基于博弈模型的网络安全最优攻防决策方法

随着社会信息化水平的不断提高,计算机技术目前在人们的生活当中发挥出至关重要的作用,同时人们也越来越依赖于计算机技术。在这样的背景下,对于网络安全的研究已成为最重要的问题之一,博弈模型就是在这样的条件下应运而生。简单说来,博弈模型就是依据计算机网络中的一些脆弱的信息,最终生成出网络状态攻防图,并根据这个攻防图总结出最优化的攻防策略,在最大程度上提升网络的安全性。基于此,本文以博弈模型为基础,总结出基于博弈模型的理论如何为提升网络安全生成最佳的决策方法。     

基于攻防博弈模型的层次化网络安全评估探析

攻防博弈模型在网络安全评估中的应用,可以帮助系统管理员及时发现网络中潜在的网络威胁和存在的安全隐患,而系统管理员可以根据不同的安全需求进行最优防御策略的选择和实施,从而大大降低不安全事件发生的可能性,进一步达到网络安全防护的目的。     

基于粗糙贝叶斯博弈的网络攻防策略

为了解决复杂网络上攻防策略研究中存在的问题,提出了基于粗糙贝叶斯攻防博弈模型的分析方法。扩展传统对象Petri网并在其节点域和变迁域上引入粗糙集理论,定义了网络攻防对峙模型。通过在论域攻防策略集上划分等价类,提出了特征攻击策略集的提取方法。在此基础上定义了粗糙攻防博弈模型(RA-DGM)以及攻防效用函数,并给出了该模型的贝叶斯均衡以及最大攻防策略集的求解算法。该分析方法能够有效缩减博弈分析中策略空间的规模,适合于复杂网络攻防行为研究。实例说明了该模型的正确性及其对冗余信息的处理性能,基于该模型的攻防策略分析方法也更为合理、有效。     

基于激励机制的网络攻防演化博弈模型研究

随着网络信息系统的日益复杂化,网络的安全性和用户隐私性引起了人们的高度重视,寻找能够维护网络安全、分析和预判网络攻防形式的新技术尤为重要.由于演化博弈理论的特性与网络攻防的特性较为契合,因此,本文对网络环境进行了分析,构建网络攻防场景,并在惩罚机制的基础上引入激励机制,提出了基于激励机制的攻防演化博弈模型.通过给出群体不同的问题情境,利用复制动态方程对局中人的策略选取进行演化分析.另外,在第三方监管部门对局中人管理的基础上,分析不同攻击时长时攻击群体的演化规律,证明攻击具有时效性.通过激励机制对防御群体策略选取的影响以及引入防御投资回报,来进一步证明增加激励机制的可行性.根据实验验证表明,本文提出的攻防演化博弈模型在不同的问题情境下均可达到稳定状态并获得最优防御策略,从而有效减少防御方的损失,遏制攻击方的攻击行为.     

基于Q学习的DDoS攻防博弈模型研究

新形势下的DDoS攻防博弈过程和以往不同,因此利用现有的方法无法有效地评估量化攻防双方的收益以及动态调整博弈策略以实现收益最大化。针对这一问题,设计了一种基于Q学习的DDoS攻防博弈模型,并在此基础上提出了模型算法。首先,通过网络熵评估量化方法计算攻防双方收益;其次,利用矩阵博弈研究单个DDoS攻击阶段的攻防博弈过程;最后,将Q学习引入博弈过程,提出了模型算法,用以根据学习效果动态调整攻防策略从而实现收益最大化。实验结果表明,采用模型算法的防御方能够获得更高的收益,从而证明了算法的可用性和有效性。     

基于随机博弈模型的网络攻防量化分析方法

针对日益普遍和多样的网络攻击和破坏行为,如何利用模拟真实网络的虚拟环境,实现对网络各种攻防过程的实验推演,并分析评价网络系统安全性,已逐渐成为热点研究方向.对此文中提出了采用随机博弈模型的网络攻防实验整体架构,提出了由网络连接关系、脆弱性信息等输入数据到网络攻防博弈模型的快速建模方法,基于最终生成的攻防模型可以对目标网络的攻击成功率、平均攻击时间、脆弱节点以及潜在攻击路径等方面进行安全分析与评价. 最后,应用研究所得的网络攻防模型与分析方法对一个典型的企业网络攻防过程进行分析和推演. 结果表明了模型和分析方法的有效性.     

基于RBF模糊神经网络模型的广义预测控制

广义预测控制对线性系统具有较好的控制效果，为将它应用到非线性系统，本文提出一种将RBF模糊神经网络与广义预测控制相结合的方法，仿真证明控制有效。     

基于攻防博弈的网络防御决策方法研究综述

博弈论研究冲突对抗条件下最优决策问题,是网络空间安全的基础理论之一,能够为解决网络防御决策问题提供理论依据.提炼网络攻防所具备的目标对立、策略依存、关系非合作、信息不完备、动态演化和利益驱动6个方面博弈特征.在理性局中人假设和资源有限性假设的基础上,采用攻防局中人、攻防策略集、攻防动作集、攻防信息集和攻防收益形式化定义...     

基于RBF神经网络的水泥强度预测

利用RBF神经网络的算法，建立了水泥强度的预测模型。通过实际数据比较计算，RBF神经网络明显优于BP网络，该模型为水泥强度的快速预测提供了一种新方法。     

Wiener型非线性系统的La-RBF组合模型预测控制

针对Wiener型非线性系统,本文提出了一种基于Laguerre函数模型与RBF神经网络模型的组合模型的预测控制策略,研究结果表明该组合模型兼具两者的优点,适用范围广,对系统变时延,变阶次及变非线性都具有良好的控制效构     

基于Matlab的RBF入侵检测模型研究

针对目前入侵检测系统不能有效检测未知攻击行为、学习能力较差的问题,根据RBF神经网络的自学习、收敛速度快的特性,将RBF神经网络与入侵检测技术相结合,提出了一种RBF入侵检测模型,并对模型各个组成部分进行了分析,最后采用DAR-PA入侵检测数据库中的部分数据,在Matlab下进行了仿真实验。实验结果表明,此模型具有较高的检测率和较低的误报率,可有效地检测出已知和未知攻击行为,有一定的应用价值。     

基于组合神经网络模型的函数逼近方法

在通用函数逼近定理基础上,介绍了一种将反向传播神经网络和径向基神经网络模型相接合的组合神经网络模型,并将该模型应用于上海证券指数的预测.仿真实验结果表明,该模型很好地减小了预测值和实际值之间的误差,预测效果也优于普通的反向传播神经网络模型.     

基于Elman神经网络的二自由度内模控制方法研究

将遗传算法、Elman神经网络和二自由度内模控制相结合,提出一种基于Elman神经网络辨识和遗传整定的二自由度内模控制算法.仿真结果表明,相对于常规内模控制方法,该方法对输入信号的动态响应快,系统超调量和调节时间减少,抗干扰能力强,控制精度高.     

基于混沌映射的非径向对称基函数的神经网络模型

为提高神经网络模型的预测精度,构建了非径向对称基函数神经网络模型结构。为确定非径向对称基函数神经网络模型参数,采用Ulam-von Neumann映射规则确定混沌变量,利用混沌变量的遍历性获得不同网络结构参数下的最优网络输出,以减少所构建网络模型的实际输出与期望输出的差值,并利用模型输出的误差变化率以决定是否增加新的隐层节点。给出基于混沌映射的非径向对称基函数的网络模型构建步骤。采用基于Mackey-Glass时滞微分方程的混沌时间序列预测问题验证该模型的预测精度,并同其他文献对该序列预测的精度以及所需隐层节点数作对比。比较结果表明,采用该设计模型具有对时间序列预测精度高且所需网络结构规模小等优点。     

融合RBF的二值神经网络推荐模型

随着网络通信技术的快速发展和互联网信息资源的大规模扩张,信息过载问题日益严重,传统的信息服务使得这一问题得到缓解。但对具有海量条目的信息,用户要根据自己的喜欢找到想要的目标并不容易。为了解决该问题,提出一种融合径向基函数(RBF)的二值化卷积神经网络的推荐模型。该模型建立在卷积神经网络的基础上将输入数据预处理为0或1,极大节省数据存储空间并提高推荐效率。利用RBF建立可信任的亲属网络,根据亲属网络中的相似用户筛选出有用信息并进行分析做出相应推荐。针对电影推荐进行实验,实验结果表明该方法是有效可行的。     

基于RBF神经网络逼近算法的船舶支架减振器挤压测试系统

为了获得船舶支架减振器挤压形变量与环境温度关系,提出基于RBF神经网络逼近算法的船舶支架减振器挤压测试系统。该系统通过光栅位移传感器、温度传感器对位移数据和温度数据的采集,实现了数据存储和显示。并采用RBF神经网络逼近算法减小数据误差。最后通过MATLAB仿真和某舰船支架减振器实际测量,证明了该测试系统具有较高精度和准确性。     

用进化RBF神经网络控制Lorenz混沌

对镇定一嵌入在Lorenz混沌吸引子内的不稳定平衡点上的混沌轨道提出了一种利用进化RBF网控制混沌系统的新方法,采用了基于两层编码改进进化规划（IEP）的RBF网学习算法,要以同时确定网络的拓扑结构和参数,仿真结果表明本文控制Lorenz混沌响应速度快,控制精度高。     

边坡位移LMD-BP神经网络模型研究

结合局部均值分解LMD(Local mean decomposition)算法和BP神经网络算法,提出一种全新的局部均值分解——BP神经网络位移时序预测模型。通过把实际监测的位移值作为训练样本,利用局部均值分解算法对其进行高度的自适应分解,得到多个生产函数PF(Product function)分量;而后通过BP神经网络模型对每一个PF分量进行预测,再把各个PF分量预测值进行重构累加,即可得到位移的预测值。通过BP神经网络对相关参数进行优化,达到了对于预测精度的改善。将该模型应用到永久船闸高边坡的三个监测点上进行位移时序预测中,结果表明,预测精度较高,具有一定的科学依据,在边坡体位移时序预测领域中具有极大的潜在价值。     

基于改进RBF的变压器油色谱在线监测装置配置策略研究

变压器油色谱在线监测是变压器故障诊断的重要举措,也是电网变电检修的重要手段。考虑到110千伏(66千伏)电压等级油浸式变压器在线监测装置的选配对其诊断效果具有较大影响,并且其影响因素较多且复杂,提出一种基于K-means聚类和遗传算法相结合的RBF神经网络在线监测装置配置策略。从变压器内部本体特征和外部所处环境两个方面对装置选配影响因子进行筛选和分析得到最终的影响因子;对RBF模型的适用性进行分析和阐述;建立以影响因子为输入向量,以监测装置配置评分作为输出向量的基于改进RBF在线监测装置配置模型。实验结果表明,该模型能够对在线检测装置进行准确评分,提高了选配准确度,证明了该模型的有效性。与神经网络(BP)模型相比,该模型加快了网络收敛速度,能够更加有效地解决在线监测装置配置问题,为电网提供切实可行的方案。