基于BiLSTM的物联网安全态势预测研究

作     者：陈术波 

作者单位：北方工业大学 

学位级别：硕士

导师姓名：肖珂

授予年度：2024年

学科分类：12[管理学] 1201[管理学-管理科学与工程(可授管理学、工学学位)] 0839[工学-网络空间安全] 08[工学] 081104[工学-模式识别与智能系统] 0835[工学-软件工程] 0811[工学-控制科学与工程] 0812[工学-计算机科学与技术（可授工学、理学学位）] 

主      题：态势感知 态势评估 极端梯度提升 态势预测 双向长短期记忆网络 

摘      要：近年来,随着工业物联网的快速发展,工业物联网基础设施不断完善升级,行业应用日益广泛。然而工业数据规模的不断扩大以及网络攻击的多样化给网络安全带来了严峻的挑战。传统的网络安全设施无法实现对整体网络环境的感知与防护,因此需要设计工业物联网安全态势感知框架,实时感知当前网络环境,全面评估网络安全状况,并以历史网络安全状况为基础,结合当前网络安全状况预测未来的网络安全状况,并直观展示网络安全态势信息。本文主要研究内容如下: 1、针对工业物联网态势等级评估准确率低的问题,提出一种基于改进沙猫优化算法优化XGBoost的工业物联网态势评估模型。首先构建基于攻击威胁程度的网络安全态势指标体系并提出量化公式,划分工业物联网安全态势等级,其次引入反向学习、正弦控制因子、t分布扰动改进沙猫优化算法。最后使用改进沙猫优化算法(ISCSO)优化XGBoost模型的超参数,并通过PCA降维、Borderline-SMOTE过采样增强模型的分类性能。实验证明ISCSO-XGBoost模型比现有模型具备更好的态势等级评估准确性。 2、针对工业物联网态势预测模型精度较低的问题,提出SDBO-Bi LSTM的工业物联网态势预测模型。首先,利用本文态势指标体系与量化公式计算态势值,其次通过引入混沌种群、Lévy飞行策略和非线性权重因子改进蜣螂优化算法。然后,使用CNN提取态势序列局部特征。最后使用改进蜣螂优化算法(SDBO)搜索Bi LSTM模型的最优超参数组合,使用Attention分配Bi LSTM隐向量的权重。实验证明SDBO-Bi LSTM模型相比其他模型具备更高的预测精度。 3、针对现有态势感知系统态势可视化程度低的问题,构建工业物联网态势感知系统,包括态势仪表盘功能、态势评估功能和态势预测功能,直观反映工业物联网整体态势变化,并展示了态势评估过程和态势预测过程。