基于IFS-NARX模型的网络安全态势预测

针对现有预测方法较难解决复杂网络环境下网络安全态势预测的不确定性,以及需有效利用经验数据提高网络安全态势预测效率和准确性的问题,通过构造网络安全大数据特征要素的直觉模糊集,提出采用基于直觉模糊集的非线性自回归神经网络(IFS-NARX)对网络安全态势进行预测的方法。实验分析表明:该预测方法相对于现有的网络态势预测方法具有更高的学习效率,更能准确有效地预测出未来一段时间内的大数据安全态势的变化趋势。     

网络安全态势感知新方法

针对网络安全态势感知问题,为了提高态势感知和预测过程的速度和精准度,提出一种基于神经网络的网络安全态势感知方法. 首先利用网络安全态势评估的指标体系来表征整个网络的安全状态,然后提出一种基于逆向传播(BP)神经网络的网络安全态势评估方法. 为解决态势要素与评估结果之间的不确定性及模糊性问题,提出一种基于RBF神经网络的网络安全态势预测方法,利用RBF神经网络找出网络态势值的非线性映射关系,采用自适应遗传算法对网络参数进行优化并感知网络安全态势,在真实网络环境下对提出的方法进行验证,实验结果证明该方法对网络安全态势感知是可行和有效的.     

基于灰色理论的网络安全态势预测方法

为了有效地预测网络安全态势,在态势因子和灰色理论的基础上,提出了将灰色GM(1,1)和GM(1,N)模型相结合来预测网络安全态势的方法。首先筛选态势因子,再利用模型GM(1,1)对态势因子的变化进行预测,得到N个态势因子变化函数,最后利用这些函数和模型GM(1,N)对网络安全态势进行预测。将灰色GM(1,1)模型、神经网络模型和本文方法对网络安全态势进行预测,实验结果表明,本方法能够更准确地预测网络安全态势。     

基于GRNN的砂土液化危害等级评价模型研究

影响砂土地震液化的因素复杂且具有随机性和不确定性.神经网络方法不仅能考虑定量因素,而且能考虑定性因素的影响,因而神经网络方法适用于解决非确定性的砂土地震液化评价问题.在分析广义回归神经网络的基本原理和算法基础上,建立了砂土液化危害等级评价的广义回归神经网络模型.然后用收集到的工程实例样本对该模型进行训练和检验,并与BP神经网络判别结果进行对比.结果表明,广义回归神经网络性能良好、预测精度高,是砂土地震液化危害等级评价的一种有效方法.     

基于RBF神经网络的网络安全态势预测方法

基于径向基函数(radial basis function,RBF)神经网络,给出一种网络安全态势预测方法。依据网络安全态势值之间的非线性映射关系进行态势预测。采用布谷鸟搜索算法对RBF神经网络的结构参数进行优化,并在其间引入模拟退火算法思想和动态发现概率机制,以提升预测精度。仿真实验显示,所给预测方法有效,改进后的布谷鸟搜索算法搜索效率更高,寻优结果更精确。     

基于GRNN的海上钻井平台建造质量预测研究

对海上石油钻井平台建造质量进行有效预测,可提前预知未来建造质量状况,从而促使建造商在建造过程中,运用已有的并开发新的方法和手段,规避并解决质量不稳定因素,进一步提高建造质量和完善建造工艺.在阐述了海上钻井平台质量检测的内容及要求的基础上,利用广义回归神经网络构建了海上钻井平台建造质量预测模型,并以某自升式钻井平台为实证研究对象,运用该模型对其一年半的质量检测数据进行预测,将广义回归神经网络的预测误差与BP神经网络预测误差相比较,得出了广义回归神经网络对平台建造质量的预测精度高的结论.     

汽车保有量的预测建模

以汽车保有量的影响因子构造学习样本的输入向量,以汽车保有量构造学习样本的输出向量,应用广义回归神经网络建立汽车保有量预测模型,用于预测不同年份的汽车保有量.为了提高汽车保有量预测的准确性,利用归一化方法对学习样本输入输出向量进行预处理,并采用反归一化方法对汽车保有量预测结果进行处理.对汽车保有量预测结果和统计结果比较表明,采用广义回归神经网络建立的汽车保有量预测模型具有良好的泛化性能,是汽车保有量预测的一种有效方法.     

集对分析的可信网络安全态势评估与预测

为了解决可信网络中网络管理和安全监控审计的问题,通过对可信网络连接框架(TNC)和网络态势感知体系(CSA)的研究,针对可信网络安全中多数据源确定性与不确定性的特点,提出了基于集对分析的网络安全态势评估与预测方法 SPSAF.SPSAF首先采用基于特征库的方法审计网络连接信息、系统管理信息、系统监控信息和应用服务信息,然后综合改进的熵权法和层次分析法提取安全态势指标权重,再利用集对分析方法对安全态势指标进行评估得到网络安全态势值,进而绘制网络安全态势图,最后采用Box-Jenkin模型基于安全态势值预测网络安全趋势.仿真实验结果表明SPSAF能够准确有效地反映当前及未来的网络安全态势,有助于管理员有效地制定网络安全策略,并能及时发现风险,迅速准确地调整策略和实施应对措施,提供更全面可靠的网络安全保障.     

基于改进SARIMA-LSTM的海上风速预测方法

为了提高海上风速预测的精度,提出了一种基于局部加权回归的周期趋势分解(STL)改进的季节性差分自回归移动平均模型(SARIMA)和长短时记忆(LSTM)神经网络的海上风速预测方法.首先通过STL分解原始风速时间序列,提高SARIMA模型季节性差分步长的准确性,再使用SARIMA模型对观测的风速序列数据进行预测,得到预测值以及预测值与观测值之间的残差;然后用残差样本集训练长短时记忆神经网络并对残差进行预测;最后将两部分得到的预测值求和得到风速序列的预测值.选定3个不同地点分别进行仿真实验并与改进前方法进行比较,结果表明改进后模型的预测精度更高,误差更小.     

基于混沌机制的神经网络预测控制及仿真研究

为解决一大类未知、时滞、非线性系统的预测控制问题,提出了一种基于改进的El-man动态回归神经网络预测控制算法.首先,在一般的Elman动态回归神经网络算法中加入了混沌机制,利用混沌机制固有的全局游动有效地消除了Elman网络易陷入局部极值的缺点,提高了系统的辨识速度;然后,结合广义预测控制(GPC)的反馈校正、滚动优化来完成非线性系统的预测控制.仿真结果表明:将本算法应用于非线性系统预测控制,对未建模动态具有较强的鲁棒性和良好的控制跟踪能力.     

基于免疫的网络安全态势感知关键技术研究

为了改变目前网络安全防御主要依靠防火墙、漏洞扫描、入侵检测等传统网络安全工具进行被动防御的局面,将人工免疫技术应用于网络安全态势感知技术,提出并实现了一种基于免疫的网络安全态势感知技术.该技术采用基于免疫的入侵检测模型实现对网络中已知和未知入侵行为的检测;依据生物免疫系统抗体浓度的变化与病原体入侵强度的对应关系,建立网络风险实时定量评估模型.在对网络安全状况的趋势预测中,采用基于时间序列的ARMA模型对网络当前安全状况及未来变化趋势进行实时、定量的分析、预测,从而有效地缓解网络攻击造成的危害,提高网络信息系统的应急保障能力.实验结果表明该系统能及时有效调整网络安全策略,提供更全面的安全保障,是网络安全保障的一个较好解决方案.     

基于粒子群-BP神经网络算法的电价预测

为了解决现有电价预测中BP神经网络法对初始权值敏感、易陷入局部最小值和收敛速度慢等问题,在神经网络训练中引入基于全局随机优化思想的粒子群优化(PSO)算法,先利用PSO优化BP神经网络的初始权值,然后采用神经网络完成给定精度的学习,建立了粒子群-BP神经网络模型.与传统BP神经网络、粒子群广义神经网络相比,该方法收敛速度快、所需历史数据少、预报精度高,可用于电力系统的短期电价预测.     

基于灰色Verhulst的网络安全态势感知模型

为了满足对抗性环境中对网络安全监测和预警的需要,提出了一种非等时距灰色Verhulst残差修正的安全态势感知模型.由非等时距的原始采样风险数据序列入手,根据累加序列所呈现出"S"形或反"S"形的摆动特征,选用灰色Verhulst模型或其反函数模型预测出网络未来的风险值,然后基于多级残差对模型的预测精度进行修正,最后应用修正后的新模型得到直观的网络未来安全态势曲线图.经过试验示例与仿真,表明该模型对网络安全态势的感知能够达到令人满意的拟合精度,具有实用价值.     

基于混沌优化支持向量机的大坝安全监控预测

首先介绍了基于统计学习理论的一种新的机器学习技术——支持向量机(Support Vector Machine,SVM),并针对目前支持向量机参数选择时人为选择的盲目性,将具有良好优化性能的混沌优化(Chaos Optimi-zation)技术应用到支持向量机惩罚函数和核函数参数的优化,提出了混沌优化支持向量机(Chaos Optimization Support Vector Machine,COSVM)方法.根据丰满大坝1997-2004年的实际监测数据,建立了混沌优化支持向量机大坝安全监控预测模型,进行了与统计回归模型和BP神经网络模型的分析比较,结果表明,COSVM模型具有更高的预测精度,同时在较长时段的预测中,COSVM模型也表现出更好的泛化推广性能.     

基于MIMO-SVR的供热负荷日预报方法

针对城市集中供热系统中提前24小时的日负荷预报方法具有较大误差问题,提出了一种基于多输入多输出支持向量回归（MIMO-SVR）的供热负荷日预报方法.该方法利用MIMO-SVR的多输出特性通过一步预报直接获得24小时的日负荷预报.通过对某热力站实际供热负荷数据进行仿真研究,结果表明,MIMO SVR日预报的平均相对误差为2.47%,较多输入单输出支持向量回归（MISO-SVR）预报精度高,能够满足供热工程的应用需要.     

小波回归分析法在短期电力系统负荷预测中的应用

利用多分辨分析的小波变换对短期电力负荷序列进行了分解处理.将负荷序列投影到不同的尺度上,根据其在各尺度上子序列的特性分别进行回归预测.最后将预测结果叠加,得到最佳预测结果.结果表明,该方法能够取得较好的预测精确度.     

基于大数据的网络安全与情报分析

随着IT技术和通信技术的发展,网络环境日趋复杂,云计算和虚拟化等技术的应用,使得主机边界、网络边界也变得动态和模糊。同时,网络攻击频繁,隐蔽性、持续性、趋利性等高级网络威胁增多。而传统网络安全与情报分析技术受数据来源单一、处理能力有限、部署依赖于物理环境等因素的限制,导致对威胁情报的获取、分析、利用能力不足,且对网络安全态势的感知与预测能力有限,不能有效解决当前和未来所面临的网络安全挑战。作者以大数据技术给网络安全与情报分析研究带来的挑战与机遇为线索,回顾大数据的内涵,分析当前网络安全与情报分析面临的困境,梳理大数据和网络安全与情报分析的关系,阐述大数据技术对传统安全分析方法的改变。大数据技术在安全领域应用形成大数据安全分析这一新型安全应对方法,通过紧扣安全数据自身的特点和安全分析的目标,应用大数据分析的方法和技术,解决网络安全与情报分析中的实际问题。一方面,批量数据处理技术、流式数据处理技术、交互式数据查询技术等大数据处理技术解决了高性能网络流量的实时还原与分析、海量历史日志数据分析与快速检索、海量文本数据的实时处理与检索等网络安全与情报分析中的数据处理问题;另一方面,大数据技术应用到安全可视分析、安全事件关联、用户行为分析中,形成大数据交互式可视分析、多源事件关联分析、用户实体行为分析、网络行为分析等一系列大数据安全分析研究分支,以应对当前的网络安全挑战。大数据安全分析技术在APT攻击检测、网络异常检测、网络安全态势感知、网络威胁情报分析等方面已经得到应用,但是,当前的网络安全形势仍不容乐观：高级网络威胁与攻击的有效检测方法缺乏;未知复杂网络攻击与威胁预测能力不足;缺乏度量网络安全态势评估结果的评价体系,关键资产与网络整体的态势评估指标体系不完善,网络安全态势感知评估方法缺少针对性;网络威胁情报信息分析的新型数据源数据获取难度大,缺乏威胁情报共享标准,尚未建成规模化、一体化的现代威胁情报中心和开放的威胁情报综合服务平台。围绕这些问题,需要研究高级网络威胁发现方法、复杂网络攻击预测方法、大规模网络安全态势感知技术、威胁情报数据采集与共享技术,并在高级网络威胁早期检测、隐蔽性和持续性网络通信行为检测、基于大数据分析的网络特征提取技术、综合威胁情报的高级网络威胁预测、非公开网络情报采集等关键技术上实现突破,以提升大数据对网络信息安全的支撑能力,增强网络信息安全风险感知、预警和处置能力。