基于PSO-FNN的網(wǎng)絡(luò)安全態(tài)勢評測研究與實(shí)現(xiàn).pdf

1、隨著Internet的飛速發(fā)展，網(wǎng)絡(luò)安全問題日漸凸出，如果不能很好地解決這個問題，必將阻礙網(wǎng)絡(luò)發(fā)展的進(jìn)程。如何自動的從設(shè)備記錄的海量數(shù)據(jù)中獲取網(wǎng)絡(luò)安全態(tài)勢成為一個迫切需要解決的問題。神經(jīng)網(wǎng)絡(luò)由于具有人工智能的特性，可以被用于自動網(wǎng)絡(luò)安全態(tài)勢獲取的研究。
　　由于網(wǎng)絡(luò)運(yùn)行數(shù)據(jù)中包含大量的非數(shù)字信息，傳統(tǒng)的神經(jīng)網(wǎng)絡(luò)不能直接用于網(wǎng)絡(luò)安全態(tài)勢的獲取。反向傳播（BP，Back Propagation）神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)由于其固有的缺點(diǎn)，往往訓(xùn)練速

2、度慢，學(xué)習(xí)效率低，預(yù)測精度不高，所以不滿足網(wǎng)絡(luò)安全態(tài)勢安全要素高效性的要求。本文結(jié)合模糊邏輯、神經(jīng)網(wǎng)絡(luò)和粒子群優(yōu)化（PSO， Particle Swarm Optimization）算法的優(yōu)點(diǎn)，將PSO算法用于對模糊神經(jīng)網(wǎng)絡(luò)模糊層中心的訓(xùn)練，以實(shí)現(xiàn)對輸入樣本聚類，從而確定模糊神經(jīng)網(wǎng)絡(luò)的隸屬度中心，最終得以實(shí)現(xiàn)用粒子群聚類算法優(yōu)化模糊神經(jīng)網(wǎng)絡(luò)，得到PSO-FNN模型，并將該模型應(yīng)用于網(wǎng)絡(luò)安全要素的獲取。基于KDD CUP1999數(shù)據(jù)集，首

3、先構(gòu)建好PSO-FNN網(wǎng)絡(luò)模型，選用適當(dāng)?shù)臉颖緮?shù)據(jù)來訓(xùn)練該網(wǎng)絡(luò)，并用部分?jǐn)?shù)據(jù)來檢驗(yàn)該模型的有效性。結(jié)果表明，PSO-FNN模型對網(wǎng)絡(luò)安全態(tài)勢要素提取分類的精確度很高，且其分類收斂快，絕對誤差小，泛化能力強(qiáng)，各項(xiàng)評價指標(biāo)好。相比BP神經(jīng)網(wǎng)絡(luò)，其網(wǎng)絡(luò)的收斂速度和預(yù)測的精度得到明顯提高。
　　因此，PSO-FNN模型是一種有效的態(tài)勢要素提取技術(shù)。所提取的分類結(jié)果的可用于網(wǎng)絡(luò)安全的情況進(jìn)行分析，其結(jié)果還可以幫助網(wǎng)絡(luò)管理員來深入分析網(wǎng)絡(luò)安全