本發(fā)明涉及網(wǎng)絡(luò)安全態(tài)勢(shì)感知技術(shù)，具體是一種基于線性門控未來預(yù)測(cè)網(wǎng)絡(luò)(lineargatedfuture?predictionnetwork,lfg-net)的工業(yè)物聯(lián)網(wǎng)網(wǎng)絡(luò)安全態(tài)勢(shì)預(yù)測(cè)方案。

背景技術(shù)：

1、現(xiàn)如今，隨著大量物聯(lián)網(wǎng)設(shè)備連接到互聯(lián)網(wǎng)，各種網(wǎng)絡(luò)安全挑戰(zhàn)也隨之浮出水面。隨著網(wǎng)絡(luò)技術(shù)的不斷發(fā)展，網(wǎng)絡(luò)攻擊的性質(zhì)和頻率也發(fā)生了變化。一旦工業(yè)互聯(lián)網(wǎng)環(huán)境受到網(wǎng)絡(luò)攻擊，可能會(huì)造成嚴(yán)重的經(jīng)濟(jì)損失。然而，傳統(tǒng)的網(wǎng)絡(luò)安全防御系統(tǒng)，如入侵檢測(cè)系統(tǒng)，在應(yīng)對(duì)復(fù)雜的新興網(wǎng)絡(luò)攻擊時(shí)已逐漸失效。因此，人們迫切需要先進(jìn)的技術(shù)來應(yīng)對(duì)這些網(wǎng)絡(luò)安全挑戰(zhàn)。網(wǎng)絡(luò)安全態(tài)勢(shì)預(yù)測(cè)通過預(yù)測(cè)未來的安全狀況，決策者可以全面評(píng)估潛在風(fēng)險(xiǎn)。而機(jī)器學(xué)習(xí)和深度學(xué)習(xí)技術(shù)的突飛猛進(jìn)給多個(gè)領(lǐng)域帶來了革命性的變化，安全領(lǐng)域也受到了影響。使用深度學(xué)習(xí)進(jìn)行網(wǎng)絡(luò)安全態(tài)勢(shì)預(yù)測(cè)取得了不錯(cuò)的成效。但據(jù)我們所知，一些深度學(xué)習(xí)方案存在明顯缺陷。例如，卷積神經(jīng)網(wǎng)絡(luò)的感知范圍有限，難以準(zhǔn)確識(shí)別每個(gè)數(shù)據(jù)特征的重要性。同時(shí)，循環(huán)神經(jīng)網(wǎng)絡(luò)及其變體依賴于門來控制信息流，而相互沖突的門會(huì)導(dǎo)致性能下降。為此，提出一種新方法解決了當(dāng)前深度學(xué)習(xí)模型的局限性，為工業(yè)物聯(lián)網(wǎng)網(wǎng)絡(luò)安全中的態(tài)勢(shì)預(yù)測(cè)提供了有效而準(zhǔn)確的解決方案是一個(gè)重要的研究方向。

2、網(wǎng)絡(luò)安全態(tài)勢(shì)預(yù)測(cè)可以整合分析歷史信息和當(dāng)前的整體網(wǎng)絡(luò)環(huán)境，從而預(yù)測(cè)未來的網(wǎng)絡(luò)安全趨勢(shì)，并為網(wǎng)絡(luò)管理員提供建議，以降低網(wǎng)絡(luò)威脅帶來的風(fēng)險(xiǎn)。這使得網(wǎng)絡(luò)安全態(tài)勢(shì)預(yù)測(cè)成為網(wǎng)絡(luò)安全領(lǐng)域的一個(gè)重要研究課題。wang等提出了一種新的網(wǎng)絡(luò)安全態(tài)勢(shì)評(píng)估和預(yù)測(cè)方法，通過優(yōu)化rbf神經(jīng)網(wǎng)絡(luò)來提高網(wǎng)絡(luò)安全態(tài)勢(shì)評(píng)估和預(yù)測(cè)的準(zhǔn)確性，并在仿真實(shí)驗(yàn)中驗(yàn)證了其有效性。cheng等人提出了一種證據(jù)推理算法和信念規(guī)則庫方法來建立評(píng)估模型，通過融合專家知識(shí)和優(yōu)化模型參數(shù)來提高工業(yè)互聯(lián)網(wǎng)系統(tǒng)的風(fēng)險(xiǎn)監(jiān)測(cè)和應(yīng)急響應(yīng)能力。針對(duì)現(xiàn)有網(wǎng)絡(luò)安全態(tài)勢(shì)要素抽取方法的不足，zhao等人對(duì)網(wǎng)絡(luò)安全態(tài)勢(shì)要素抽取算法進(jìn)行了全面研究。他們引入了一種基于模糊粗糙集和組合分類器的新型態(tài)勢(shì)元素提取模型，為理解和預(yù)測(cè)態(tài)勢(shì)提供了更可靠的數(shù)據(jù)庫。針對(duì)物聯(lián)網(wǎng)網(wǎng)絡(luò)安全態(tài)勢(shì)預(yù)測(cè)準(zhǔn)確率較低的問題，yang等提出了結(jié)合加權(quán)馬爾科夫鏈的自適應(yīng)物聯(lián)網(wǎng)網(wǎng)絡(luò)安全態(tài)勢(shì)預(yù)測(cè)模型，有效提高了網(wǎng)絡(luò)安全態(tài)勢(shì)預(yù)測(cè)的準(zhǔn)確率和擬合性能。但這些方法過度依賴大量數(shù)學(xué)計(jì)算，導(dǎo)致網(wǎng)絡(luò)安全態(tài)勢(shì)預(yù)測(cè)效率低下。

3、深度學(xué)習(xí)在網(wǎng)絡(luò)安全領(lǐng)域的應(yīng)用日益廣泛，并被學(xué)術(shù)界和工業(yè)界廣泛采用。yao等人開發(fā)了一種網(wǎng)絡(luò)安全態(tài)勢(shì)預(yù)測(cè)模型，該模型集成了改進(jìn)的時(shí)序卷積網(wǎng)絡(luò)和雙向長(zhǎng)短期記憶網(wǎng)絡(luò)。imrana等人提出了一種基于雙向長(zhǎng)短期記憶的入侵檢測(cè)系統(tǒng)，用于預(yù)測(cè)網(wǎng)絡(luò)流量攻擊。針對(duì)傳統(tǒng)網(wǎng)絡(luò)評(píng)估方法的性能局限性，yang等人構(gòu)建了基于深度自動(dòng)編碼器和深度神經(jīng)網(wǎng)絡(luò)架構(gòu)的模型，旨在提高評(píng)估的準(zhǔn)確性。yang等人提出了一個(gè)名為gresnest的模型，該模型結(jié)合了全局上下文塊和resnest的優(yōu)點(diǎn)，以提高nssp的性能。針對(duì)現(xiàn)有模型在準(zhǔn)確識(shí)別特征重要性和解決復(fù)雜網(wǎng)絡(luò)安全問題方面的挑戰(zhàn)，zhao等人提出了一種將resnext與efficientchannelattention模塊和contexttransformation模塊相結(jié)合的模型，實(shí)驗(yàn)結(jié)果表明這種方法顯著提高了準(zhǔn)確性。盡管現(xiàn)有的深度學(xué)習(xí)模型能夠處理物聯(lián)網(wǎng)應(yīng)用中的大量異構(gòu)數(shù)據(jù)，但它們往往無法從多個(gè)角度充分解讀數(shù)據(jù)之間的內(nèi)在聯(lián)系，從而經(jīng)常導(dǎo)致性能不達(dá)標(biāo)。

技術(shù)實(shí)現(xiàn)思路

1、本發(fā)明提出了一種基于lgf-net的新型網(wǎng)絡(luò)安全態(tài)勢(shì)預(yù)測(cè)方法。具體來說，該模型整合了u-net和resnet的優(yōu)勢(shì)，顯著提高了網(wǎng)絡(luò)安全態(tài)勢(shì)預(yù)測(cè)的性能。lgf-net模型在兩個(gè)關(guān)鍵方面增強(qiáng)了傳統(tǒng)的深度學(xué)習(xí)網(wǎng)絡(luò)：首先，它通過多層次結(jié)構(gòu)有效捕捉了時(shí)間序列中固有的相關(guān)性；其次，它引入了信息補(bǔ)償機(jī)制，大大減少了學(xué)習(xí)過程中的信息損失。這些改進(jìn)大大增強(qiáng)了模型捕捉要素間相關(guān)性的能力，使其能夠利用多層次歷史數(shù)據(jù)準(zhǔn)確預(yù)測(cè)未來的網(wǎng)絡(luò)安全狀況。

2、本發(fā)明的目的是通過以下技術(shù)方案實(shí)現(xiàn)的：

3、步驟1、在初始化階段，工業(yè)物聯(lián)網(wǎng)設(shè)備在參與工業(yè)生產(chǎn)環(huán)境時(shí)會(huì)產(chǎn)生大量網(wǎng)絡(luò)流量數(shù)據(jù)，因此可以準(zhǔn)確收集過程中產(chǎn)生的數(shù)據(jù)；

4、步驟2、在數(shù)據(jù)預(yù)處理階段，將公開數(shù)據(jù)集的數(shù)據(jù)采用標(biāo)準(zhǔn)化、歸一化和熱向量編碼處理形成構(gòu)建工業(yè)物聯(lián)網(wǎng)網(wǎng)絡(luò)安全態(tài)勢(shì)感知的訓(xùn)練數(shù)據(jù)集與測(cè)試數(shù)據(jù)集；

5、步驟3、在數(shù)據(jù)評(píng)估階段，將預(yù)處理好的數(shù)據(jù)集使用我們提出的一套基于工業(yè)物聯(lián)網(wǎng)態(tài)勢(shì)評(píng)估體系獲得數(shù)據(jù)工業(yè)互聯(lián)網(wǎng)態(tài)勢(shì)值；

6、步驟4、獲得檢測(cè)結(jié)果，將輸入步驟3處理好的lgf-net模型，獲得訓(xùn)練好的模型；

7、步驟5、將檢測(cè)結(jié)果與真實(shí)值進(jìn)行比較，采用平均絕對(duì)誤差(meanabsolute?error,mae)、平均平方誤差(mean?square?error,mse)和均方根對(duì)數(shù)誤差(root?mean?squaredlogerror,rmsle)作為評(píng)價(jià)指標(biāo)，驗(yàn)證lgf-net模型性能；

8、步驟6、在結(jié)果展示層，系統(tǒng)將前幾個(gè)階段訓(xùn)練的lgf-net模型應(yīng)用于真實(shí)的物聯(lián)網(wǎng)環(huán)境，并將結(jié)果可視化，使物聯(lián)網(wǎng)安全管理員能夠及時(shí)了解潛在的網(wǎng)絡(luò)攻擊。這一功能有助于管理員提前掌握必要信息，從而有效部署防御措施，加強(qiáng)網(wǎng)絡(luò)安全保護(hù)。

技術(shù)特征：

1.一種基于線性門控未來預(yù)測(cè)網(wǎng)絡(luò)(linear?gated?future?prediction?network,lfg-net)的工業(yè)物聯(lián)網(wǎng)網(wǎng)絡(luò)安全態(tài)勢(shì)預(yù)測(cè)方案，其特征在于，所述技術(shù)包括：

2.一種基于lfg-net的工業(yè)物聯(lián)網(wǎng)網(wǎng)絡(luò)安全態(tài)勢(shì)預(yù)測(cè)方案，其特征在于，所述步驟3的過程具體為：將步驟2處理好的訓(xùn)練數(shù)據(jù)集輸入的工業(yè)物聯(lián)網(wǎng)網(wǎng)絡(luò)安全態(tài)勢(shì)評(píng)估體系中用于建模，獲得評(píng)估好的數(shù)據(jù)集，我們提出的深度學(xué)習(xí)框架旨在通過結(jié)合lgf-net設(shè)計(jì)網(wǎng)絡(luò)安全態(tài)勢(shì)預(yù)測(cè)(network?security?situation?prediction,nssp)模型來檢測(cè)物聯(lián)網(wǎng)中的網(wǎng)絡(luò)攻擊。nssp的結(jié)果由攻擊影響和攻擊概率決定。

3.根據(jù)權(quán)利要求1所述一種基于lfg-net的工業(yè)物聯(lián)網(wǎng)網(wǎng)絡(luò)安全態(tài)勢(shì)預(yù)測(cè)方案，其特征在于，所述步驟4的過程具體為：

4.根據(jù)權(quán)利要求1所述一種基于lfg-net的工業(yè)物聯(lián)網(wǎng)網(wǎng)絡(luò)安全態(tài)勢(shì)預(yù)測(cè)方案，其特征在于，所述步驟5的過程具體為：

技術(shù)總結(jié)
本發(fā)明屬于工業(yè)物聯(lián)網(wǎng)、深度學(xué)習(xí)與網(wǎng)絡(luò)態(tài)勢(shì)預(yù)測(cè)交叉領(lǐng)域，提出了一種能夠主動(dòng)且有效預(yù)測(cè)工業(yè)物聯(lián)網(wǎng)環(huán)境中惡意流量的創(chuàng)新方案。該方案提出了一種基于線性門控未來預(yù)測(cè)網(wǎng)絡(luò)(LGF?Net)的新型網(wǎng)絡(luò)態(tài)勢(shì)預(yù)測(cè)方法。具體而言，該模型融合了U?Net和ResNet的優(yōu)勢(shì)，顯著提升了網(wǎng)絡(luò)態(tài)勢(shì)預(yù)測(cè)的性能。LGF?Net模型在兩個(gè)關(guān)鍵方面加強(qiáng)了傳統(tǒng)的深度學(xué)習(xí)網(wǎng)絡(luò)：首先，它通過多層次結(jié)構(gòu)有效捕捉了時(shí)間序列中的內(nèi)在相關(guān)性；其次，它引入了信息補(bǔ)償機(jī)制，極大地減少了學(xué)習(xí)過程中的信息損失。這些改進(jìn)大幅增強(qiáng)了模型捕捉要素間相關(guān)性的能力，使其能夠利用多層次歷史數(shù)據(jù)準(zhǔn)確預(yù)測(cè)未來的網(wǎng)絡(luò)安全狀況。此外，該研究還通過理論復(fù)雜性分析評(píng)估了所提方法的計(jì)算效率。最后，大量實(shí)驗(yàn)結(jié)果表明，與現(xiàn)有方法相比，該方法在多個(gè)性能指標(biāo)上都具有顯著優(yōu)勢(shì)。

技術(shù)研發(fā)人員：楊昌松,藍(lán)穎聰,柳悅玲,丁勇,梁海,王碩
受保護(hù)的技術(shù)使用者：桂林電子科技大學(xué)
技術(shù)研發(fā)日：
技術(shù)公布日：2024/12/19