專利名稱：一種用于木馬事件預(yù)測的最小二乘支持向量機(jī)的訓(xùn)練方法及預(yù)測方法
技術(shù)領(lǐng)域：
本發(fā)明屬于計算機(jī)網(wǎng)絡(luò)信息安全領(lǐng)域，尤其涉及計算機(jī)網(wǎng)絡(luò)安全中木馬事件的預(yù)測方法。
背景技術(shù)：
當(dāng)前，隨著信息技術(shù)的高速發(fā)展，互聯(lián)網(wǎng)的網(wǎng)絡(luò)規(guī)模，網(wǎng)絡(luò)信息量以及網(wǎng)絡(luò)應(yīng)用等都在不斷增長。互聯(lián)網(wǎng)在涉及到人們生活的各方面領(lǐng)域，如政治，商業(yè)，金融，文教，通信等， 發(fā)揮著越來越重要的作用。但是互聯(lián)網(wǎng)在帶給人們極大便利的同時，也面臨著越來越多的網(wǎng)絡(luò)安全事件。網(wǎng)絡(luò)安全事件預(yù)測技術(shù)是在充分收集當(dāng)前網(wǎng)絡(luò)流量狀況、獲取網(wǎng)絡(luò)歷史安全事件發(fā)生情況的基礎(chǔ)之上進(jìn)行預(yù)測的一門技術(shù)。由于木馬攻擊在大規(guī)模網(wǎng)絡(luò)下的安全事件中占很大比例，通過對未來時刻網(wǎng)絡(luò)中木馬事件發(fā)生數(shù)量進(jìn)行預(yù)測，一方面可以方便網(wǎng)絡(luò)管理人員對整個網(wǎng)絡(luò)的大體情況有一個初步的判斷，并根據(jù)判斷的情況制定與之相符的網(wǎng)絡(luò)安全策略，另一方面可以提前預(yù)判將要發(fā)生的網(wǎng)絡(luò)災(zāi)害或者攻擊，并且在災(zāi)害和攻擊發(fā)生之前及時采取應(yīng)對措施，把問題消滅在萌芽狀態(tài)?，F(xiàn)有的木馬事件預(yù)測方法有如下幾種線性回歸方法以經(jīng)典的自回歸滑動平均模型為代表，這類方法認(rèn)為未來木馬事件發(fā)生數(shù)量是受以前數(shù)量和噪聲的直接影響，因此預(yù)測值即是歷史數(shù)據(jù)和噪聲數(shù)據(jù)的加權(quán)求和，表達(dá)式如下
xt = (Pixt-I + 識Λ—2 +......+ (ppxt-p +(Pt--θ2φ(—2-......-9qcpt—q其中ρ為自回歸模型階數(shù)，q為滑動平均模型階數(shù)，Xt是預(yù)測值，Xi是第i次的觀測值，仍(i = 1,2,…，ρ)，θ “j = 1,2, -,q)分別為自回歸參數(shù)和滑動平均參數(shù)。其特點(diǎn)是模型簡單，容易實現(xiàn)，但是其一方面需要用戶正確的配置模型的參數(shù)，這需要用戶具備相應(yīng)的領(lǐng)域經(jīng)驗，限制了算法的使用，另一方面對該方法對預(yù)測函數(shù)的逼近不夠準(zhǔn)確，所以預(yù)測效果不夠好?；谝?guī)則發(fā)現(xiàn)的方法如時序規(guī)則發(fā)現(xiàn)，這類方法是通過根據(jù)頻繁項集在時間上的先后順序，推出它們的時序關(guān)聯(lián)規(guī)則，并根據(jù)這個規(guī)則對后面將要發(fā)生的時間進(jìn)行預(yù)測。 這種方法由于不能對預(yù)測這種復(fù)雜非線性問題建立一個結(jié)構(gòu)清晰的模型，所以預(yù)測效果不夠好。

發(fā)明內(nèi)容
因此，本發(fā)明的目的在于克服上述現(xiàn)有技術(shù)的缺陷，以最小二乘支持向量機(jī)作為預(yù)測模型，提出了一種木馬事件預(yù)測方法，在提升預(yù)測模型準(zhǔn)確度的同時保持較好的性能。本發(fā)明的目的是通過以下技術(shù)方案實現(xiàn)的
一方面，本發(fā)明提供了一種用于木馬事件預(yù)測的最小二乘支持向量機(jī)的訓(xùn)練方法，包括以下步驟步驟1)將木馬事件序列Iivr2,……，Γι}中的每個值與前面的m個相隔為τ的值相關(guān)，即r1+mT =F(ri;r1+,,……，r1+(m_1)T)，其中，1為樣本總數(shù)，m和τ是小于1的正整數(shù)；步驟2)將樣本數(shù)據(jù)劃分為多個訓(xùn)練數(shù)據(jù)對(Xi，yi)，i = 1,2,……，n，其中輸入向量Xi e Rm，Rm是輸入向量的維數(shù)，輸出向量71 e R，R是輸出向量的維數(shù)，η = l-l-(m-l) τ ；步驟3)構(gòu)造最小二乘支持向量機(jī)為J(X) = Iil1fMc(Ix) + A，其中K(Xi，X)為核函數(shù)，應(yīng)滿足K(Xi，X) = exp{- Xi-X /2σ2},。為核寬度；步驟4)基于樣本數(shù)據(jù)采用遺傳算法來確定所述最小二乘向量機(jī)的參數(shù)α dPb的最優(yōu)值；根據(jù)本發(fā)明實施例的訓(xùn)練方法，其中m的取值范圍為[1，10]，τ的取值范圍為[1， 3] ο根據(jù)本發(fā)明實施例的訓(xùn)練方法，其中步驟4)包括以下步驟步驟4-1)將訓(xùn)練數(shù)據(jù)對的輸入向量代入最小二乘支持向量機(jī)來計算預(yù)測結(jié)果；步驟4- 根據(jù)預(yù)測結(jié)果與訓(xùn)練數(shù)據(jù)對的輸出向量來計算誤差；步驟4- 如果誤差大于預(yù)測精度，則使用遺傳算法來優(yōu)化參數(shù)α i和b ；步驟4-4)將經(jīng)優(yōu)化的參數(shù)代入到最小二乘支持向量機(jī)，接收下一個訓(xùn)練數(shù)據(jù)對并轉(zhuǎn)到步驟4-1)，重復(fù)執(zhí)行步驟4-1)至4-4)直至誤差小于或等于預(yù)測精度為止。根據(jù)本發(fā)明實施例的訓(xùn)練方法，其中預(yù)測精度為0. 05。根據(jù)本發(fā)明實施例的訓(xùn)練方法，步驟4-3)包括以下步驟步驟4-3-1)對參數(shù)α i、b采用進(jìn)行編碼，染色體基因位上的每一個基因都代表一個參數(shù)值，α2,…，an,b]；步驟4-3-2)設(shè)置適應(yīng)度函數(shù)為Ffit = 1/(Err+1)，其中，=雄+)]2/[ *(maX-min)2]其中，η 為訓(xùn)練數(shù)據(jù)對的總數(shù)，x(i)為期
望值，對0為預(yù)測值，max和min為η個期望值中的最大值和最小值；所述期望值為訓(xùn)練數(shù)據(jù)對的輸出向量；步驟4-3- 個體適應(yīng)度大的s個個體直接進(jìn)入下一代種群Child，剩余的(N-s) 個個體集合記作臨時種群Temp ；步驟4-3-4)將臨時種群Temp中的個體兩兩隨機(jī)配對進(jìn)行交叉，產(chǎn)生的新個體與父類個體作適應(yīng)度比較，保留較大者，操作完成后得到的種群ft~el，其中交叉概率Pc應(yīng)用 兩足
Jpc0*[1 -(/1 -7)/(Jmax-/)]/Iog2fe+1),/1 >/^ ,^&=1 ，其他情況其中g(shù)為當(dāng)前進(jìn)化代
數(shù)，fMX為Temp中個體適應(yīng)度最大的值，_7為Temp中個體的平均適應(yīng)度，/I為一對交叉?zhèn)€體中適應(yīng)度較大值；步驟4-3- 對臨時種群Temp中的個體進(jìn)行變異操作，產(chǎn)生的新個體與父類個體作適應(yīng)度比較，保留較大者，操作完成后得到種群記為ft~e2，其中變異概率Rii應(yīng)滿足
權(quán)利要求
1.一種用于木馬事件預(yù)測的最小二乘支持向量機(jī)的訓(xùn)練方法，所述方法包括步驟1)將木馬事件序列Iivr2,……，ri}中的每個值與前面的m個相隔為τ的值相關(guān)，即Γι+ωτ =F(ri;r1+,,……，IV0lri) τ)，其中，1為樣本總數(shù)，m和τ是小于1的正整數(shù)； 步驟2)將樣本數(shù)據(jù)劃分為多個訓(xùn)練數(shù)據(jù)對(Xi，yi)，i = 1,2,……，n，其中輸入向量 Xi e Rm，Rm是輸入向量的維數(shù)，輸出向量71 e R，R是輸出向量的維數(shù)，η = l-l-(m-l) τ ；步驟3)構(gòu)造最小二乘支持向量機(jī)為
2.根據(jù)權(quán)利要求1所述的訓(xùn)練方法，其中m的取值范圍為[1，10]，τ的取值范圍為[1， ο
3.根據(jù)權(quán)利要求1所述的訓(xùn)練方法，其中步驟4)包括以下步驟步驟4-1)將訓(xùn)練數(shù)據(jù)對的輸入向量代入最小二乘支持向量機(jī)來計算預(yù)測結(jié)果； 步驟4- 根據(jù)預(yù)測結(jié)果與訓(xùn)練數(shù)據(jù)對的輸出向量來計算誤差； 步驟4- 如果誤差大于預(yù)測精度，則使用遺傳算法來優(yōu)化參數(shù)α i和b ； 步驟4-4)將經(jīng)優(yōu)化的參數(shù)代入到最小二乘支持向量機(jī)，接收下一個訓(xùn)練數(shù)據(jù)對并轉(zhuǎn)到步驟4-1)，重復(fù)執(zhí)行步驟4-1)至4-4)直至誤差小于或等于預(yù)測精度為止。
4.根據(jù)權(quán)利要求3所述的訓(xùn)練方法，其中預(yù)測精度為0.05。
5.根據(jù)權(quán)利要求3所述的訓(xùn)練方法，步驟4- 包括以下步驟步驟4-3-1)對參數(shù)α i、b采用進(jìn)行編碼，染色體基因位上的每一個基因都代表一個參數(shù)值，[Q1, α 2，…，αη，b]；步驟4-3-2)設(shè)置適應(yīng)度函數(shù)為Ffit = l/(Err+l)，其中，
6.根據(jù)權(quán)利要求5所述的訓(xùn)練方法，其中，對參數(shù)α”b采用實數(shù)編碼的方式，其初始值隨機(jī)生成，取值范圍為W，l]。
7.根據(jù)權(quán)利要求5所述的訓(xùn)練方法，在步驟4-3-3)中s不超過占個體總數(shù)量的10%。
8.一種利用根據(jù)權(quán)利要求1至7之一所述的訓(xùn)練方法訓(xùn)練好的最小二乘支持向量機(jī)進(jìn)行木馬事件預(yù)測的方法，所述方法包括以對某類木馬事件發(fā)生數(shù)量的統(tǒng)計數(shù)據(jù)的序列為所述最小二乘支持向量機(jī)的輸入，所述最小二乘支持向量機(jī)的輸出為網(wǎng)絡(luò)中將要發(fā)生的該類木馬事件的數(shù)量。
全文摘要
本發(fā)明提供了用于木馬事件預(yù)測的最小二乘支持向量機(jī)的訓(xùn)練方法和預(yù)測方法。其中利用改進(jìn)的遺傳算法優(yōu)化最小二乘支持向量機(jī)的參數(shù)，利用訓(xùn)練好的最小二乘支持向量機(jī)來進(jìn)行預(yù)測。改進(jìn)的遺傳算法能夠快速收斂，且更接近全局最優(yōu)值，而且優(yōu)化后的最小二乘支持向量機(jī)能夠在提升預(yù)測準(zhǔn)確度的同時保持較好的性能，可應(yīng)用于大規(guī)模網(wǎng)絡(luò)中的木馬事件發(fā)生數(shù)量的預(yù)測。
文檔編號G06N3/12GK102456109SQ20111021792
公開日2012年5月16日 申請日期2011年8月1日 優(yōu)先權(quán)日2011年8月1日
發(fā)明者劉 東, 劉斐, 周斌, 夏榕澤, 張建鋒, 徐鏡湖, 李遠(yuǎn)征, 楊樹強(qiáng), 王雯霞, 賈焰, 鄭黎明, 韓偉紅 申請人:中國人民解放軍國防科學(xué)技術(shù)大學(xué)