基于概率神经网络的网络安全态势分析与预测系统

《Journal of Cyber Security and Mobility》:Network Security Situation Analysis and Forecasting System Based on Probability Neural Network

【字体: 大 中 小 】 时间:2026年03月27日 来源:Journal of Cyber Security and Mobility CS2.9

编辑推荐:

  网络安全态势分析与预测系统通过遗传算法优化概率神经网络(PNN)的平滑参数和特征权重实现评估,结合GRU的自注意力机制提升时间序列建模能力完成预测。在CIC-IoMT-2024数据集上实验显示评估准确率96.78%,预测误差低(MAE<0.0241),优于SVM-PCA等模型,验证了系统在网络安全态势评估与预测中的高精度、稳定性和泛化能力。

  

摘要:

本文提出了一种网络安全态势分析与预测系统,旨在解决当前技术在不确定性测量、多源数据融合和长序列依赖性建模方面的局限性。该系统利用遗传算法优化概率神经网络(Probabilistic Neural Network, PNN)的平滑参数和特征权重,以完成态势评估;同时采用自注意力机制(self-attention mechanism)增强门控循环单元(Gated Recurrent Unit, GRU)的时间建模能力,从而实现态势预测。实验在CIC-IoMT-2024基准数据集上进行,该数据集包含多种攻击类型,如DDoS攻击、暴力攻击和命令注入攻击,并与多种先进算法进行了对比。实验结果表明,该系统在评估任务中的准确率为96.78%,检测率为95.02%,误报率为3.81%;在预测任务中,平均绝对误差(mean absolute error)低于0.0241,均方根误差(root mean square error)低于0.0603,变异系数(coefficient of variation)低于0.085。与集成主成分分析(principal component analysis)的支持向量机(support vector machine)等先进模型相比,所提出的集成系统在评估准确性和预测误差等核心指标上取得了显著提升。这些结果表明,该系统在评估和预测方面均保持了高精度、高稳定性和强大的泛化能力,为当前网络安全态势技术的局限性提供了有效的解决方案。更重要的是,该工作在统一框架下架起了高精度实时评估与可靠主动预测之间的桥梁。其对不断演变的网络威胁的精准预警能力为构建更智能、自主的主动防御系统提供了实际途径,这对于保护物联网(IoT)和5G时代的关键基础设施至关重要。

1 引言

随着数字化转型的加速,云计算、物联网(Internet of Things, IoT)和5G等新兴技术正在深刻重塑网络空间的架构和边界[1]。这些技术导致网络数据规模呈指数级增长,使得数据源和格式高度异构,显著增加了跨域安全信息融合的复杂性[2]。与此同时,网络攻击技术也在不断进化,呈现出跨域协作、动态规避和持续渗透等新特征[3]。传统的基于签名匹配和规则推理的安全防御系统通常缺乏针对高级持续性威胁(advanced persistent threats)的足够预警能力,因此迫切需要高效、准确的网络安全态势分析与预测方法来支持网络管理员的决策并实现主动防御[4]。网络安全态势描述了网络的整体安全状况,通常通过综合计算攻击严重性和频率等多维指标来量化为一个单一的态势值[5]。然而,传统的网络安全态势分析与预测依赖于历史态势值的准确性,并且在各种网络安全因素的相关性和权重存在偏差。概率神经网络(PNN)具有快速训练速度和高分类准确率,能够有效处理网络安全中的固有不确定性,为网络安全态势评估提供了新的解决方案[6][7];同时,门控循环单元(GRU)凭借其门控机制能够有效捕捉时间序列中的长期依赖性,并构建预测网络安全态势所需的时间模型[8]。

相关新闻
生物通微信公众号
微信
新浪微博

热点排行

    今日动态 | 人才市场 | 新技术专栏 | 中国科学人 | 云展台 | BioHot | 云讲堂直播 | 会展中心 | 特价专栏 | 技术快讯 | 免费试用

    版权所有 生物通

    Copyright© eBiotrade.com, All Rights Reserved

    联系信箱:

    粤ICP备09063491号