论文研究-基于终身学习RBF神经网络的网络安全态势预测 .pdf

所需积分/C币:15 2019-08-15 16:49:25 620KB .PDF
78
收藏 收藏
举报

基于终身学习RBF神经网络的网络安全态势预测,许彪,李明楚,网络安全态势预测对于保障网络安全运行具有重要的作用和意义。现有的预测方法多采用批处理学习算法,无法快速构建实时的预测网络
山国武技论文在线 http://www.paper.edu.cn 矩阵。 23在线学习算法 当前神经网终学习使用较多的是批处理学习( Batch Learning)算法,即用全部训练样本 次性学习,需要训练样本一次给出,对样本选择的要求很高。相对的在线学习( Sequential learning,亦称顺序学习)算法是,训练样本顺序进入,任一时刻只有一个样本用于学习 本文采用 GGAP-RBF算法提出的隐层神经元重要性定义和估计公式2,可以合理引入隐层 神经元,为终身学习算法奠定了理论基础,也使构建合理、高效、适度规模的 RBENN成为 可能 文献[把隐层神经元k对RBFN的整体输出统计学意义上的大小,定义为隐层神经元 k的重要性,经计算得出: Winsor (k)=I wk lla DP(x)dx x,)是输入样本,x∈R";w是第k个神经元与输出节点的连接权值:‖:是向量的q 范数:m(x)是样本数据x的采样密度函数,这里取均匀分布2p(X)=s不归一化后x 的大小(x)=1,将其代入公式(:m()=v)ax 3. LFRBFNN的学习和创建 3.1隐层神经元引入准则 新的样本作为隐层神经元引入必须满足以下两个条件 d2引x;-cn‖> (8) 符号说明:c是欧儿里德意义下距离x最近的隐层神经元的中心;d是输入样木与最 近的隐层神经元的距离;-y-是输出误差;k为重叠因子,用来决定隐层神经元的宽度; E是事先给定的学习精度;δ是可调参数。 公式(⑧)保证了新样本距离现存的袢经元足够远时,才有增加隐层神经元的可能。公式(9) 则保证了新增隐层神经元的重要性大于学习精度 32径向基函数宽度自适应调整 为合理确定隐层神经元参数, Huang Guang-bin等人于2003年提出了径向基函数宽度的 自适应调整算法,计算出重叠因子 (e;+w)/-In 径向基函数宽度为 d K+1 3 山国武技论文在线 http://www.paper.edu.cn 33d的更新 为减少需要人为确定的参数数目,本文给出计算公式-max(0,1-/e)。推导如下 设网络三有隐节点K个,当一个新样本X到达时,得到新样本的重合度d=x2-l 假设将该样木定义为新的隐节点,则有:wx1=e,ck41=x,Ok1=kd1。由公式(1)可知q1(x)=1, 其网终输出: ,=f(X (12) 在不增加新隐节点的情况下,通过误差补偿试图达到冋样的学习精度c,此时网终输出: x:-cP2/o2)+ O=cd1=wkd所以,f(x)=∑ 卩2/a2)+ (13) 设在不増加隐节点的情况下,输岀仍能达到冋样的学刁精度E f(x1)-6即e(1-) 得d (14) 所以取=max(.,1-e!e) (15) 3.4;的调整 如果ε学习精度太小,由公式(9)可知会引入太多隐层神经元;反之E太大,将使最终的 预测精度下降。本文对进入预测阶段后ε的取值略作调整: (16) En为初始学习精度;为第i次实际预测的精度;n为预测次数。 35 LFRBFNN创建步骤 LFRBFNN的创建分为两个阶段,第一阶段是网终的初始化,这是为了让网络快速建立 起来;第阶段利用初始建立的神经网络进行预测,根据预测的精度及时做出调整,引入新 样本继续学习、更新网终。算法步骤如下: 选取历史数据,给定估计误差g-6,设神经元个数为k,对于输入样本 1)计算网终输出: 2)计算隐层袢经元引入准则下列各量 e:=1 计算网终输出误差 d4=max(0,1-!e,) 计算参数δ 计算 计算重叠因子x 3)应用隐层神经元引入准则判断是否增加隐层神绎元 且‖e,l(z)(k )>E /}入第K+1个隐层神经元,设置相应参数 4 山国武技论文在线 http://www.paper.edu.cn Whc+1=e: CKa+1=X: 6w'9 Else 利用EKF方法更新距离当前输入最近的隐层节点的参数 检查隐层神经元的删除准则是否满足 If Emmor(ir)=ll wi I()(o,r)<a 删除第个隐层神经元,减少EKF维数 Endif Endif 4)更新 LFRBENN。假设初始化完成时获得K个隐层神经元。设神经元个数为K>K j=1,2…K,时间单位12小时。 计算p ∥t,1时刻,预测t,时刻态势值 计算y,和c 1时刻实际态势值和精度 /将t,刻的数据作为新的学习样本 重新计算E (用公式(17)更新 If X: C Else 用EKF更新距离当前输入最近的隐层节点参数 If Emma,(ir)<a 删除此隐层神经元更新 LFRBENN Endif Endif 4.实验及结果分析 41实验参数及环境设置 根据安全态势值具有非线性时间序列的特点,在用本文提出的算法进行安全态势预测 时,可选择时间序列的前n个时刻的数据为滑动窗口,映射为m个值,这m个值代表该窗 口之后m个时刻的预测值。实验选用被很多实验采用的 Honey net Project收集的原始攻击数 据(以下简称 Honey net数据),直接采用数据集中每12个小时(000-12:00,12:0024 00)狈警次数为态势值。只体的,选取最近3天6个测试时刻的预警次数,预测下一个12 小时的态势值。在仼一时刻,仅保留之前最近的5个样木,加上最新的1个样木,始终保持 输入样本为6个且最新。所以神经网络输入向量ⅹ维数n=6输出向量Y维数m=1。为减少 计算量,令q=1,=0.01。为适合神经网络的学习,对数据做归一化处理,即将样本向量 量化到相同区间。归一化公式为:x=x-xmn。x为归一化后的值,x为原始样本数据,xa 为原始样本数据中的最大值,xm为原始样本数据中的最小值。 如图2所小为 Honey net2000年8、9月网终安全态势归一化值: 山国武技论文在线 http://www.paper.edu.cn 态势值归一化分布图 M 刻(单位:12小吋) 图2.2000年8、9月网络安全态势归一化值 Fig 2. Network Security Situation value 训练样本数K=103,即8月2口至9月22口的数据;测试样本选取9月23到9月30 的16组数据。仿貞实验使用的计算机配置:cpu为 Pentium dual-Core1.86GHz;RAM为 2048MB。采用的软件平台为Ⅴsta系统下 MATLAB76 42预测结果及分析 网络初始化后,对 Honey net数据中2009月23到9月30的样本进行测试,结果如下 实际信 一预测值 C. 图3.网络安全态势预测结果 Fig 3. Predicting Result 从图3可以看岀,利用 LFRBFNN对网络安全态勢预测较贴近实际值,态势值的变化趋 势比较明显,与实际态势变化基本吻合。 表1.预测绝对误差 Table 1. Absolute Error of Predicting 实际值0.377950385830.417320.031500062990.070870.094490.12598 预测值0.35354036299043937001575007480066140.0554041811 绝对误差00244102284002050.01575001890.00473001020.00787 山国武技论文在线 http://www.paper.edu.cn 质测绝对误差(续表) Absolute Error of Predicting(continued table) 实际0.086610.09490.00000.0000031500094490.000000.02362 值 预测0.093700.087320.010630.007870.027560.100790.004720.02756 值 绾对-0.00709000717-0.010630.007870.00394-000630-0.00472-000394 误差 根据表1和续表预测态势值的绝对误差,预测结果平均绝对误差MAE=-2|:-y 为 0006245根误差Ms-、∑|=-为002)用算法执行总的cpu时间衡量算法的 计算速度,为17.2秒 从表1和续衣可以发现绝对误差呈减小趋势,随着神经网络的不断学习与调整,预测精 度也不断提髙,这说明终身学习对于控制整网络的规模与提髙预测精度是比较有效的。 从网络管理员的角度来看,通过 LFRBENN对网络安全态势预测,不仅能快速准确判断 时刻(下个12小时)的安全态势值,还可以较为精确的预测最近一段时期的态势走向, 这样对于网络状况快速变化的大规模网络,管珒员依然可以做岀有效决策。另外,整个算法 只需给定学习精度的初始值ω,预测过程中会继续调整ε,既降低了网络对初始佰的依赖程 度,提高了系统抗干扰能力,又可以允分降低人为误差和对管理员的要求。 5.结论 本文将在线学习的思想应用到整个预测过稈,形成了终身学习算法。 LFRBE学习算法 不仅对训练杵本的要求低、训练速度较快,而且需要事先给定的参数只有一个,最大限度降 低了人为误差和对网络管理人员的要求。该算法最终建立的 LFRBFNN只有高度的实时性和 动态性,可以与大规模网络的实时状况保持冋步。综合理论分析及实验结果可以看出 LFRBENN可以较好的预测网络安全态势值 参考文献 []萧海东网络安全态势评估与趋势感知的分析硏究.博士,上海交通大学,2008 Xiao Hai-dong. Analysis of Security Situational awareness of Cyberspace. Doctor, Shanghai Jiao Tong University, 2008 2」任伟网丝安全态势评估智能化研究硕十;上海交通大学,207 Ren Wei. The Intelligent Study of Networks Security Situation Assessment. Master, Shanghai Jiao Tong University, 2007 13 Huang Guang-bin, P. Saratch, Narasimhan Sundararajan. An cfficicnt scqucntial learning algorithm for growing and pruning RBF (GAP-RBF)networks. IEEE TRANS. ON SYSTEM. MAN. AND CYBERNETICS PART B: CYBERNETICS. 2004. VOL 34. NO 6: 2284-2292 Huang Guang-bin, P. Saratch, Narasimhan Sundararajan. a generalized growing and pruning rBF (GGAP-RBF) neural network for function approximation, IEEE Trans on Neural Networks, 2005.VOL.16NO1:57-67. [5]李彬径向基函数神经网络的学习算法研究.硕土,山东人学2005 Li Bin. Research on Learning Algorithms of Radial Basis Function. Master, Shandong University, 2005 16 Wang Ying, I luang Guang-bin, P. Saratch, et aL. Self-adjustment of neuron impact width in growing and pruning RBF (GAP-RBF) neuron networks, Information, Communications and Signal Processing, 2003 and the 山国武技论文在线 http://www.paper.edu.cn Fourth Pacific Rim Conference on Multimedia. Proceedings of the 2003 joint Conference of the fourth International Conference on 2003 vol 2: 1014-1017 l」何戍伂,韩振铎,桑成等、基于扩展卡尔曼滤波器的RF神经冈丝学习算法.计算机测量与控 制,206,14(12:1682-1685 He Cheng-wei, Han Zhen-duo, Sang Cheng-wei, et al. Learning Algorithm of RBF Neural Net works Based on Extended Kalman filter. Computer Measurement Control, 2006, 14(12: 1682-1685 [8LoneyNetpRojectKnowYourEnemy:Statisticshttp://www.honeynet.org/papers/stats/,2001 The Prediction of Network Security Situation Based on Lifetime Learning RBF Neural Network ⅹ ul biao, Li mingchu Software School of Dalian University of Technology, Dalian (116620) abstract The prediction of network security situation is significant to guarantee network secure. The existing predicting methods use the batch learning algorithm, and they can't construct real-time predicting network rapidly. This paper utilizes the RBF neural network(RbFNN)which has a good approximate ability to predict the security situation. In the learning phase, we introduce the concept of Significance" for the hidden neurons. Based on the sequential learning algorithm, this paper presents the lifetime learning RBF (LFRBF) algorithm where the learning and adjusting of rbfnn run through the process of predicting. At last, the lifetime learning RBFNN (LFRBFNN)is established based on LFRBF. Experiment results show that the prediction of network security situation is more precise with updating of lfrbfnn Key words: network security; situation prediction; RBF neural network; lifetime learning algorithm 作者简介:许彪(1983-),男,硕士研究生,主要研究方向为网络安全态势分析及预测 李明楚(1963-,男,教授,博士生导师,主要研究领域:算法与复杂性NP理论,信息安 仝与密码学,图论,网格计算等。

...展开详情
试读 8P 论文研究-基于终身学习RBF神经网络的网络安全态势预测 .pdf
立即下载
限时抽奖 低至0.43元/次
身份认证后 购VIP低至7折
一个资源只可评论一次,评论内容不能少于5个字
您会向同学/朋友/同事推荐我们的CSDN下载吗?
谢谢参与!您的真实评价是我们改进的动力~
  • 至尊王者

关注 私信
上传资源赚钱or赚积分
最新推荐
论文研究-基于终身学习RBF神经网络的网络安全态势预测 .pdf 15积分/C币 立即下载
1/8
论文研究-基于终身学习RBF神经网络的网络安全态势预测 .pdf第1页
论文研究-基于终身学习RBF神经网络的网络安全态势预测 .pdf第2页

试读结束, 可继续读1页

15积分/C币 立即下载