寻优参数化的网络信息安全检测系统和方法技术方案

本发明专利技术提供了一种寻优参数化的网络信息安全检测方法，包括：参数采集模块，用于采集多个参数；参数处理模块，用于将所采集的参数进行处理；数据输出模块，用于输出附带处理属性的参数；所述参数处理模块包括第一函数单元、第二函数单元和第三函数单元，所述参数分别带入第一函数单元、第二函数单元和第三函数单元中后，根据第一函数单元、第二函数单元和第三函数单元的计算结果将输出参数附带处理属性。本发明专利技术采用采用第一函数单元、第二函数单元和第三函数单元的结合设置，解决了单一数据分析技术不能满足精准、优化、快速等的网络信息安全预测需求的问题。

【技术实现步骤摘要】

本专利技术涉及网络信息安全预测防护方面的领域，尤其涉及寻优参数化的网络信息安全检测系统和方法。
技术介绍
随着物联网、云计算、大数据等新兴科技的出现，信息和网络技术广泛地深入到社会的各个领域，金融、科技、教育、甚至是如今新兴的智能家居，网络信息无处不在。然而在互联网技术广泛应用的同时，大量的网络应用，也意味着大量的安全风险，各种网络信息安全事件层出不穷，使得计算机网络面临着严峻的信息安全形势。物联网能够把人员和物品形成网络，并通过网络空间进行远程指挥和遥控，极大的方便了人们的生活。随着设备和数据的关系变得错综复杂，物联网的应用也给我们带来了许多难以预测的安全威胁：个人隐私的暴露，像在如今兴起的智能家居中，攻击者可通过获取网络中传输的信息及操作，来分析得到我们的生活习惯及个人隐私；个人信息的窃取，攻击者通过在节点间传播信号中获取重要的敏感信息；各类安全问题层出不穷。网络信息安全的核心问题就是对系统中可能存在的威胁进行预测并在此基础上作出有针对性的防御措施。若根据历史上各已知时间监测点的特征值，能够推算出未来时间监测点的系统安全特征值，则可以依据预测的结果来发布未来环境下所需要关注的安全特性告警。由此可知，网络信息安全预测是网络信息安全防护的有力补充，帮助系统预先识别网络中可能存在的威胁，并提供给系统管理员关于审计、监视、识别和响应方面的能力。加固了信息安全系统的完整性。因此，优化设计预测模型来精准的预测网络系统安全特性值，成为各网络应用环节必不可少的一部分，具有很强的理论和现实意义。随着与网络信息安全相关的大数据的出现，将数据挖掘技术应用在网络信息安全预测防护方面也成为了网络信息安全领域的热门。预测模型的工作原理是将原始目标问题(离散时间监测点的态势值预测问题)抽象成一个连续时间序列上的回归预测问题，并利用人工智能算法来构造预测模型，从而求解该回归预测问题。目前国内外在这方面的研究主要是传统的数据分析技术的应用，代表性方法有以下几种：使用时间序列预测法；使用神经网络构造预测模型；使用马尔科夫链结合灰色理论构造预测模型；使用支持向量机作为预测模型。从已有的研究可以看出，当前网络信息安全的预测模型的研究重点在于如何利用人工智能算法构造出高精度的预测模型。但上述代表性方法均存在各自不足：时间序列预测在理论上能够有效应用于网络信息安全态势预测，但将其应用到实际网络环境中还存在一定的困难；神经网络方法本身具有易陷于局部极小点，网络收敛速度慢和容易过拟合和不适用小样本模型等难于克服的问题；马尔科夫链结合灰色理论存在建模困难，需要大量数学公式推导；支持向量机虽然和神经网络相比具有收敛速度快、抗过拟合能力强等优点，但不同的单一SVM做预测模型不仅全局性不够，而且SVM训练过程中参数选择也存在一定随意性。综上所述，SVM预测模型的设计关键在于选择适当的人工智能算法并对所选人工智能算法做参数优化，以提高预测模型准确度。综上所诉，网络信息安全性预测在信息技术快速发展过程中的作用越发的重要，而单一数据分析技术已越来越不能满足精准、优化、快速等的网络信息安全预测需求，为此，如何以综合优化的技术方式实现大数据量安全信息分析预测，将其运用于网络信息安全的预测成为目前需要重点关注的课题。
技术实现思路
本专利技术采用采用第一函数单元、第二函数单元和第三函数单元的结合设置，解决了单一数据分析技术不能满足精准、优化、快速等的网络信息安全预测需求的问题。本专利技术提供了一种寻优参数化的网络信息安全监测系统，包括：参数采集模块，用于采集多个参数；参数处理模块，用于将所采集的参数进行处理；数据输出模块，用于输出附带处理属性的参数；所述参数处理模块包括第一函数单元、第二函数单元和第三函数单元，所述参数分别带入第一函数单元、第二函数单元和第三函数单元中后，根据第一函数单元、第二函数单元和第三函数单元的计算结果将输出参数附带处理属性。进一步地，所述第一构函数单元包括径向基核函数模型和多项式核函数模型的组合函数模型：K1(x，y)＝λ1KRBF(x，y)+(1-λ1)Kpoly(x，y)；其中λi为个组合项中的权重。进一步地，所述第二构函数单元包括径向基核函数模型和sigmoid核函数模型的组合函数模型：K2(x，y)＝λ2KRBF(x，y)+(1-λ2)Ksigmoid(x，y)其中λi为个组合项中的权重。进一步地，所述第三构函数单元包括多项式核函数模型和sigmoid核函数模型的组合函数模型：K3(x，y)＝λ3KRBF(x，y)+(1-λ3)Ksigmoid(x，y)其中λi为个组合项中的权重。进一步地，所述径向基核函数模型为：K(x,y)=exp(-||x-y||2σ2);]]>所述多项式核函数模型为：K(x,y)＝((x*y)+1)d；所述sigmoid核函数模型为：K(x,y)＝tanh(αxTy+γ)；所述径向基核函数模型、多项式核函数模型和sigmoid核函数模型采用两两组合的形式进行数据分析；其中，σ,d,γ，α参数都是实常数,在实际运用中，通常要根据问题的具体情况选择合适的核函数以及相应的参数。进一步地，所述第一函数单元、第二函数单元和第三函数单元利用粒子群算法分别得出，计算过程如下：所述第一函数单元、第二函数单元和第三函数单元内分别设置有基于以下数学公式建立的数学计算模型：vidt+1=ωvidt+c1r1(pidt-xidt)+c2r2(pgdt-xidt)]]>xidt+1=xidt+rvidt+1]]>其中为粒子经过的最优位置，为种群经过的最优位置；t为迭代次数；c1和c2为学习因子；w为惯性权重；r1和r2为0-1的随机数；c1=c1fst-c1fst-c1endgmax×t]]>c2=c2fst+c2end-c2fstgmax×t]]>加速常数c1和c2，分别是粒子跟踪自己历史最优值的权重系数以及粒子跟踪群体最优的权重系数，设置线性递减的加速因子c1的起始值和结束值分别为c1fst，c1end；线性递增的加速因子c2的起始值和结束值分别为c2fst，c2end；当前代数为t，迭代的总代数为gmax；所述第一函数单元、第二函数单元和第三函数单元分别将参数代入对应的函数方程。一种优参数化得网络信息安全检测方法，包括：利用参数采集模块采集多个参数，并将参数代入参数处理模块；利用第一函数单元、第二函数单元和第三函数单元分别代入参数进行计算，并将计算后的参数附带处理属性发送至数据输出模块；利用数据输出模块将附带处理属性的参数进行输出。进一步地，利用径向基核函数模型和多项式核函数模型组合形成第一构函数单元：K1(x，y)＝λ1KRBF(x，y)+(1-λ1)Kpoly(x，y)；利用径向基核函数模型和sigmoid核函数模型组合形成第二构函数单元：K2(x，y)＝λ2KRBF(x，y)+(1-λ2)Ksiemoid(x，y)；利用多项式核函数模型和sigmoid核函数模型组合形成第三构函数单元：K3(x，y)＝λ3KRBF(x，y)+(1-λ3)Ksiemoid(x，y)；其中λi为个组合项中的权重。进一步地，利用粒子群算法将参数代入第一函数单元、第二函数单元和第三函数单元，分别得出附本文档来自技高网...

【技术保护点】
一种寻优参数化的网络信息安全监测系统，其特征在于，包括：参数采集模块，用于采集多个参数；参数处理模块，用于将所采集的参数进行处理；数据输出模块，用于输出附带处理属性的参数；所述参数处理模块包括第一函数单元、第二函数单元和第三函数单元，所述参数分别带入第一函数单元、第二函数单元和第三函数单元中后，根据第一函数单元、第二函数单元和第三函数单元的计算结果将输出参数附带处理属性。

【技术特征摘要】
1.一种寻优参数化的网络信息安全监测系统，其特征在于，包括：参数采集模块，用于采集多个参数；参数处理模块，用于将所采集的参数进行处理；数据输出模块，用于输出附带处理属性的参数；所述参数处理模块包括第一函数单元、第二函数单元和第三函数单元，所述参数分别带入第一函数单元、第二函数单元和第三函数单元中后，根据第一函数单元、第二函数单元和第三函数单元的计算结果将输出参数附带处理属性。2.根据权利要求1所述的寻优参数化的网络信息安全监测系统，其特征在于，所述第一构函数单元包括径向基核函数模型和多项式核函数模型的组合函数模型：K1(x，y)＝λ1KRBF(x，y)+(1-λ1)Kpoly(x，y)；其中λi为个组合项中的权重。3.根据权利要求1所述的寻优参数化的网络信息安全监测系统，其特征在于，所述第二构函数单元包括径向基核函数模型和sigmoid核函数模型的组合函数模型：K2(x，y)＝λ2KRBF(x，y)+(1-λ2)Ksigmoid(x，y)；其中λi为个组合项中的权重。4.根据权利要求1所述的寻优参数化的网络信息安全监测系统，其特征在于，所述第三构函数单元包括多项式核函数模型和sigmoid核函数模型的组合函数模型：K3(x，y)＝λ3KPoly(x，y)+(1-λ3)Ksigmoid(x，y)；其中λi为个组合项中的权重。5.根据权利要求4所述的寻优参数化的网络信息安全监测系统，其特征在于，所述径向基核函数模型为：K(x,y)=exp(-||x-y||2σ2);]]>所述多项式核函数模型为：K(x，y)＝((x*y)+1)d；所述sigmoid核函数模型为：K(x，y)＝tanh(axTy+γ)；所述径向基核函数模型、多项式核函数模型和sigmoid核函数模型采用两两组合的形式进行数据分析；其中，σ,d,γ，α参数都是实常数,在实际运用中，通常要根据问题的具体情况选择合适的核函数以及相应的参数。6.根据权利要求5所述的寻优参数化的网络信息安全监测系统，其特征在于，所述第一函数单元、第二函数单元和第三函数单元利用粒子群算法分别得出，计算过程如下：所述第一函数单元、第二函数单元和第三函数单元内分别设置有基于以下数学公式建立的数学计算模型：vidt+1=ωvidt+c1r1(pidt-xidt)+c2r2(pgdt-xidt)]]>xidt+1=xidt+rvidt+1]]>其中为粒子经过的最优位置，为种群经过的最优位置；t为迭代次数；c1和c2为学习因子；w为惯性权重；r1和r2为0-1的随机数；c1=c1fst+c1fst-c1endgmax×t]]>c2=c2fst+c2end-c2fstgmax&...

【专利技术属性】
技术研发人员：谷晓琪，
申请(专利权)人：北京同余科技有限公司，
类型：发明
国别省市：北京;11