[发明专利]一种用于木马事件预测的最小二乘支持向量机的训练方法及预测方法

说明书

技术领域

本发明属于计算机网络信息安全领域，尤其涉及计算机网络安全中木马事件的预测方法。

背景技术

当前，随着信息技术的高速发展，互联网的网络规模，网络信息量以及网络应用等都在不断增长。互联网在涉及到人们生活的各方面领域，如政治，商业，金融，文教，通信等，发挥着越来越重要的作用。但是互联网在带给人们极大便利的同时，也面临着越来越多的网络安全事件。

网络安全事件预测技术是在充分收集当前网络流量状况、获取网络历史安全事件发生情况的基础之上进行预测的一门技术。由于木马攻击在大规模网络下的安全事件中占很大比例，通过对未来时刻网络中木马事件发生数量进行预测，一方面可以方便网络管理人员对整个网络的大体情况有一个初步的判断，并根据判断的情况制定与之相符的网络安全策略，另一方面可以提前预判将要发生的网络灾害或者攻击，并且在灾害和攻击发生之前及时采取应对措施，把问题消灭在萌芽状态。

现有的木马事件预测方法有如下几种：

线性回归方法：以经典的自回归滑动平均模型为代表，这类方法认为未来木马事件发生数量是受以前数量和噪声的直接影响，因此预测值即是历史数据和噪声数据的加权求和，表达式如下：

其中p为自回归模型阶数，q为滑动平均模型阶数，x_t是预测值，x_i是第i次的观测值，(i＝1，2，…，p)，θ_j(j＝1，2，…，q)分别为自回归参数和滑动平均参数。其特点是模型简单，容易实现，但是其一方面需要用户正确的配置模型的参数，这需要用户具备相应的领域经验，限制了算法的使用，另一方面对该方法对预测函数的逼近不够准确，所以预测效果不够好。

基于规则发现的方法：如时序规则发现，这类方法是通过根据频繁项集在时间上的先后顺序，推出它们的时序关联规则，并根据这个规则对后面将要发生的时间进行预测。这种方法由于不能对预测这种复杂非线性问题建立一个结构清晰的模型，所以预测效果不够好。

发明内容

因此，本发明的目的在于克服上述现有技术的缺陷，以最小二乘支持向量机作为预测模型，提出了一种木马事件预测方法，在提升预测模型准确度的同时保持较好的性能。

本发明的目的是通过以下技术方案实现的：

一方面，本发明提供了一种用于木马事件预测的最小二乘支持向量机的训练方法，包括以下步骤：

步骤1)将木马事件序列{r₁，r₂，……，r_l}中的每个值与前面的m个相隔为τ的值相关，即r_1+mτ＝F(r₁，r_1+τ，……，r_1+(m-1)τ)，其中，l为样本总数，m和τ是小于l的正整数；

步骤2)将样本数据划分为多个训练数据对(x_i，y_i)，i＝1，2，……，n，其中输入向量x_i∈R^m，R^m是输入向量的维数，输出向量y_i∈R，R是输出向量的维数，n＝l-1-(m-1)τ；

步骤3)构造最小二乘支持向量机为：其中K(x_i，x)为核函数，应满足K(x_i，x)＝exp{-||x_i-x||/2σ²}，σ为核宽度；

步骤4)基于样本数据采用遗传算法来确定所述最小二乘向量机的参数α_i和b的最优值；

根据本发明实施例的训练方法，其中m的取值范围为[1，10]，τ的取值范围为[1，3]。

根据本发明实施例的训练方法，其中步骤4)包括以下步骤：

步骤4-1)将训练数据对的输入向量代入最小二乘支持向量机来计算预测结果；

步骤4-2)根据预测结果与训练数据对的输出向量来计算误差；

步骤4-3)如果误差大于预测精度，则使用遗传算法来优化参数α_i和b；

步骤4-4)将经优化的参数代入到最小二乘支持向量机，接收下一个训练数据对并转到步骤4-1)，重复执行步骤4-1)至4-4)直至误差小于或等于预测精度为止。

根据本发明实施例的训练方法，其中预测精度为0.05。

根据本发明实施例的训练方法，步骤4-3)包括以下步骤：