[发明专利]基于动态k-means聚类的神经网络态势预测方法

权利要求书

1.基于动态k-means聚类的神经网络态势预测方法，其特征在于，包括以下步骤：

步骤1，收集某系统半年内的网络安全基础数据，数据指标即感染网络病毒主机数量，被篡改网络数，被植入后门的网络数量，安全事件报告数,仿冒页面数量，以及安全漏洞和高危漏洞数量，对网络安全基础数据进行归一化处理，使得网络安全基础数据取值规范在[0,1]范围内；

步骤2，利用动态k-means聚类算法对归一化后的网络安全基础数据X＝[x₁,x₂,...,x_n]^T进行聚类，确定RBF神经网络中心神经元参数C_j＝[c_j1，c_j2，…，c_jn]^T和个数n，n表示同一局域网的聚类中心的个数，j表示不同的局域网；

步骤3，使用归一化后的网络安全基础数据参与RBF神经网络训练，计算RBF神经元宽度D_j＝[d_j1,d_j2,...,d_jn]，d_f为宽度调节系数，取值小于1，并确定神经元输出z_j，

步骤4，在训练过程中，使用PSO算法得到RBF神经网络的输出权值W＝[w₁，w₂，…，w_p]^T的最优权值，p表示权值系数的总个数，使网络态势预测精度提高；

步骤5，使用已训练的RBF神经网络对某月网络态势进行预测，并与当月网络态势评估值作对比，当月网络态势评估值是通过参照CVSS标准并随机选择10位网络安全专家对各指标进行评估打分取其平均值得到，根据下述公式计算误差，

MSE可以评价数据的变化程度，MSE的值越小，说明预测模型描述实验数据具有更好的精确度，式中y_i表示态势评估值，表示态势预测值，a表示态势评估值的总个数。