没有合适的资源?快使用搜索试试~ 我知道了~
_基于差分WGAN的网络安全态势预测1
需积分: 0 0 下载量 50 浏览量
2022-08-03
16:47:14
上传
评论
收藏 1.01MB PDF 举报
温馨提示
试读
5页
摘要文中提出了一种基于差分WGAN(Wasserstein-GAN)的网络安全态势预测机制,该机制利用生成对抗网络(Generative Adversarial
资源详情
资源评论
资源推荐
第
46
卷
第
11A
期
2019
年
11
月
计 算 机 科 学
COMPUTER
SCIENCE
Vol.46No.11A
Nov.2019
王婷婷
(
1993-
),
女
,
硕士生
,
主要研究方向为网络安全态势感知
,
E
-
mail
:
1879213049
@
163.com
;
朱
江
(
1977-
),
男
,
博 士
,
教 授
,
主 要 研 究
方向为认知无线电
。
基于差分
WGAN
的网络安全态势预测
王婷婷
朱
江
(
重庆邮电大学通信与信息工程学院
重庆
400065
)
摘
要
文中提出了一种基于差分
WGAN
(
Wasserstein
-
GAN
)
的网络安全态势预测机制
,
该机制利用生成对抗网络
(
Generative
Adversarial
Network
,
GAN
)
来模拟态势的发展过程
,
从时间维度实现态势预测
。
为了解决
GAN
具有的
网络难以训练
、
colla
p
se
mode
及梯度不稳定的问题
,
提出了利用
Wasserstein
距离作为
GAN
的损失函数
,
并采用在损
失函数中添加差分项的方法来提高态势值的分类精度
,
同时还证明了差分
WGAN
网络的稳定度
。
实验结果与分析
表明
,
该机制相比其他机制而言
,
在收敛性
、
预测精度和复杂度方面具有优势
。
关键词
态势感知
,
态势预测
,
生成对抗网络
,
差分
,
Wasserstein
-
GAN
中图法分类号
TN918.1
文献标识码
A
Network
Securit
y
Situation
Forecast
Based
on
Differential
WGAN
WGAN
Tin
g
-
tin
g
ZHU
Jian
g
(
School
of
Communication
and
Information
En
g
ineerin
g
,
Chon
gq
in
g
Universit
y
of
Post
and
Telecommunications
,
Chon
gq
in
g
400065
,
China
)
Abstract
A
network
securit
y
p
osture
p
rediction
mechanism
based
on
differential
WGAN
(
Wasserstein
-
GAN
)
is
p
res
-
ented
in
this
p
a
p
er.This
mechanism
uses
Generative
adversarial
network
(
GAN
)
to
simulate
the
develo
p
ment
p
rocess
of
the
situation
,
and
realizes
the
situation
forecast
from
the
time
Dimension.In
order
to
solve
the
p
roblem
of
difficult
net
-
work
trainin
g
,
colla
p
se
mode
and
g
radient
instabilit
y
of
GAN
,
this
p
a
p
er
p
ut
forward
the
method
b
y
usin
g
Wasserstein
distance
as
the
loss
function
of
GAN
and
addin
g
the
difference
term
in
the
loss
function
,
to
im
p
rove
the
classification
p
recision
of
the
situation
value.The
stabilit
y
of
the
differential
WGAN
network
was
also
p
roved.Ex
p
erimental
and
anal
y
sis
results
show
that
this
mechanism
has
advanta
g
es
over
other
mechanisms
in
terms
of
conver
g
ence
,
accurac
y
and
com
p
lexit
y
.
Ke
y
words
Situational
awareness
,
Situation
forecast
,
Generative
adversarial
network
,
Difference
,
Wasserstein
-
GAN
1
引言
现今
,
全球的网络空间遭遇了巨大的安全挑战
,
国家型黑
客攻击事件频发
、
针对关键基础设施与物联网的攻击不断
、
勒
索软件盛行
、
数据泄露严重等
。
未来的网络安全将会如何发
展
,
如何能准确预测网络安全态势是未来的研究重点
。
网络
安全态势预测是网络安全态势感知
(
Network
Securit
y
Situa
-
tion
Awareness
,
NSSA
)
[
1
]
的最终目的
。
在网络安全领域
,
态势预测已成为热点
。
网络安全态势
预测就是根据一段时间内的网络安全数据即态势评估得到的
态势值
,
运用专家知识及数据挖掘等理论方法分析预测未来
时间的网络态势可能的发展趋势
,
使安全管理员能够在可能
的安全攻击前做好准备
。
随着机器学习算法的不断发展
,
网
络安全态势预测主要是基于
D
-
S
证 据 理 论
[
2
]
、
支 持 向 量 机
(
Su
pp
ort
Vector
Machine
,
SVM
)
[
3
]
、
深度信念网络
(
Dee
p
Be
-
lief
Network
,
DBN
)
[
4
]
等理论的预测 方 法
。
虽然这些方法也
取得了一定的效果
,
但仍需要不断地完善
。
随着机器 学 习 的
不断进步和人工智能的不断发展
,
许多专家尝试着在新的领
域预测网络安全态势
,
机器学习在近几年是大家研究的重点
对象
,
在图像分类
、
可视化等方面效果卓著
,
在网络安 全 方 面
还需要不断地探索和创新
。
随着机器学习研究的不断深入
,
生成对抗网络
[
5
]
是基于
可微生成网络的另一种生成式
,
训练
GAN
需要达到纳什均
衡
[
6
]
,
训练
GAN
模型是不稳定的
。
在
GAN
模型的基础上也
做了很多改进
,
如
DCGAN
[
7
]
依靠的是对判别器和生成器的
架构进行实验枚举
,
最终找到一组较好的网络架构设置
,
但实
际上这种方法没有彻底解决问题
,
而
Wasserstein
-
GAN
(
WGAN
)
[
8
]
得到了很好的效果
。
本文将
WGAN
运用到网络
安全中
,
并在损失函数中添加差分项
,
提出 了 一种基 于差 分
WGAN
的态势预测方法
。
该方法充分考虑了不同态势要素
的依赖关系
,
利用态势要素时间维度上的关联性对未来的网
络安全态势要素进行预测
,
更客观地反映了历史网络安全态
势对未来态势的影响
。
2
基于差分
WGAN
的态势预测方法
2.1
差分
WGAN
流程图
生成式可以通过真实数据的本质特征来刻画样本的数据
分布特征
,
生成与训练样本相似的新数据
。
GAN
是由
Good
-
fellow
等于
2014
年提出的一种生成模型
,
不同于传统的生成
模型
,
其在网络结构上除了生成网络
,
还包含一个判别网络
。
无声远望
- 粉丝: 52
- 资源: 298
上传资源 快速赚钱
- 我的内容管理 展开
- 我的资源 快来上传第一个资源
- 我的收益 登录查看自己的收益
- 我的积分 登录查看自己的积分
- 我的C币 登录后查看C币余额
- 我的收藏
- 我的下载
- 下载帮助
安全验证
文档复制为VIP权益,开通VIP直接复制
信息提交成功
评论0