基于人工免疫的网络安全态势评估模型

本文将人工免疫原理应用到网络安全态势评估的研究中.通过对入侵检测模型中有关自体、非自体、抗原的形式化描述,建立了抗体细胞的演化机制、动态免疫记忆、免疫监视等免疫机制.依据人体免疫系统抗体浓度的变化与病原体入侵强度的对应关系,建立了网络安全态势实时定量计算模型.     

入侵检测系统中基于辐射状面板的可视化方法

现代互联网络存在认知负担重、缺乏全局认知、交互性较差等安全问题。为此，利用可视化方法识别网络中的攻击和异常事件，并提出一种新型的入侵检测分析系统（IDs）——基于辐射状面板可视化技术的IDSView。根据现有可视化系统的不足，考虑用户接口与体验，采用颜色混合算法、多段拟合贝塞尔曲线算法、数据预处理及端口映射算法，降低图像的闭塞性，提高可扩展性及增强入侵识别与态势感知能力。应用结果表明，应用该方法分析人员可以直观地从宏观和微观2个层面感知网络安全状态，有效地识别网络攻击，辅助分析人员决策。     

多模态特征融合的网络安全态势评估

近年来,我国各行各业的建设发展迅速。随着互联网技术的迅速普及,隐私泄露和信息安全事故频繁发生,网络安全隐患逐渐凸显。在此背景下,国内外研究人员提出了多种安全防护措施,如物理分析、网络结构分析、系统安全分析和网络安全态势感知(NSSA)等。NSSA技术首先用于模拟战场上的交战各方,然后据此规划战略和战术。     

基于RBF神经网络的网络安全态势预测方法

针对现有网络安全技术不能对网络未来安全态势进行预测的问题,利用网络安全态势值具有非线性时间序列的特点,借助神经网络处理混沌、非线性数据的优势,提出了一种基于RBF神经网络进行态势预测的方法。该方法通过训练RBF神经网络找出态势值的前N个数据和随后M个数据的非线性映射关系,进而利用该关系进行态势值预测。通过实验测试表明,该方法能够准确获得态势值预测结果,辅助网络管理者做出安全防护的决策。     

基于深度加权特征学习的网络安全态势评估

计算机网络高速发展的同时也带来了许多的安全问题,对网络安全进行有效的网络安全态势评估对于掌握网络整体的状态并帮助管理人员全面掌握整体态势具有重要意义。然而,现有的网络安全态势评估方法存在特征要素提取困难、准确率低、时效性差的问题。针对这些问题,提出一种面向网络威胁检测的基于深度加权特征学习的网络安全态势评估方法。首先,考虑到单个稀疏自动编码器进行特征提取时无法很好的拟合不同攻击的分布,从而影响威胁检测准确率的缺点,构建一个基于并行稀疏自动编码器的特征提取器提取网络流量中的关键信息,并将其与数据原始特征进行融合。其次,为了更多的关注网络流量中的关键信息,采用注意力机制改进双向门控循环单元网络,对网络中的威胁进行检测并统计每种攻击类型的发生次数以及误报消减矩阵。然后,根据误报消减矩阵修正每种攻击类型的发生次数,并结合威胁严重因子计算得到威胁严重度。最后,根据威胁严重度和每种攻击类型的威胁影响度确定网络安全态势值以获取网络安全态势。本文选取NSL-KDD数据集进行实验验证,实验结果显示本文方法在测试集上达到了82.13%的最高准确率,召回率、F1值分别达到了83.36%、82.74%。此外,通过消融实验进一步验证了所提出的并行稀疏自动编码器提取特征和注意力机制加权特征两种改进方法的有效性。与经典态势评估方法SVM、LSTM、BiGRU、AEDNN等的对比实验也证明,该方法能够高效、全面地评估网络安全的整体态势。     

网络安全态势量化评估模型研究

对网络对抗过程进行抽象描述是网络安全态势评估量化、提高攻击预测能力和防御主动性的必要基础。由于网络状态及信息获取途径的复杂性、模糊性和不确定性,建立有效的网络对抗模型非常困难。利用博弈论与有限状态机理论,提出一种新的更加切合实际过程的网络对抗模型,并以此为基础给出安全态势量化模型,结合对抗策略对系统安全风险有影响,按安全属性计算系统安全风险。利用上述模型可有效识别攻击意图,计算系统安全风险概率,为网络安全态势量化评估奠定了基础。     

网络安全态势评估与趋势感知的分析研究

随着网络和计算机的普及,网络安全逐步引起人们的重视。计算机通过互联网获取信息,并且把信息传到社会上,实现了信息的交流。期间网络安全也进一步受到了人们的关注,网络安全态势研究正在逐渐成为了网络安全领域的研究热点。通过对网络安全态势的评估方法的研究,得出了典型数值态势计算方法,通过这种计算方法将安全态势信息从底层逐级汇聚上来,并将权重因素融入到安全态势之中,从而得出安全态势评估体系的要求。通过以上我们来对网络安全态势评估与趋势感知进入深入的研究。     

基于Elman神经网络的网络安全态势预测方法

准确把握网络系统的安全态势,能够为网络管理者做出安全防护的决策提供有效的信息。在评估当前网络安全态势的基础上,利用加权后得到的网络安全态势值的非线性时间序列的特点,提出了一种基于Elman神经网络的态势预测方法,它利用Elman网络具有动态记忆功能和对历史数据具有敏感性等优点,对网络安全态势进行预测。通过实验仿真表明,该方法能够准确有效地预测网络安全态势。     

基于多源异构数据融合的网络安全态势评估体系

针对基于单点网络数据很难准确地检测网络恶意活动且无法有效地分析网络状况的问题，本文通过引入多源异构数据融合策略，借鉴层次化网络分析思想，构建出包含流量探测模块、属性提炼模块、决策引擎模块、多源融合模块、态势评估模块等五大模块的网络安全态势评估体系。评估体系以BP神经网络为决策引擎分析各数据源的数据，使用指数加权D-S证据理论融合各决策引擎的输出结果，并基于层次化网络威胁评估方法评估网络威胁状况。实验结果表明:不同探测器探测到的数据对于识别不同类型攻击的优势不同；多源融合技术进一步将识别攻击类型的准确率提升到88.7%；层次化网络威胁评估方法能够有效地评估网络威胁状况。     

一种基于关联分析和HMM的网络安全态势评估方法

当前大部分基于隐马尔科夫（HMM）的网络安全态势的评估方法都集中于对HMM参数的研究，而忽视了观测值的选取对评估准确度的影响。本文在告警信息聚合的基础上，以攻击模式作为关联依据，结合网络资产的脆弱性信息，识别主机所处受攻击阶段并转化为主机的威胁等级，以威胁等级作为HMM的观测值，最后利用HMM实现对主机和网络的安全态势评估。基于DARPA2000测试数据集的相关实验表明，相比一般的HMM方法，本文方法能体现攻击的多步骤特点，且能更加准确地反映网络态势的变化。