基于改进贝叶斯正则化BP神经网络模型的网络安全态势预测方法研究

随着互联网的迅速发展,网络安全问题越来越严重,分析及预测网络安网络安全态势,对于网络安全具有重要意义。本文在网络安全态势量化的的基础上,改进贝叶斯算法,提出一种改进型贝叶斯正则化BP神经网络模型的网络安全态势预测方法,通过模拟网络环境进行数据分析,验证了该预测方法可以减小了训练误差和预测误差,提高了对网络安全态势预测精度,证明了该方法的可行性。     

基于SOABP神经网络的网络安全态势预测算法研究

当前网络安全形势日益严峻,为了提高网络安全态势预测的准确性,提出了一种基于人群搜索算法优化BP神经网络的网络安全态势预测方法.本算法利用人群搜索算法特有的利己、利他、预动和不确定推理四大行为特征确定搜索策略,找到最佳适应度个体,获取最优权值和阈值,然后再对BP神经网络的随机初始阈值和权值进行赋值,经过神经网络训练后得到预测值,最后与其它两种优化算法得到的预测值进行对比.实验表明,该算法用于网络安全态势预测精准度更高,误差更小,并具有更好的稳定性.     

基于改进的递归神经网络的网络安全态势预测

本文利用神经网络处理非线性、复杂性等优势,基于改进的递归神经网络预测网络安全态势,实验结果证明该方法运行效率较高,运行结果与实际值相比,误差较低,精确性较高。     

基于改进的递归神经网络的网络安全态势预测

本文利用神经网络处理非线性、复杂性等优势,基于改进的递归神经网络预测网络安全态势,实验结果证明该方法运行效率较高,运行结果与实际值相比,误差较低,精确性较高。     

基于BP神经网络的成本预测

分析了人工神经网络解决成本预测的可能性。介绍了BP神经网络用于非线性预测的基本原理和算法步骤。采用matlab试验方法,对某企业总产量与总成本进行仿真,对比了回归分析法和BP神经网络的预测结果。实验结果表明,BP神经网络预测算法具有较高的预测精度。     

基于蚁群算法优化BP神经网络的政务云网络态势预测研究

针对常规BP神经网络预测模型存在的预测精度低、收敛速度慢等问题,给出一种蚁群优化BP神经网络预测模型,用于政务云的网络安全态势预测。同时,对蚁群算法的信息素更新规则进行改进,并将改进后的蚁群算法应用于BP神经网络权值和阈值的优化,得到BP神经网络预测模型的最优权值和阈值,并将最优权值和阈值用于BP神经网络训练和预测。实验仿真结果表明,与传统BP神经网络安全预测模型相比,采用优化后的模型进行网络安全态势预测时,其收敛速度和预测精度都得到了明显的提高。     

网络安全态势评估和预测的新进展

网络安全态势的研究是动态地认识大规模分布式网络安全的信息安全新热点之一.由于大规模网络的复杂性,及对网络整体安全越来越高的要求,常规的安全解决方案不能较好地完成保障网络安全的任务.网络安全态势的研究将解决这一问题,使网络安全整体上得以保障.本文首先从网络安全态势研究内容的角度,指出了其研究的难点,接着探讨了现有的网络安全态势研究的框架和思路,然后比较了典型的网络安全态势评估和预测的模型,最后总结了网络安全态势的最新研究成果,并指出了网络安全态势值得深入研究的方向.     

网络安全态势的云预测

针对现有网络安全态势预测算法存在的主观因素影响较大、预测结果与选取数据关联程度较高的情况,以云的网络安全态势预测规则挖掘算法为基础,提出了一个改进算法。该改进算法不仅拥有原挖掘算法无需对初始数据进行预先处理的优点,同时避免了预测规则与实际情况相孤立造成预测错误的情况,并通过实验验证了算法的可行性和有效性。基于云的网络安全态势预测改进算法,有效地提高了网络安全态势预测的准确性。     

基于机器学习的网络安全态势感知系统研究

随着信息技术的快速发展,网络环境变得更为复杂,网络攻击手段也越来越多,网络空间的安全性就更为重要。在此背景下,网络安全态势感知技术应运而生,成为评估网络安全现状,洞察网络安全风险,预测网络未来发展的关键技术。研究网络安全态势感知系统可以提高网络的监控能力、应急响应能力等,文章分析了当前网络安全态势感知模型和网络安全态势指标,采用双向LSTM网络安全预测模型,并用贝叶斯优化方法确定模型的超参数,从而提高了网络安全态势预测模型精度与效率。     

基于自适应BP神经网络的网络安全评价模式

本文基于自适应BP神经网络,探寻建立更加完善的网络评价机制。通过分析自适应BP神经网络和网络安全评价模式的特点,将自适应BP神经网络用于网络安全评价中。     

Cloud security situation prediction method based on grey wolfoptimization and BP neural network

Aiming at the accuracy and error correction of cloud security situation prediction, a cloud security situation prediction method based on grey wolf optimization (GWO) and back propagation (BP) neural network is proposed.Firstly, the adaptive disturbance convergence factor is used to improve the GWO algorithm, so as to improve theconvergence speed and accuracy of the algorithm. The Chebyshev chaotic mapping is introduced into the positionupdate formula of GWO algorithm, which is used to select the features of the cloud security situation prediction dataand optimize the parameters of the BP neural network prediction model to minimize the prediction output error.Then, the initial weights and thresholds of BP neural network are modified by the improved GWO algorithm toincrease the learning efficiency and accuracy of BP neural network. Finally, the real data sets of Tencent cloudplatform are predicted. The simulation results show that the proposed method has lower mean square error (MSE)and mean absolute error (MAE) compared with BP neural network, BP neural network based on genetic algorithm(GA-BP), BP neural network based on particle swarm optimization (PSO-BP) and BP neural network based onGWO algorithm (GWO-BP). The proposed method has better stability, robustness and prediction accuracy.     

A network security situation prediction model based on wavelet neural network with optimized parameters

The security incidents ion networks are sudden and uncertain, it is very hard to precisely predict the network security situation by traditional methods. In order to improve the prediction accuracy of the network security situation, we build a network security situation prediction model based on Wavelet Neural Network (WNN) with optimized parameters by the Improved Niche Genetic Algorithm (INGA). The proposed model adopts WNN which has strong nonlinear ability and fault-tolerance performance. Also, the parameters for WNN are optimized through the adaptive genetic algorithm (GA) so that WNN searches more effectively. Considering the problem that the adaptive GA converges slowly and easily turns to the premature problem, we introduce a novel niche technology with a dynamic fuzzy clustering and elimination mechanism to solve the premature convergence of the GA. Our final simulation results show that the proposed INGA-WNN prediction model is more reliable and effective, and it achieves faster convergence-speed and higher prediction accuracy than the Genetic Algorithm-Wavelet Neural Network (GA-WNN), Genetic Algorithm-Back Propagation Neural Network (GA-BPNN) and WNN.     

基于BP神经网络的温度预测方法

针对环境试验温度测量精度不高,测温延时较大的问题,提出了基于BP神经网络的温度预测方法。该方法通过测量瞬时温度变化率,利用BP神经网络的温度预测模型,对温度进行预测。在MATLAB中仿真表明,该方法对温度测量的精度有了明显的提高,对测温延时有了明显的改善。     

Wi-Fi security evaluation model based on BP neural network

A Wi-Fi security evaluation model was proposed based on BP neural network.Firstly a large number of Wi-Fi hotspots was analyzed,safety information sources about wireless hotspots were selected.Secondly,a model of BP neural network was constructed,the weights were adjusted,and the evaluation system for Wi-Fi safety was formed,which was higher credibility.Finally,on the Android flatform the application based on above theory was designed.A lot of experi-ments show the model is able to scan and evaluate the wireless hotspot around user.It can also provide the disconnect function on unsafe wireless hotspot.     

基于GANPSO-BP神经网络的粮情预测模型研究

在使用BP神经网络构建粮情温度预测模型时,因其存在误差高、稳定性差等缺陷,借鉴遗传算法和粒子群的思想,提出一种GANPSO-BP神经网络来预测粮食温度。首先为验证GANPSO算法的可用性,将该算法与PSO算法和IPSO算法在测试函数上利用Matlab软件进行模拟测试,结果得出GANPSO算法效果相对与其他两种算法有着明显提高;然后再对BP,PSO-BP和GANPSO-BP三种神经网络进行测试,得出BP的均方误差为0.021 79,PSO-BP的均方误差为0.017 65,GANPSO-BP的均方误差为0.013 30;从而得到GANPSO-BP神经网络相对于其他两种有着较好的稳定性,能够很好地预测粮食温度的变化情况。     

基于BP神经网络技术的网络时延预测研究

为了应对网络控制系统中普遍存在的时延,有效预测是对网络控制系统非常重要的一环。介绍了一种基于BP神经网络的时延预测研究,利用BP神经网络中的最小平方算法来决定权值、基函数中心以及隐层的单元数量。运用Matlab软件对提出的BP神经网络的预测模型进行仿真实验,结果表明提出的BP神经网络模型在预测网络时延上非常有效。