[发明专利]基于深度神经网络的安全态势智能预测方法、装置及系统

说明书

本发明属于网络安全技术领域，特别涉及一种基于深度神经网络的安全态势智能预测方法、装置及系统，该方法包含：以自动编码器为基本单元，结合误差反向传播BP神经网络，构建用于网络安全态势无监督训练学习的深度自编码网络模型；结合专家知识和层次评估深度自编码网络模型依次进行无监督逐层预训练和有监督模型参数微调，得到训练后的网络模型；基于训练后的网络模型，对目标网络安全态势进行预测。本发明通过应用深度自编码器作为基本结构，采用无监督逐层算法进行预训练，采用有监督算法进行参数微调，解决了对网络安全数据标签的依赖性问题，实现安全态势的自动化监测和智能预警，提高态势预测的精度和时效。

技术领域

本发明属于网络安全技术领域，特别涉及一种基于深度神经网络的安全态势智能预测方法、装置及系统。

背景技术

随着以机器学习算法为核心的人工智能技术取得重大突破以及大数据分析平台系统的出现，将人工智能技术引入态势预测过程已经成为一个显著的技术发展趋势。态势预测是态势感知技术的核心组成部分，着眼点是如何根据系统中的当前和历史信息评估预测将来的趋势。它根据对过去收集的信息和当前所理解的态势信息，预测未来状态的趋势。态势预测使决策者能够掌握更有预见性和更加全面的网络空间状态，并做出准确合理的决策。网络安全态势预测常见的方法有时间值序列预测法、神经网络建模法和模式识别法三类，其中，(1)时间序列法，根据网络安全事件发展变化趋势具有延续性的原理，在固定时间间隔上度量各类态势要素信息，并使用相关评估算法计算出各时间段的网络安全态势，以此构建时间序列，通过拟合曲线和估计参数，以定量的方式计算出预测时间段的安全态势数据。该方法适用于分析平稳时间序列的变化规律，应用于现实网络时，由于各类安全事件突发，导致综合预测效果不佳；(2)模式识别法，综合专家知识和机器学习得到态势变化规则知识构建模板空间，通过数据挖掘对输入网络安全态势模式自动识别和处理。模式识别法可以采用有标签的方法构建模板空间，在缺乏专家知识的情况下，也可以采用无监督学习的方法学习规则知识以减少对标签数据的依赖性；(3)神经网络法，基于函数逼近理论构造，由大量微小的人工神经元节点互相连接而成的非线性动力系统，从态势数据中提取并构造容量充分的训练样本，并以对应时刻的态势值为样本打上标签，通过数据正向传播与误差反向传播算法训练网络，并调整连接权值和偏置参数，实现从态势输入到态势发展的映射关系构建，再通过训练好的网络以数据正向传播的方式，对态势数据的输入进行分类或预测，该方法具有良好的自学习和非线性分析能力，其不足在于学习过程过分依赖标签数据，需要大量标签数据作为训练集，而实际网络环境中，由于安全数据涉及隐私等问题，有标签数据十分稀缺的，因此，在训练数据不足的情况下，神经网络的训练过程易产生过拟合问题。

发明内容

为此，本发明提供一种基于深度神经网络的安全态势智能预测方法、装置及系统，解决现有网络安全态势对标签数据依赖性强等问题，提高神经网络在态势预测领域的应用，具有较强的实用性和可操作性。

按照本发明所提供的设计方案，一种基于深度神经网络的安全态势智能预测方法，包含如下内容：

A)以自动编码器为基本单元，结合误差反向传播BP神经网络，构建用于网络安全态势无监督训练学习的深度自编码网络模型；

B)结合专家知识和层次评估深度自编码网络模型依次进行无监督逐层预训练和有监督模型参数微调，得到训练后的网络模型；

C)基于训练后的网络模型，对目标网络安全态势进行预测。

上述的，A)中，自动编码器包含编码器和解码器，其中，编码器设置在输入层和隐藏层之间，解码器设置在隐藏层和输出层之间，彼此相邻的编码器隐藏层进行交叉堆叠，经过训练学习调整编码器权重和偏置参数，使得编码器重构误差趋于最小值。

上述的，无监督逐层训练中，利用无标签数据对深度自编码网络模型进行无监督预训练，确定网络模型各层间权值的范围空间。