一种深度学习的网络安全态势评估方法-2021.02.17

一种深度学习的网络安全态势评估方法 认领
Method for assessment of network security situation with deep learning
在线阅读 下载PDF收藏分享导出
摘要由于传统的网络安全态势评估方法依赖于人工的标注和评估,在面对大量数据时,存在效率低、灵活性差等问题。针对这些问题,提出一种深度学习的网络安全态势评估方法。首先,建立深度自编码模型,对网络中受到的各种攻击进行识别;然后,为了提高模型对拥有少量训练样本的类型的检测率,设计了欠过采样加权算法;最后进行模型测试并计算攻击概率,确定每种攻击的影响得分并计算网络安全态势值。实验结果表明,提出的深度自编码模型的准确率和召回率都优于对比的模型,这使得评估结果更加准确有效。
The traditional methods for assessment of network security situation rely on manual label and evaluation.When faced with a large amount of data,there appearsome problems such as low efficiency and poor flexibility.First,we propose a Deep Autoencoder-Deep Neural Network(DAEDNN)model to identify all kinds of attacks on the network.Then,the Under-Over Sampling Weighted(UOSW)algorithm is designed to improve the detection rate of the model on categories with a few training samples.Finally,we conduct model testing and calculate the attack probability.Besides,we determine the impact score of each type of attack and calculate the network security situation value.Experimental results show that the precision and recall of the proposed model are better than those of the compared models,and that the proposed model has a better performance in accuracy and efficiency.
作者杨宏宇 曾仁韵
YANG Hongyu;ZENG Renyun(School of Computer Science and Technology,Civil Aviation University of China,Tianjin 300300,China)
机构地区中国民航大学计算机科学与技术学院
出处《西安电子科技大学学报》 EI CAS 北大核心 2021年第1期183-190,共8页
Journal of Xidian University
基金国家自然科学基金民航联合研究项目(U1833107)。
关键词网络安全态势评估 网络攻击 深度学习 深度自编码器 数据重采样
network security situation assessment network attacks deep learning deep autoencoder data resampling
分类号TP309 [自动化与计算机技术—计算机系统结构]
相关文献
1姚丽影.计算机网络技术在电子信息工程中的应用[J].IT经理世界,2019,22(7):43-43.
2李康.多模态特征融合的网络安全态势评估[J].电子科技,2020,33(12):28-31.
3杨剑波,杨曦.测定土壤有机质影响因素的探讨[J].质量安全与检验检测,2020,30(6):83-84.
4吴雷钊.北极地缘政治和安全态势及我国参与的北极治理[J].世界知识,2021(1):22-23.
5何春蓉,朱江.基于注意力机制的GRU神经网络安全态势预测方法[J].系统工程与电子技术,2021,43(1):258-266.
6黄莉婷,焦伟利,龙腾飞.2018年山东省GF-1 WFV相对辐射归一化数据集[J].中国科学数据:中英文网络版,2020,5(4):33-42.
7孟东霞,李玉鑑.利用自然最近邻的不平衡数据过采样方法[J].计算机工程与应用,2021,57(2):91-96.
8尹光花,陈雪荣.基于攻防博弈模型的网络威胁态势评估方法[J].信息与电脑,2020,32(22):22-23.
9陈忠伟,樊怡昕,胡汉宁,魏艳红,胡康洪,叶啟发.慢性乙型肝炎相关原发性肝癌的生物标志物:新的发现和未来之路[J].湖北大学学报:自然科学版,2021,43(1):33-40.
10吴孟礼,陈跃斌,吴海锋,李敏,孙祥晟.抵御SSDF攻击的维纳滤波器检测算法研究[J].计算机工程,2020,46(11):187-193.