基于深度学习的网络安全态势评估与预测技术研究

作     者：周新 

作者单位：重庆理工大学 

学位级别：硕士

导师姓名：李波

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 深度学习 注意力机制 经验模态分解 LightGBM 

摘      要：在互联网技术迅猛发展的今天,网络环境日益复杂化的趋势愈发明显,网络安全已成为维护数字化社会稳定的重要挑战。传统的网络安全防御属于一种被动防御方式,例如入侵检测、漏洞扫描等,难以有效把握网络未来发展的趋势。网络安全态势感知技术具有广泛的应用前景,它不仅可以实时监测网络环境的安全状态变化,还可以通过历史数据进行未来网络发展趋势的预测。因此,这项技术在研究领域中扮演着重要的角色。网络安全态势感知技术面临着数据的高纬度和特征冗余、评估准确率受限以及预测模型对内存的高要求和计算的复杂性等挑战。为了解决这些问题,本文深入探讨了网络安全态势感知技术中的态势评估和预测方法。 本论文所做工作如下: (1)本文针对网络安全态势评估数据集高维度、特征冗余导致常用方法收敛速度慢、易陷入局部最优问题,提出了基于MFCA-CNN的评估模型。采用卷积神经网络作为核心,在模型中引入CA注意力机制并对其进行了改进,形成了更高效的MFCA注意力机制。同时,通过认真选取和优化模型的倍率因子,使其性能得到进一步提高。 (2)本文针对网络安全态势预测中Transformer模型内存需求高、计算复杂等问题,提出了基于LSTM-Informer的预测模型。该模型以LSTM网络提取态势数据相关性为基础,再利用Informer网络进行序列预测。通过粒子群优化算法对模型参数进行优化,以提高预测精确度。 (3)本文进一步优化了LSTM-Informer网络安全态势预测模型,引入EMD和LGB技术。首先,利用EMD技术对态势数据进行预处理,提取稳定的IMFs作为LSTM模型输入,提高了模型的精度和稳定性。其次,引入基于LGB的编码解码机制对时间序列数据进行特征编码,作为Informer模型的输入,增强了对未来网络安全态势的预测能力。