网络可在输入和输出间建立合适的线性或非线性关系, 又不致使网络输出限制在-1和1之间. 见图( 1) .O 1 O 2 O i O m( 大于等于一层) W (1)…( 3) BP 神经网络的训练BP 算法通过“训练”这一事件来得到这种输入, 输出间合适的线性或非线性关系. “训练”的过程可以分为向前传输和向后传输两个阶段：输入层 输出层 隐含层图1 BP 网络模型[1]向前传输阶段：①从样本集中取一个样本,i j P Q , 将i P 输入网络；②计算出误差测度1E 和实际输出(1)(2)()21(...((())...))L i L iO F F F PW W W =； ③对权重值L W W W ,...,)2()1(各做一次调整, 重复这个循环, 直到i E ε<∑.[2]向后传播阶段——误差传播阶段：①计算实际输出p O 与理想输出i Q 的差；②用输出层的误差调整输出层权矩阵； ③211()2mi ij ij j E Q O ==-∑； ④用此误差估计输出层的直接前导层的误差, 再用输出层前导层误差估计更前一层的误差. 如此获得所有其他各层的误差估计；⑤并用这些估计实现对权矩阵的修改. 形成将输出端表现出的误差沿着与输出信号相反的方向逐级向输出端传递的过程.网络关于整个样本集的误差测度：i iE E =∑几点说明:一般地，BP 网络的输入变量即为待分析系统的内生变量（影响因子或自变量）数，一般根据专业知识确定。
基于贝叶斯网络的作战态势预测
Ａｂ ｓ ｔ ｒ ａ ｃ ｔ Ｉ ｎ ｔ ｈ ｅ ｂ ｏ ｒ ｄ ｅ ｒ ｄ ｅ ｆ ｅ ｎｓ ｅ ，ｅ ａ ｃ ｈ ｃ ａ ｍｐ ａ ｉ ｇ ｎ ｈ ａ ｓ ｉ ｔ ｓ ｕ ｎｃ ｅ ｒ ｔ ａ ｉ ｎ ｔ ｉ ｅ ｓ ，Ｂａ ｙｅ ｓ ｉ ａ ｎ ｎｅ ｔ ｗｏ ｒ ｋ ｆ ｏ ｒ ｓ ｕ ｄ ｄ ｅ ｎ ｕ ｎ ｃ ｅ ｒ ｔ ａ ｉ ｎ ｅ ｖｅ ｎ ｔ ｓ ａ ｒ ｅ ａ ｃ ｃ ｕ ｒ ａ ｔ ｅ ，ｔ ｉ ｍｅ ｌ ｙ ｅ ｔ ｃ ．Ｓ ｏ，ｔ ｈ ｉ ｓ ｐ ａ ｐ ｅ ｒ ｕ ｓ ｉ ｎｇ Ｂａ ｙ ｅ ｓ ｉ ａ ｎ ｎ ｅ ｔ ｗｏ ｒ ｋ ｔ ｏ ｆ ｏ ｒ ｅ ｃ ａ ｓ ｔ ｔ ｈｅ ｂ ｏ ｒ ｄ ｅ ｒ ｏ ｐ ｅ ｒ ａ ｔ ｉ ｏ ｎ ｓ ｏ ｆ ｂ ａ ｔ ｔ ｌ ｅ ｆ ｉ ｅ ｌ ｄ，ｅ ｓ ｔ ａ ｂ ｌ ｉ ｓ ｈ ｅ ｓ ｔ ｈｅ Ｂａ ｙ ｅ ｓ ｉ ａ ｎ ｎ ｅ ｔ ｗｏ ｒ ｋ ｍｏ ｄ ｅ ｌ ，ｏ ｐ ｅ ｒ ａ ｔ ｉ ｏ ｎ ａ ｌ ｓ ｉ ｔ ｕ ａ ｔ ｉ ｏ ｎ，ａ ｎ ｄ ｉ ｌ ｌ ｕ ｓ ｔ ｒ ａ ｔ ｅ ｓ ｔ ｈ ｅ ｍｅ ｔ ｈ ｏ ｄ ｏ ｆ ｕ ｓ ｅ ，ｔ ｈ ｅ ｗａ ｒ ｐａ ｒ ｔ ｙ ｈ ａ ｓ ｉ ｍｐ ｏ ｒ ｔ ａ ｎｔ ｓ ｉ ｇ ｎ ｉ ｆ ｉ ｃ ａ ｎ ｃ ｅ ． Ｋｅ ｙ Ｗ ｏｒ ｄｓ ｂｏ ｒ ｄ ｅ ｒ ｄ ｅ ｆ ｅ ｎ ｓ ｅ ，ｗａ ｒ ｔ ｒ ｅ ｎｄ ｆ ｏ ｒ ｅ ｃ ａ ｓ ｔ ，ｂ ａ ｙ ｅ ｓ ｉ ａ ｎ ｎ ｅ ｔ ｗｏ ｒ ｋ Ｃｌ ａ ｓ ｓ Ｎｕ ｍｂ ｅ ｒ ＴＰ ３ ９ １ ． ４
要素 和输 出要 素进 行分析 。
１ ） 输入要 素 输入要 素 Ｅ Ｉ 指对作 战走 向造成影响的 因素 ， 实施作 战 意图时影 响作 战计 划实施的要素 ， 即当地气 候 、 天气对装备 会造成影 响 ； 多 变 的气 象 、 复 杂 的 电磁 环 境影 响 对方 的通 信； 地理环境对部队机动 的影 响等 。控制输入变量 Ｃ Ｉ 指对 上述影 响因素所应采取的措施 ， 其 主要靠 以往经 验来 确定 。
金属疲劳裂纹扩展速率的贝叶斯正则化BP神经网络预测
Ｂａ ｅ ｉ ｎ ｒ ｇ ａ ｉｅ ＢＰ ｕｒ ｌｎｅ ｗｏ ｋ ｙ ｓａ ｅ ｕｌ ｒｚ ｄ ｎｅ ａ ｔ ｒ
ＬＵＯ ａ ｇ－ ｎ 一．ＣＵＩ Ｗｅ － ｈ ｎ Ｇｕ ｎ ｅ ｉｃ ｅ ｇ
（ Ｓ ｈ ｏ ｏ ａ ａ Ａ ｃ ｉ ｃ ｒ ａ ｄ Ｏ ｅ ｎＥ ｇ ｅ ｒ ｇ Ｊ ｎ ｓ ｎ ｅｓ ｙ ｆ ｃｅ ｃ ｎ ｅｈ ｏｏｙ １ ｃ ｏ ｌ ｆ ｖｌ ｒｈ ｅ ｔ ｅ ｎ ｃ ａ ｎ ｉ ｅｉ ， ｉ ｇｕ Ｕ ｉ ｒｉ ｉｎ ｅａ ｄＴ ｃ ｎ ｌｇ Ｎ ｔ ｕ ｎ ｎ ａ ｖ ｔｏ Ｓ
摘 要 ： 工 神 经 网络 是进 行 预 报 裂 纹 扩 展 率 的 一 个 重 要方 法 。文 章 针 对 不 同 金 属 的 疲 劳 裂 纹 扩 展 速 率 分 别 建 立 人 贝 叶斯 正 则 化 Ｂ （ ａｋＰｏａａｉ ） 经 网 络 ， 各 材料 在 不 同应 力 比 下 的疲 劳 裂 纹 扩 展 速 率 试 验 数 据 分 为 Ｐ Ｂ ｃ ｒｐｇｔ ｎ 神 ｏ 将 两 部 分 ， 部 分 用 来 进 行 训 练 网络 ， 一 部 分 用 来 测 试 训 练 好 的 网 络 ， 验 其 泛 化 能 力 。 将从 文 献 中 获 取 的 ４种 一 另 检 不 同金 属 材 料 的疲 劳 试 验 数 据 作 为 算 例 ， 检 验 网络 的性 能 。 计算 结 果 表 明 贝 叶 斯 正 则 化 Ｂ 来 Ｐ神 经 网 络 不 仅对
Ｚ ｅｊ ｎ ０ ３ Ｃ ｉａ ２Ｃ ｉａＳ ２４ ８ ， ｈｎ） ｈ ｎｉ ｇ２ ０ ， ｈｎ； ｈｎ ｈｐ ｃ ｎｉｃ ｅｅｒ Ｃ ｎｅ Ｗｕ ｉ ０ ２ Ｃ ｉａ ａ １ ２ ｅ ｆ ｈ ｒ １
Ａｂｓ ｒ ｔ ｔ ａｃ ：Ａｒｉ ｃ ａ ｅ ｒ ｌｎ ｔ ｒ ｓ ａ ｍｐ ｒａ ｔｍｅ ｈ ｄ ｆ ｒｐｒ ｄ ｃ ｉ ｈ ａｉｕｅ ｃ ａ ｋ ｇ ｏ ｈ ｒ ｔ ．Ｉ ｔｆ ｉｌｎ ｕ ａ ｅ ｗｏ ｋ ｉ ｎ ｉ ｏ ｔ ｎ ｔ ｏ ｏ ｅ ｉｔｎｇ ｔ ｅ ｆ ｔｇ ｒ ｃ ｒ ｗｔ ａ ｅ ｎ ｉ
基于BP神经网络的网络安全事件预测分析
·40· 福 建 电 脑 2018 年第 12 期
【关键词】BP 神经网络； 网络信息安全；网络安全事件
0 引言 由于计算速度的提升，关于神经网络的研究得到了极大的 发展。 网络信息安全问题一直以来是国家的严峻问题。 采用神 经网络的技术手段对于我国网络安全问题进行统计分析，并预 测未来网络安全问题的发展态势， 具有较为实际的研究意义。 本文针对上述问题展开研究，并进行了测试分析。 1 数据初始化及 BP 算法选定 1.1 数据预处理 本文中的数据预处理采用的是数据归一化，即将数据处理 为 区 间 ［ 0，1］之 间 的 数 据 。 步 骤 为 ：x=全 局 最 大 值-全 局 最 小 值 ，归 一 后 的 数 据 可 表 示 为 ：（每 个 原 始 数 据 -全 局 最 小 值 ）/x. 2 初始值和参数确定 选择初始值的原则：使每个神经元在输入累加时的状态值 接近于零，在 1 到+1 之间选取。 各种参数，如学习速率、训练步数的选择也十分重要，合适 的参数能使网络在收敛速度、稳定性、误差等方面更好地达到 期望值。 参数最初的选取一般凭借经验值，而在后续的实验过 程中通过不断的调整，使其达到较为理想的结果。 1.3 训练模式的选择 逐变模式和批变模式二者在网络权值和偏置值每一次的 更新取决于单个样本输入还是所有样本全部输入有所区别。 批 变模式只需为整个网络指定一个训练函数，而且收敛速度也较 快。 本文最终采用批变模式训练函数。 2 实验数据来源 本文数据来源于 CNCERT 的报告。 三种典型网络安全事件
参考文献： ［1］袁 启 辉, 张 云 华. 基 于 Android 系 统 的 二 维 码 识 别 ［J］. 工 业 控 制 计 算机, 2015,28(4):127-128,134. ［2］蔡云飞,郭宇俤,花侨飞,李 宏 伟,程 玉 柱.基 于 Android 手 机 的 玉 米 幼
基于贝叶斯网络的时间序列预测技术研究
基于贝叶斯网络的时间序列预测技术研究随着现代科学技术的不断发展，复杂的自然和社会系统已经成为我们面对的一个重要挑战。
预测这些系统中的变化越来越需要高效的方法和技术。
时间序列预测是预测复杂系统变化的重要方法之一。
在时间序列预测中，贝叶斯网络是一种有效的方法，其已得到广泛的应用。
本文将对基于贝叶斯网络的时间序列预测技术进行探讨。
一、贝叶斯网络贝叶斯网络是一种基于概率的图模型，其主要用于表示变量之间的依赖关系。
在贝叶斯网络中，节点表示变量，边表示变量之间可能存在的依赖关系。
贝叶斯网络可以用来解决多种问题，包括推理、分类和时间序列预测等。
在此，我们主要关注时间序列预测。
二、时间序列预测时间序列预测是指根据已知的时间序列数据来预测未来的数值。
时间序列预测适用于多种领域，包括经济、气象、交通等。
在时间序列预测中，我们通常使用已知的历史数据来预测未来的趋势和变化。
因此，时间序列预测是一个极具挑战性的问题，其需要高效的算法和模型来解决。
三、基于贝叶斯网络的时间序列预测在基于贝叶斯网络的时间序列预测中，我们首先需要构建一个贝叶斯网络模型。
具体来说，我们需要确定变量之间的依赖关系和变量的条件概率分布。
贝叶斯网络通常使用贝叶斯学习算法来学习这些概率分布。
贝叶斯学习算法可以自动地从数据中学习概率分布，并生成贝叶斯网络模型。
在时间序列预测中，我们使用贝叶斯网络模型来预测未来的数值。
具体来说，我们需要根据已知的历史数据来计算未来数据的条件概率分布，并使用这个分布来预测未来的数值。
贝叶斯网络模型通常可以通过给定先验信息来进行优化，从而提高预测的精度和效率。
四、贝叶斯网络时间序列预测的优缺点基于贝叶斯网络的时间序列预测具有各种优点和缺点。
其中，优点包括：①贝叶斯网络模型可以对复杂的非线性系统进行建模和预测。
②贝叶斯网络模型具有一定的鲁棒性，对噪声和缺失数据具有一定的容错性。
③贝叶斯网络模型可以自动地从数据中学习概率分布，减少了人工干预和预设的依赖关系，提高了预测的精度和效率。
基于改进贝叶斯神经网络的光伏出力概率预测
基于改进贝叶斯神经网络的光伏出力概率预测基于改进贝叶斯神经网络的光伏出力概率预测近年来，随着可再生能源的快速发展，光伏发电逐渐成为重要的能源供应方式之一。
然而，由于光伏发电受到天气、季节、污染等多种因素的影响，其出力存在着波动性和不确定性，这对光伏电站的运行和电网的稳定性提出了挑战。
为了解决这一问题，提高光伏发电系统的可靠性和稳定性，研究人员开始探索利用概率预测方法来预测光伏出力的概率分布。
其中，贝叶斯神经网络（Bayesian Neural Network，简称BNN）作为一种基于神经网络和贝叶斯统计理论的模型，具有较强的表达能力和不确定性建模能力，被广泛应用于光伏出力的概率预测中。
传统的神经网络模型在训练过程中采用点估计方法，无法有效捕捉到模型中的不确定性。
而BNN通过引入贝叶斯统计学的思想，可以对权重参数进行概率建模，从而得到更加准确的预测结果和可信度估计。
然而，由于BNN的训练和推断过程都较为复杂，需要大量的计算资源和时间。
为了进一步提高BNN的预测精度和运算效率，研究人员对其进行了改进。
首先，利用自适应学习率方法来优化模型训练过程，使得BNN在训练初期能够快速收敛，在后期能够保持稳定的梯度下降速度。
其次，引入了一种基于梯度的变分推理算法，用于近似计算BNN中的后验分布，从而减少了推断过程中的计算复杂性。
在使用改进的贝叶斯神经网络进行光伏出力概率预测时，首先需要收集光伏电站的历史数据，包括天气条件、发电功率等信息。
然后，将数据进行预处理，例如归一化处理和特征选择，以提取有效的特征。
接下来，将数据集分为训练集和测试集，并使用训练集对BNN模型进行训练。
在训练过程中，使用改进的学习率方法进行优化，同时利用变分推理算法近似计算BNN的后验分布。
最后，使用测试集对训练好的模型进行评估，并得到光伏出力的概率分布。
实验证明，基于改进的贝叶斯神经网络的光伏出力概率预测模型可以有效地捕捉光伏出力的波动性和不确定性，提高预测的准确性和可信度。
贝叶斯正规化BP神经网络在我国医院床位预测中的应用
3
讨论 本文利用贝叶斯正规化算法对 BP 神经网络进
行改进 , 在保证网络训练误差尽可能小的情况下使
山西医科大学学报 ( J Shanx i M ed U niv ) 2008 年 9 月 , 39 ( 9) 文章编号 : 1007- 6611( 2008) 09- 0835- 03
835
HPLC 法测定光合细菌菌液中辅酶 Q10 的含量
K N
数, y nk 为期望输出 , c nk 为网络实际输出。在正规化 方法中, 网络性能函数改进为 : F = E W + ED ( 2)
其中 E W 为网络权重的平方和 , E D 为是网络 响应和目标值的残差平方和 , 、 控制着其他参数 ( 权及阈值 ) 的分布形式 , 若 , 则训练算法目的 在于尽量减小网络的训练误差 ; 若 ! , 则训练算 法目的在于使网络产生更为平滑的响应 , 即尽可能 减少有效的网络参数, 以弥补较大的网络误差。 常规的正规化方法很难确定 、 的大小, 本研 究采用贝叶斯方法来确定 , 它将在网络中选定 与 值, 将网络权值视为随机变量 , 认为训练数据集 D 与权集 W 的先验概率服从高斯分布 , 再按贝叶斯准 则, 由后验概率的最大化解得目标函数 F ( w ) 最小 点 w MP 处的 和
∀ ∀ ∀ ∀
步时, 网络训练收敛, 此时网络的误差平方和 ( SSE) 和网 络 权 值 的 平 方 和 ( SSW ) 均 为 恒 值 , SSE = 0. 011 396 8, SSW= 11. 435 6。当前有效网络的参 数 ( 有效权值和阈值) 的个数为 4. 209 98。 2. 2 BP 神经网络拟合效果 神经网络训练完成 后 , 把样本输入已确定的神经网络检验 拟合效果 , 见图 1。图 1 中的圆圈代表各样本的预测值和实际 值组成的坐标点( T , A ) , 点线代表 A ( 预测值 ) = T
- 1、下载文档前请自行甄别文档内容的完整性，平台不提供额外的编辑、内容补充、找答案等附加服务。
- 2、"仅部分预览"的文档,不可在线预览部分如存在完整性等问题,可反馈申请退款(可完整预览的文档不适用该条件!)。
- 3、如文档侵犯您的权益，请联系客服反馈,我们会尽快为您处理(人工客服工作时间：9:00-18:30)。
入局 部极值 ， 导致 权值收敛 到局 部极 小点， 从而导致 网络 训练 原始数 据， 筛选 出有 关的数据 并加 以关联融合， 分析 出网络服
失败。
本文在 吸收 以上两种预测算法优 点， 结合 网络安全态势值 服务的网络服务安全指数 。 具有非线性时间序列的特点 ， 利用神经 网络处理非线 性数据 的
进行教据分析， 验证了 该预测方法可以减小了 训练误 差和预测误差， 提高了 对网络安全态势预测精度 ， 证明了 该方法的可行性。
关键 词： 贝叶斯正则化 ； Ｂ Ｐ 神 经网络； 网络 安 全态 势； 态势预 测
Ｔｈｅ ｅ ｌ ｅ ｃ ｔ ｒ ｉ ｃ ｐｏ ｗｅ ｒ ｎｅ ｔ ｗ ｏｒ ｋ ｓ ｅ ｃ ｕｒ ｉｔ ｙ ｓ ｉ ｔ ｕａ ｔ ｉ ｏｎ ｐｒ ｅ ｄｉ ｃ ｔ ｉ ｏ ｎ ａ ｂｏｕｔ
型的 网络安全 态势预 测方法 ， 最后进 行了实验 仿真， 说明了该 预测方法的有效性和科 学性。
第二 ， 根 据第一步的服务信息， 然后计算 网络 中活 动主机
第三 ， 收集网络运 行时主机系统 的 ， 提 出一种 基于贝叶斯的Ｂ Ｐ 神经网络模 系统中每项服务 的权 重， 从而获得网络系统安全指数 。
时代而生 。
近年来 ， 网络 安全 问题 愈发凸显 ， 分析及预测 网络 安网络 中主机系统和网络设备产生的 日志、 告警等数据， 利用 自下而上 安全 态势 ， 对于 网络安全具有 重要意义 。 文献 提 出了基于贝叶 网络安 全态势值量化 策略， 对 网络 态势指标 进行量化 。 在实 斯 网络的网络 安全态势 评估方法研 究， 但该方法 对事物 的推 断 验 环境下， 提 取网络运行 时的多种设备 的性 能参 数 ， 从而更真 必须 且只须根 据后验分布， 而不能再涉及样本分布 。 文献 使 用 实反映网络 的安全态势状况。 建模过程如下： Ｂ Ｐ 神经 网络对 网络安全态势进行 评估， 该方 法会可能使训练陷
计算出各个子 网的网络 。 其 中Ｅ ｗ ＝ ∑ 表 示神经 网络权 重 的 再 结合各个 设备 的网络安全态 势信息， 安全威胁性指数 。 平方和 ， ｃ Ｄ 表 示神经 网络连接 的权值 ， Ｍ 表示神 经网络连接权 第 五， 最后将 信息网的网络 安全态势信息进行整 合， 从而 的数 目， Ｅ 表示神经 网络 期望值和 目标值 的残差 平方和，ｃ ［ ，卢
安全 态势 量化 的的基 础上 ， 改进 贝叶斯算 法， 提 出一种 改进 型 贝叶斯正则化 Ｂ Ｐ 神 经 网络模 型 的网络 安 全 态势 预 测方法 ， 通过 模 拟 网络 环 境
一 ～ － ｔ ｍ 叽 。 ～ 肺 一 ） ｅ Ｖ 订 一 ～ 她 － 蠹 ｌ （ ， 嘲 一 ｂ ． ～ ｙ ａ 要 一 一 Ｅ 叩 ～ ｉ Ｕ ｄ 一 耋 ． 墨 Ｉ 一 ～ ＋ 呲 ｈ 一 ～ ， ｇ ｌ 吾
．
．
肿ｍ
１ 概 述
～ 一 一 瑟 一 一 ～ 一 一 ． 量 甜 胁 ｍ ｃ ∞ 量
ｌ ｃ ｂ
的参数大小。
然后通 过该算法计 算Ｈ ｅ ｓ ｓ ｉ ａ ｎ 矩 阵， 则大 大降低了神经 网
随着 网络 的迅 速发展 ， 互联网的规模不 断扩 大， 计 算机 网
在Ｍ Ａ Ｔ Ｌ Ａ Ｂ Ｒ ２ ０ １ ｌ ａ 里面通过ｔ ｒ ａ ｉ ｎ — ｂ ｒ 函数来实现 络技术 已广泛地 应用社会 的各个行业 ， 它给人们的带来方便 的 络 的计算量。 同时， 也存着 越来 越严重 的网络 安全方面 的隐 患。 传 统的网络 贝叶斯正则化 。 安全 技术已很 难满足需求， 因此 网络安全态势感知技术顺 应运 ３ 建 模 过程
函数 为：Ｆ＝
＋
表示 目 标 函数 的参数 ， 神经 网络 的训练 目标 取决于该 目标 函数 获取整个 网络的安全态势状况 。
４ 实验仿真
作者简介： 李晓阳 （ １ ９ ８ ４ － ） ， 男， 汉族， 湖南未阳人， 硕士研究
生， 研 究方向： 计算机网络安 全。 （ １ ） 本文实验环境 设计如图１ （ ２ ） 数据处理 ： 先对原始数据进行 归一化处理 ， 再进行 贝 （ 下转第２ ８ 页）
基于改进 贝叶斯正则化Ｂ Ｐ 神经网络 模 型 的网络 安全态势 预测 方法研究
李晓阳（ 东北电力 大学信 息工程学院， 吉 林 吉 林 １ ３ ２ ０ １ ２ ）
摘 要 ： 随着互联 网的迅速发展， 网络安全问题越 来越严重， 分析及预测网络安网络安全态势， 对于网络安全具有重要意义。 本文在网络
一
． ｍ 一 ｃ ． ～ 。 ｍ 一 一 舱 一 ～ ∞ 一 ～ ｍ 一 一 ． 们 － 一 ～ 量
． 一 一～
本文利用层次化” 相关研 究内容， 结合获取到的网络运行
第一， 通过一定的方式收集 到网络安全态势要素方面的的
务受遭 受到的攻击数量、 严重程 度 ， 通过量化公式计算 出每个
ＢＰ ｎｅ ｕｒ ａ ｌ ｎｅ ｗ ｏｒ ｔ ｋ ｍ ｏｄｅ ｌ ｂａ ｓ ｅ ｄ ｏｎ ｉ ｍ ｐｒ ｏｖｅ ｄ ｂａ ｙｅ ｓ ｉ ａ ｎ ｒ ｅ ｇ ｕｌ ａ ｒ ｉ ｚ ａ ｔ ｉ ｏ ｎ
ｎ ｒ Ｃ Ｗ
． ｍ 一 ｔ ｍ ＝ｎ — 一 一 ～ ～ － 重 一 ～
于加权 的性能参数修正算法计算出改进后的主机系统 网络安全
态势 指数。
２ 正则化Ｂ Ｐ 神 经 网络
所谓 的正 则化 方法， 就是指在误 差函数 的基础上 ， 再增加
第 四， 根 据网络中的网络设备及主机 系统信息 ， 进而计 算
了一个逼近 复杂函数 ， 在误差函数正规化方法 时， 改进其 网络 得 出该网络设备及主机系统在 信 息网络 中的重要性所占权 重，