CN106411896B - 基于apde-rbf神经网络的网络安全态势预测方法 - Google Patents
基于apde-rbf神经网络的网络安全态势预测方法 Download PDFInfo
- Publication number
- CN106411896B CN106411896B CN201610871705.XA CN201610871705A CN106411896B CN 106411896 B CN106411896 B CN 106411896B CN 201610871705 A CN201610871705 A CN 201610871705A CN 106411896 B CN106411896 B CN 106411896B
- Authority
- CN
- China
- Prior art keywords
- individual
- degree
- population
- indicate
- matrix
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Active
Links
Classifications
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04L—TRANSMISSION OF DIGITAL INFORMATION, e.g. TELEGRAPHIC COMMUNICATION
- H04L41/00—Arrangements for maintenance, administration or management of data switching networks, e.g. of packet switching networks
- H04L41/14—Network analysis or design
- H04L41/147—Network analysis or design for predicting network behaviour
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/0418—Architecture, e.g. interconnection topology using chaos or fractal principles
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04L—TRANSMISSION OF DIGITAL INFORMATION, e.g. TELEGRAPHIC COMMUNICATION
- H04L63/00—Network architectures or network communication protocols for network security
- H04L63/20—Network architectures or network communication protocols for network security for managing network security; network security policies in general
Landscapes
- Engineering & Computer Science (AREA)
- Computer Security & Cryptography (AREA)
- Theoretical Computer Science (AREA)
- Computing Systems (AREA)
- General Engineering & Computer Science (AREA)
- Computer Networks & Wireless Communication (AREA)
- Signal Processing (AREA)
- Physics & Mathematics (AREA)
- Artificial Intelligence (AREA)
- Evolutionary Computation (AREA)
- Health & Medical Sciences (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- Data Mining & Analysis (AREA)
- Life Sciences & Earth Sciences (AREA)
- General Health & Medical Sciences (AREA)
- Molecular Biology (AREA)
- General Physics & Mathematics (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Computer Hardware Design (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明属于网络安全技术领域,特别涉及一种基于吸引子传播差分进化算法的径向基函数APDE‑RBF神经网络的网络安全态势预测方法,包括利用AP聚类算法对样本数据进行划分聚类,从而获得径向基函数RBF的中心和网络的隐含层节点数;利用AP聚类得出种群差异度,自适应地改变DE算法的缩放因子和交叉概率,对RBF的宽度和连接权值进行优化;同时为了避免陷入局部最优以及跳出局部极值点,对每一代种群的精英个体和种群差异度中心进行混沌搜索;确定最终RBF网络模型,输入测试数据集,输出态势预测值;本发明旨在增强泛化能力的同时,提高对网络安全态势的预测精度。
Description
技术领域
本发明属于网络安全技术领域,特别涉及一种基于吸引子传播差分进化算法的径向基函数(Affinity Propagation Differential evolution-Radial Basis Function,简称APDE-RBF)神经网络的网络安全态势预测方法。
背景技术
根据2015年1月中国互联网信息中心发布的《第35次中国互联网发展状况报告》显示,截止2014年12月底,我国总体网民中有46.3%的网民遭遇过网络安全问题,表明我国个人互联网使用的安全状况不容乐观。随着网络安全问题日益突出与严重,一些传统的安全防御技术已力不从心,为解决上述问题,网络安全态势感知的研究应运而生。
网络安全态势预测主要是在网络受到攻击损失前网络管理员采取相对应的措施,根据当前和以往的网络安全态势值,建立合理的数学模型对未来一段时间的网络安全状态进行预测。由于网络攻击是随机和不确定的,所以对态势值的预测是一个复杂的非线性过程。
目前研究人员提出了很多预测的方法,如统计方法、灰色预测方法、神经网络方法、马尔科夫模型、支持向量机等,但上述方法都存在各自的局限性与不足。
统计方法较为常用的模型有:自回归模型、滑动平均模型和自回归滑动平均模型,然而这些模型存在以下局限性:时间序列的数据要求平稳,如果是多元回归,还要求变量之间是独立的;灰色预测方法适用单调变化的时间序列,对于波动较大的时间序列难以预测;1987年,Lapdes等人首先将神经网络应用于由计算机产生的时间序列仿真数据的学习和预测,但神经网络存在收敛速度慢、结构选择困难和容易陷入局部极小等问题,同时由于该方法受网络结构复杂度和样本复杂度的影响较大,因而会出现过学习或泛化能力低的现象;马尔科夫模型需要大量复杂的数学公式推导,难以建立准确的预测模型;支持向量机(Support Vector Machine,简称SVM)对大规模训练样本难以实施,收敛速度慢。
发明内容
针对上述现有技术的不足,本发明提出一种基于APDE-RBF神经网络的网络安全态势预测方法,旨在增强泛化能力的同时,提高对网络安全态势的预测精度。
为实现上述目的,本发明提出的一种基于APDE-RBF神经网络的网络安全态势预测方法,其特征在于,该预测方法包括以下步骤:
步骤1:利用吸引力传播(Affinity Propagation,简称AP)聚类算法对样本数据进行划分聚类,从而获得RBF的中心和网络的隐含层节点数;
步骤2:利用AP聚类得出种群差异度,自适应地改变差分进化(Differentialevolution,简称DE)算法的缩放因子和交叉概率,对RBF的宽度和连接权值进行优化;
步骤3:为了避免陷入局部最优以及跳出局部极值点,对每一代种群的精英个体和种群差异度中心进行混沌搜索;
步骤4:确定最终RBF网络模型,输入测试数据集,输出态势预测值。
优选地,所述步骤1进一步包括以下步骤:
步骤11:利用欧氏距离计算输入节点之间的相似度矩阵S为:S(i,k)=-||xi-xk||2,其中xi和xk表示RBF神经网络任意两个输入节点,S(i,k)表示点xk作为点xi的聚类中心的相似度;
步骤12:初始化吸引度矩阵R和归属度矩阵A为R(i,k)=0,A(i,k)=0,其中R(i,k)表示点xk适合作为数据点xi的聚类中心的程度,A(i,k)表示点xi选择点xk作为其聚类中心的适合程度;
步骤13:确定偏向参数其中N表示输入节点的数量,median函数表示一组数值中居于中间的数值;
步骤14:根据下述公式计算吸引度矩阵R和归属度矩阵A:
其中p(k)表示数据点xk作为聚类中心的参考度,R(k,k)表示数据点xk适合作为自己的聚类中心的程度,A(k,k')表示数据点xk选择数据点xk'作为其聚类中心的程度,S(k,k')表示数据点xk和数据点xk'的相似程度;从上述公式可看出当p(k)较大时其对应的R(k,k)也会较大,进而A(i,k)取值也会较大,从而类代表k作为最终聚类中心的可能性较大;相应地,当越多的p(k)较大时,越多的类代表倾向于成为最终的聚类中心,因此,增大或者减小p(k)可以增加或减少AP输出的聚类数目;
步骤15:更新吸引度矩阵R和归属度矩阵A的公式为:
R(i,k)=λ*R(i,k)old+(1-λ)*R(i,k)new
A(i,k)=λ*A(i,k)old+(1-λ)*A(i,k)new
上述更新公式表示每次迭代时,新的吸引度矩阵R(i,k)new和归属度矩阵A(i,k)new要分别与上一次的R(i,k)old和A(i,k)old进行加权更新,得到该次迭代的吸引度矩阵和归属度矩阵,其中λ表示更新因子;
步骤16:如果满足以下条件之一:①选择的类中心保持稳定,②超过最大迭代次数,则转至步骤17,否则转步骤14;
步骤17,输出聚类结果。
优选地,所述步骤2进一步包括以下步骤:
步骤21:执行初始化,过程如下:
σi=σmin+rand(0,1)*(σmax-σmin)
wi=rand(0,1)
其中σi为RBF神经网络基函数宽度,σmax表示所有样本数据点中两个最远数据点的距离宽度,其计算公式为:σmin表示所有样本数据点中两个最近数据点的距离宽度,其计算公式为:wi表示隐含层到输出层连接权值,rand(0,1)表示(0,1)间均匀分布的随机数;
步骤22:执行变异过程,将第g+1代种群中变异个体Vi(g+1)建模为第g代种群中三个个体的函数:
Vi(g+1)=Xr1(g)+F*(Xr2(g)-Xr3(g))
i≠r1≠r2≠r3
其中Xi(g)是第g代种群中第i个个体,即Xr1(g)、Xr2(g)和Xr3(g)分别表示第g代种群中第r1个、第r2个以及第r3个个体,F为缩放因子;
步骤23:执行交叉过程,产生第g+1代第i个第j维新个体uij(g+1)的公式为:
其中vij(g+1)表示第g代种群第i个第j维个体进行变异操作后的个体,xij(g)表示第g代种群第i个第j维个体,rand是(0,1)间均匀分布的随机数,jrand是[1,n]间的随机整数,CR表示交叉概率;上述公式含义为当随机变量rand小于交叉概率CR或者个体中元素对应序数j等于随机变量jrand,即采用变异个体中的元素作为新个体,旨在提高个体变异的可能性;否则,仍保持目标个体xij(g)不变;
步骤24:执行选择过程,如下:
其中Ui(g+1)是候选个体,Xi(g)是对应个体,f(·)是个体的适应度函数,此处使用均方误差(mean square error,简称MSE)作为适应度函数。
进一步,所述步骤22中对缩放因子F进行动态调整的公式为:
其中Fmax和Fmin分别表示缩放因子的上下界,PD(g)是第g代中的种群差异度,且种群差异度表示对种群空间中所有个体进行聚类所得到的聚类个数,当种群差异度越大时,个体在种群空间中分布越均匀,求得全局最优解可能性越大;τ1为迭代阈值,gmax为最大迭代次数。
进一步,所述步骤23中的使交叉概率CR可自适应调整的公式为:
其中CRmin和CRmax分别表示交叉概率的上下界,τ2为设置的迭代阈值。
优选地,所述步骤3中混沌搜索具体实现为:首先建模一维Logistic映射混沌模型,其表达式为:Zt+1=μZt(1-Zt),其中μ是控制参数,是一个随机生成的D维向量,t表示混沌迭代次数;
其次,建模种群中最优个体和差异度中心迭代更新公式:
其中Xi表示种群的最优个体或者差异度中心,表示混沌搜索后的新个体,α表示混沌调节参数,r是[0,1]间的随机数。
本发明的有益效果在于:采用本发明提出的AP聚类算法得出种群差异度,并自适应地改变DE算法的缩放因子和交叉概率,不仅优化了RBF的宽度和连接权值,而且对每一代种群的精英个体和种群差异度中心均进行混沌搜索,避免了陷入局部最优,不但能够增强泛化能力,而且能够提高预测精度。
附图说明
图1是本发明提供的基于APDE-RBF神经网络网络安全态势预测方法的优选实施例流程图;
图2是不同算法态势值预测对比仿真图;
图3是不同算法的不同误差对比仿真图;
图4是不同改进DE算法预测对比仿真图;
图5是不同改进DE算法的不同误差对比仿真图。
具体实施方式
为使本发明的目的、技术方案和优点更加清楚明白,下面结合附图对本发明的具体实施方式作进一步详细说明。
图1是本发明提供的基于APDE-RBF神经网络的网络安全态势预测方法的优选实施例流程图,该方法具体包括以下步骤:
步骤1:利用AP聚类算法对样本数据进行划分聚类,从而获得RBF的中心和网络的隐含层节点数;
步骤2:利用AP聚类得出种群差异度,自适应地改变DE算法的缩放因子和交叉概率,对径向基函数RBF的宽度和连接权值进行优化;
步骤3:为了避免陷入局部最优以及跳出局部极值点,对每一代种群的精英个体和种群差异度中心进行混沌搜索;
步骤4:确定最终RBF网络模型,输入测试数据集,输出态势预测值。
根据本发明,所述步骤1中进一步包括以下步骤:
步骤11:利用欧氏距离计算输入节点之间的相似度矩阵S为:S(i,k)=-||xi-xk||2,其中xi和xk表示RBF神经网络任意两个输入节点,S(i,k)表示点xk作为点xi的聚类中心的相似度;
步骤12:初始化吸引度矩阵R和归属度矩阵A为R(i,k)=0,A(i,k)=0,其中R(i,k)表示点xk适合作为数据点xi的聚类中心的程度,A(i,k)表示点xi选择点xk作为其聚类中心的适合程度;
步骤13:确定偏向参数pk表示各样本数据点被选作聚类中心的可能性,是相似矩阵S对角线上元素的取值,k=1,…,N,N表示输入节点的数量,median函数表示一组数值中居于中间的数值;
步骤14:根据下述公式计算吸引度矩阵R和归属度矩阵A:
其中p(k)表示数据点xk作为聚类中心的参考度,R(k,k)表示数据点xk适合作为自己的聚类中心的程度,A(k,k')表示数据点xk选择数据点xk'作为其聚类中心的程度,S(k,k')表示数据点xk和数据点xk'的相似程度;从上述公式可看出当p(k)较大时其对应的R(k,k)也会较大,进而A(i,k)取值也会较大,从而类代表k作为最终聚类中心的可能性较大;相应地,当越多的p(k)较大时,越多的类代表倾向于成为最终的聚类中心,因此,增大或者减小p(k)可以增加或减少AP输出的聚类数目;
步骤15:更新吸引度矩阵R和归属度矩阵A的公式为:
R(i,k)=λ*R(i,k)old+(1-λ)*R(i,k)new
A(i,k)=λ*A(i,k)old+(1-λ)*A(i,k)new
上述更新公式表示每次迭代时,新的吸引度矩阵R(i,k)new和归属度矩阵A(i,k)new要分别与上一次的R(i,k)old和A(i,k)old进行加权更新,得到该次迭代的吸引度矩阵和归属度矩阵,其中λ表示更新因子;
步骤16:如果满足以下条件之一:①选择的类中心保持稳定,②超过最大迭代次数,则转至步骤17,否则转步骤14;
步骤17,输出聚类结果。
根据本发明,所述步骤2中进一步包括以下步骤:
步骤21:执行初始化,过程如下:
σi=σmin+rand(0,1)*(σmax-σmin)
wi=rand(0,1)
其中σi为RBF神经网络基函数宽度,σmax表示所有样本数据点中两个最远数据点的距离宽度,其计算公式为:σmin表示所有样本数据点中两个最近数据点的距离宽度,其计算公式为:ci、cj表示任意两个不同的隐含层节点,wi表示隐含层到输出层连接权值,rand(0,1)表示(0,1)间均匀分布的随机数;
步骤22:执行变异过程,将第g+1代种群中变异个体Vi(g+1)建模为第g代种群中三个个体的函数:
Vi(g+1)=Xr1(g)+F*(Xr2(g)-Xr3(g))i≠r1≠r2≠r3
其中Xr1(g)、Xr2(g)和Xr3(g)分别表示第g代种群中第r1个、第r2个以及第r3个个体,F为缩放因子;
步骤23:执行交叉过程,产生新个体uij(g+1)的公式如下所示:
其中vij(g+1)表示第g代种群第i个第j维个体进行变异操作后的个体,xij(g)表示第g代种群第i个第j维个体,rand是(0,1)间均匀分布的随机数,jrand是[1,n]间的随机整数,CR表示交叉概率;上述公式含义为当随机变量rand小于交叉概率CR或者个体中元素对应序数j等于随机变量jrand,即采用变异个体中的元素作为新个体,旨在提高个体变异的可能性;否则,仍保持目标个体xij(g)不变;
步骤24:执行选择过程,具体如下:
其中Ui(g+1)是候选个体,Xi(g)是对应个体,f(·)是个体的适应度函数,此处使用均方误差(mean square error,简称MSE)作为适应度函数。
根据本发明,所述步骤22中的对F进行动态调整的公式为:
其中Fmax和Fmin分别表示缩放因子的上下界,PD(g)是第g代中的种群差异度,且种群差异度表示对种群空间中所有个体进行聚类所得到的聚类个数,当种群差异度越大时,个体在种群空间中分布越均匀,求得全局最优解可能性越大;τ1为设置的迭代阈值,gmax为最大迭代次数。
根据本发明,进一步,所述步骤23中的使交叉概率CR可自适应调整的公式为:
其中CRmin和CRmax是交叉概率的上下界,τ2是设置的迭代阈值。
根据本发明,进一步,所述步骤3中混沌搜索具体实现为:首先建模一维Logistic映射混沌模型,其表达式为:Zt+1=μZt(1-Zt)该式是数学意义上的迭代公式,其值是一个随机生成的D维向量,其中,μ是控制参数,t表示混沌迭代次数;
其次,建模种群中最优个体和差异度中心迭代更新公式:
其中Xi表示种群的最优个体或者差异度中心,表示混沌搜索后的新个体,α表示混沌调节参数,r是[0,1]间的随机数。
为说明本发明的有益效果,根据仿真结果进行进一步分析。
图2描述了基于不同算法得到的网络安全态势值。从图2可以看出,自回归滑动平均模型(Auto-Regressive and Moving Average Model,简称ARMA)主要针对随机平稳的时间序列,但是因为网络攻击的随机性和复杂性,网络安全态势序列是非平稳的;灰色模型(Grey Model,简称GM)对于单调变化的时间序列预测效果好,反之误差大;最小二乘支持向量机(Least Squares Support Vector Machines,简称LSSVM)的支持向量变成了所有数据点,失去了SVM的稀疏性特点;Kmeans-RBF需要预先设定隐含层节点,忽略了数据本身的特点,弱化了RBF的泛化能力,然而,以真实值作为衡量标准,相比于上述方法出现的不同程度的误差和缺陷,本发明提出的APDE-RBF神经网络模型预测精度最高。
图3显示了不同算法的不同误差对比,从图3可以看出不论是平均相对误差、均方根误差还是相对均方误差,APDE-RBF神经网络模型都保持在较小的误差水平,体现了较高的预测精度。
图4显示不同改进DE算法在不同时间点的网络安全态势值。DE算法是固定的F和CR,易陷入局部最优;简化的差分进化版本(Simplified Differential EvolutionVersion,简称SDE)算法的F采用简单的随机数;基于全体参数和变异策略的差分进化算法(Differential evolution algorithm with ensemble of parameters and mutationstrategies,简称EPSDE)算法利用变异策略池和参数池随机组合进行迭代进化;自适应差分进化(Self-Adaptive Differential Evolution,简称jDE)算法的F和CR依赖随机数判别从而得到不同的结果;基于复合试验向量生成策略和控制参数的差分进化(EvolutionWith Composite Trial Vector Generation Strategies and Control Parameters,简称CoDE)算法是利用三种不同的变异策略和参数设置竞争耦合进行迭代进化。上述方法虽然对DE算法的变异策略和参数设置进行自适应改进,但是大多都是随机数或依赖随机数进行判别选取,导致进化不稳定。进一步,从图中可以看出,以真实值作为衡量标准,相比于上述算法,APDE算法总体上维持了较低的绝对误差,其原因在于APDE-RBF神经网络模型依赖种群差异度和迭代进化程度对F和CR进行自适应调整,使种群向有利方向进化,加快了算法的收敛速度。
图5是不同算法的不同误差对比,从图5可以看出不论是平均相对误差、均方根误差还是相对均方误差,本发明提出的APDE-RBF神经网络模型都保持在较小的误差水平,体现了较高的预测精度。
本发明所举实施方式或者实施例对本发明的目的、技术方案和优点进行了进一步的详细说明,所应理解的是,以上所举实施方式或者实施例仅为本发明的优选实施方式而已,并不用以限制本发明,凡在本发明的精神和原则之内对本发明所作的任何修改、等同替换、改进等,均应包含在本发明的保护范围之内。
Claims (5)
1.一种基于吸引子传播差分进化算法的径向基函数APDE-RBF神经网络的网络安全态势预测方法,其特征在于,该方法包括以下步骤:
步骤1:利用吸引力传播AP聚类算法对样本数据进行划分聚类,从而获得径向基函数RBF的中心和网络的隐含层节点数;
步骤2:利用AP聚类得出种群差异度,自适应地改变差分进化DE算法的缩放因子和交叉概率,对RBF的宽度和连接权值进行优化;
步骤3:为了避免陷入局部最优以及跳出局部极值点,对每一代种群的精英个体和种群差异度中心进行混沌搜索;
步骤4:确定最终RBF网络模型,输入测试数据集,输出态势预测值;
所述步骤2中进一步包括以下步骤:
步骤21:执行初始化,过程如下:
σi=σmin+rand(0,1)*(σmax-σmin)
wi=rand(0,1)
其中σi为RBF神经网络基函数宽度,σmax表示所有样本数据点中两个最远数据点的距离宽度,其计算公式为:σmin表示所有样本数据点中两个最近数据点的距离宽度,其计算公式为:ci、cj表示任意两个不同的隐含层节点,wi表示隐含层到输出层连接权值,rand(0,1)表示(0,1)间均匀分布的随机数;
步骤22:执行变异过程,将第g+1代种群中变异个体Vi(g+1)建模为第g代种群中三个个体的函数:
Vi(g+1)=Xr1(g)+F*(Xr2(g)-Xr3(g))
i≠r1≠r2≠r3
其中Xi(g)是第g代种群中第i个个体,即Xr1(g)、Xr2(g)和Xr3(g)分别表示第g代种群中第r1个、第r2个以及第r3个个体,F为缩放因子;
步骤23:执行交叉过程,产生第g+1代第i个第j维新个体uij(g+1)的公式为:
其中vij(g+1)表示第g代种群第i个第j维个体进行变异操作后的个体,xij(g)表示第g代种群第i个第j维个体,rand是(0,1)间均匀分布的随机数,jrand是[1,n]间的随机整数,CR表示交叉概率;上述公式含义为:当随机变量rand小于交叉概率CR或者个体中元素对应序数j等于随机变量jrand,则采用变异个体中的元素作为新个体,旨在提高个体变异的可能性;否则,仍保持目标个体xij(g)不变;
步骤24:执行选择过程,如下:
其中Ui(g+1)是候选个体,Xi(g)是对应个体,f(·)是个体的适应度函数,此处使用均方误差作为适应度函数。
2.根据权利要求1所述的基于APDE-RBF神经网络的网络安全态势预测方法,其特征在于,所述步骤1进一步包括以下步骤:
步骤11:利用欧氏距离计算输入节点之间的相似度矩阵S为:S(i,k)=-||xi-xk||2,其中xi和xk表示RBF神经网络任意两个输入节点,S(i,k)表示点xk作为点xi的聚类中心的相似度,其值储存于相似矩阵S中;
步骤12:初始化吸引度矩阵R和归属度矩阵A为R(i,k)=0,A(i,k)=0,其中R(i,k)表示点xk适合作为数据点xi的聚类中心的程度,A(i,k)表示点xi选择点xk作为其聚类中心的适合程度;
步骤13:确定偏向参数pk表示各样本数据点被选作聚类中心的可能性,是相似矩阵S对角线上元素的取值,k=1,…,N,N表示输入节点的数量,median函数表示取一组数值中居于中间的数值;
步骤14:根据下述公式计算吸引度矩阵R和归属度矩阵A:
其中p(k)表示数据点xk作为聚类中心的参考度,R(k,k)表示数据点xk适合作为自己的聚类中心的程度,A(k,k')表示数据点xk选择数据点xk'作为其聚类中心的程度,S(k,k')表示数据点xk和数据点xk'的相似程度;
步骤15:更新吸引度矩阵R和归属度矩阵A的公式为:
R(i,k)=λ*R(i,k)old+(1-λ)*R(i,k)new
A(i,k)=λ*A(i,k)old+(1-λ)*A(i,k)new
上述更新公式表示每次迭代时,新的吸引度矩阵R(i,k)new和归属度矩阵A(i,k)new要分别与上一次的吸引度矩阵R(i,k)old和归属度矩阵A(i,k)old进行加权更新,得到该次迭代的吸引度矩阵和归属度矩阵,其中λ表示更新因子;
步骤16:如果满足以下条件之一:①选择的类中心保持稳定,②超过最大迭代次数,则转至步骤17,否则转至步骤14;
步骤17,输出聚类结果。
3.根据权利要求1所述的基于APDE-RBF神经网络的网络安全态势预测方法,其特征在于,所述步骤22中对缩放因子F进行动态调整的公式为:
其中Fmax和Fmin分别表示缩放因子的上下界,PD(g)是第g代中的种群差异度,且种群差异度表示对种群空间中所有个体进行聚类所得到的聚类个数,当种群差异度越大时,个体在种群空间中分布越均匀,求得全局最优解可能性越大;τ1为设置的迭代阈值,gmax为最大迭代次数。
4.根据权利要求1所述的基于APDE-RBF神经网络的网络安全态势预测方法,其特征在于,所述步骤23中的使交叉概率CR可自适应调整的公式为:
其中CRmin和CRmax分别表示交叉概率的上下界,τ2为设置的迭代阈值,gmax为最大迭代次数。
5.根据权利要求1所述的基于APDE-RBF神经网络的网络安全态势预测方法,其特征在于,所述步骤3中混沌搜索具体为:首先建模一维Logistic映射混沌模型,其表达式为:Zt+1=μZt(1-Zt),其中,Zt是一个D维向量,μ是控制参数,t表示混沌迭代次数;其次,建模种群中最优个体和差异度中心迭代更新公式:
其中Xi表示种群的最优个体或者差异度中心,表示混沌搜索后的新个体,α表示混沌调节参数,r是[0,1]间的随机数。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201610871705.XA CN106411896B (zh) | 2016-09-30 | 2016-09-30 | 基于apde-rbf神经网络的网络安全态势预测方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201610871705.XA CN106411896B (zh) | 2016-09-30 | 2016-09-30 | 基于apde-rbf神经网络的网络安全态势预测方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN106411896A CN106411896A (zh) | 2017-02-15 |
CN106411896B true CN106411896B (zh) | 2019-04-23 |
Family
ID=59229451
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201610871705.XA Active CN106411896B (zh) | 2016-09-30 | 2016-09-30 | 基于apde-rbf神经网络的网络安全态势预测方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN106411896B (zh) |
Families Citing this family (18)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107222333A (zh) * | 2017-05-11 | 2017-09-29 | 中国民航大学 | 一种基于bp神经网络的网络节点安全态势评估方法 |
CN107194524B (zh) * | 2017-07-28 | 2020-05-22 | 合肥工业大学 | 一种基于rbf神经网络的煤与瓦斯突出预测方法 |
CN108009241B (zh) * | 2017-11-30 | 2021-12-07 | 瞳见科技有限公司 | 一种基于pso参数优化的工业物联网安全聚合关联方法 |
CN108594793A (zh) * | 2018-04-17 | 2018-09-28 | 电子科技大学 | 一种改进的rbf飞控***故障诊断网络训练方法 |
CN108548846A (zh) * | 2018-06-21 | 2018-09-18 | 电子科技大学 | 基于热图像ap聚类的承压设备亚表面缺陷提取方法 |
CN108881250B (zh) * | 2018-06-28 | 2020-07-07 | 广东电网有限责任公司 | 电力通信网络安全态势预测方法、装置、设备及存储介质 |
CN109040027B (zh) * | 2018-07-12 | 2020-08-18 | 北京理工大学 | 基于灰色模型的网络脆弱性节点的主动预测方法 |
CN109117872A (zh) * | 2018-07-24 | 2019-01-01 | 贵州电网有限责任公司信息中心 | 一种基于自动最优聚类算法的用户用电行为分析方法 |
CN109102062B (zh) * | 2018-08-15 | 2020-03-13 | 桂林电子科技大学 | 基于Petri网与混沌差分萤火虫算法的3D NoC测试规划方法 |
CN109543914B (zh) * | 2018-11-29 | 2023-02-28 | 北京化工大学 | 基于ap聚类算法的rbf建筑运行能耗的预测方法 |
CN110362558B (zh) * | 2019-06-12 | 2022-12-16 | 广东工业大学 | 一种基于邻域传播聚类的能耗数据清洗方法 |
CN110474904B (zh) * | 2019-08-16 | 2022-04-12 | 武汉思普崚技术有限公司 | 一种改进预测的态势感知方法和*** |
CN111783988B (zh) * | 2020-06-16 | 2024-03-26 | 长江大学 | 求解环境经济调度问题的多目标灰色预测演化方法及*** |
CN112509017B (zh) * | 2020-11-18 | 2024-06-28 | 西北工业大学 | 一种基于可学习差分算法的遥感影像变化检测方法 |
CN113191917B (zh) * | 2021-03-09 | 2023-04-07 | 中国大唐集团科学技术研究院有限公司 | 一种基于径向基函数算法的电厂工控***网络安全威胁分类方法 |
CN113141272B (zh) * | 2021-04-20 | 2022-03-15 | 浙江大学 | 基于迭代优化rbf神经网络的网络安全态势分析方法 |
CN114155390B (zh) * | 2021-12-02 | 2022-05-06 | 北京中科智易科技有限公司 | 对分类对象的元数据进行分类的聚类设备 |
CN116843368B (zh) * | 2023-07-17 | 2024-01-26 | 杭州火奴数据科技有限公司 | 基于arma模型的营销数据处理方法 |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101975092A (zh) * | 2010-11-05 | 2011-02-16 | 中北大学 | 基于径向基函数神经网络集成的矿井瓦斯浓度中短期实时预测方法 |
CN104978857A (zh) * | 2015-05-26 | 2015-10-14 | 重庆邮电大学 | 一种基于混沌理论的交通状态预测方法及其装置 |
CN105678380A (zh) * | 2016-01-08 | 2016-06-15 | 浙江工业大学 | 一种基于小生境和自适应负相关学习的进化神经网络集成方法 |
Family Cites Families (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US9813343B2 (en) * | 2013-12-03 | 2017-11-07 | Akamai Technologies, Inc. | Virtual private network (VPN)-as-a-service with load-balanced tunnel endpoints |
-
2016
- 2016-09-30 CN CN201610871705.XA patent/CN106411896B/zh active Active
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101975092A (zh) * | 2010-11-05 | 2011-02-16 | 中北大学 | 基于径向基函数神经网络集成的矿井瓦斯浓度中短期实时预测方法 |
CN104978857A (zh) * | 2015-05-26 | 2015-10-14 | 重庆邮电大学 | 一种基于混沌理论的交通状态预测方法及其装置 |
CN105678380A (zh) * | 2016-01-08 | 2016-06-15 | 浙江工业大学 | 一种基于小生境和自适应负相关学习的进化神经网络集成方法 |
Also Published As
Publication number | Publication date |
---|---|
CN106411896A (zh) | 2017-02-15 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN106411896B (zh) | 基于apde-rbf神经网络的网络安全态势预测方法 | |
Ergezer et al. | Oppositional biogeography-based optimization | |
CN106327240A (zh) | 一种基于gru神经网络的推荐方法和*** | |
CN106228245B (zh) | 基于变分推断和张量神经网络的知识库补全方法 | |
CN111416797B (zh) | 改进天牛群算法优化正则化极限学习机的入侵检测方法 | |
CN113190688B (zh) | 基于逻辑推理和图卷积的复杂网络链接预测方法及*** | |
CN109523021A (zh) | 一种基于长短时记忆网络的动态网络结构预测方法 | |
CN108322541A (zh) | 一种自适应的分布式体系架构 | |
Donate et al. | Evolutionary optimization of sparsely connected and time-lagged neural networks for time series forecasting | |
CN103116324A (zh) | 基于指标预测和在线学习的微电子生产线调度方法 | |
CN110619082A (zh) | 一种基于重复搜索机制的项目推荐方法 | |
CN110751183A (zh) | 影像数据分类模型的生成方法、影像数据分类方法及装置 | |
Ma et al. | Discrete and continuous optimization based on hierarchical artificial bee colony optimizer | |
Rad et al. | GP-RVM: Genetic programing-based symbolic regression using relevance vector machine | |
CN115169555A (zh) | 一种基于深度强化学习的边攻击网络瓦解方法 | |
CN101893852A (zh) | 一种复杂工业过程的多目标建模方法 | |
CN107704944B (zh) | 一种基于信息论学习的股市波动区间预测模型的构建方法 | |
CN111412795B (zh) | 测试点设置方案生成方法及装置 | |
CN117217287A (zh) | 面向分层强化学习的多元子策略生成模型的训练方法 | |
Singhal et al. | Greedy Shapley Client Selection for Communication-Efficient Federated Learning | |
Putri et al. | A deep-genetic algorithm (deep-GA) approach for high-dimensional nonlinear parabolic partial differential equations | |
CN112132259B (zh) | 神经网络模型输入参量降维方法及计算机可读存储介质 | |
CN109241134A (zh) | 一种基于代理模型的商品组合模式多目标挖掘方法 | |
Drugan et al. | Generalized adaptive pursuit algorithm for genetic Pareto local search algorithms | |
Jin et al. | Evolutionary algorithms |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
C06 | Publication | ||
PB01 | Publication | ||
C10 | Entry into substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant |