[发明专利]基于麻雀搜索算法优化Bi-LSTM的网络安全态势预测方法

说明书

本发明公开了一种基于麻雀搜索算法优化Bi‑LSTM的网络安全态势预测方法，属于网络安全技术领域。初始化麻雀种群并迭代筛选获取运算结果；基于运算结果初始化Bi‑LSTM神经网络超参数，得到SSA优化后的Bi‑LSTM模型；对SSA优化后的Bi‑LSTM模型进行训练生成预测模型；向预测模型中输入预测数据并获取结果。本发明利用麻雀搜索算法来优化Bi‑LSTM神经网络超参数，采用SSA优化的Bi‑LSTM能够加速模型的收敛，提高模型的预测精度，从而解决现有技术预测精度不够的问题。

技术领域

本发明涉及网络安全技术领域，尤其涉及一种基于麻雀搜索算法优化Bi-LSTM的网络安全态势预测方法。

背景技术

网络安全态势预测作为态势感知的最高层次，它是利用历史和当前的安全态势信息来对未来的网络态势发展情况进行定量预测。其目的就是可以让网络管理人员能够感知网络最近的安全状态，以及网络状态的演变过程和可能发生的网络攻击。通过预测，管理员可以获得早期预警信息并主动采取预防措施，以有效的应对即将发生的攻击威胁。

因为网络攻击行为存在前后时序关联，简单来说，攻击行为不可能是一蹴而就的，不同阶段的攻击行为会反映在相关数据中，即底层网络数据能够抽象为特定的时间序列事件，故可将态势预测问题归结为对时间序列的处理问题。考虑到攻击行为的前后关联性，只关注历史信息是不够的，为了能够更加准确的来预测网络态势，我们不仅需要利用历史信息，还有必要借助未来的信息来做出更好的判断。

现有技术的预测精度不够，无法满足现实需要。

发明内容

本发明的目的在于提供一种基于麻雀搜索算法优化Bi-LSTM的网络安全态势预测方法，旨在解决现有技术预测精度不够的问题。

为实现上述目的，本发明提供了一种基于麻雀搜索算法优化Bi-LSTM的网络安全态势预测方法，包括初始化麻雀种群并迭代筛选获取运算结果；

基于运算结果初始化Bi-LSTM神经网络超参数，得到经过SSA优化的Bi-LSTM模型；

对优化后的Bi-LSTM模型进行训练生成预测模型；

向预测模型中输入预测数据并获取结果。

其中，所述初始化麻雀种群并迭代筛选获取运算结果的具体步骤是：

S201麻雀种群初始化，设置迭代次数和误差阈值；

S202计算个体适应度；并对其进行排序，确定当前最优适应度值和当前最差适应度值；

S203发现者、追随者以及预警麻雀位置更新；

S204基于适应度选择个体；并更新全局最优适应度值；

S205检测迭代次数或者误差是否满足要求，若不满足则继续迭代回到S202，若满足则保留运算结果。

其中，对优化后的Bi-LSTM模型进行训练生成预测模型的具体步骤是：

将态势值序列划分训练集和测试集；

基于训练集使用SSA优化后的Bi-LSTM模型学习；

生成预测模型。

其中，所述向预测模型中输入预测数据并获取结果中，所述预测数据为测试集。