_基于差分WGAN的网络安全态势预测1
需积分: 0 50 浏览量
2022-08-03
16:47:14
上传
评论
收藏 1.01MB PDF 举报
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
评论0