CN112926739B - 一种基于神经网络模型的网络对抗效能评估方法 - Google Patents
一种基于神经网络模型的网络对抗效能评估方法 Download PDFInfo
- Publication number
- CN112926739B CN112926739B CN202110265382.0A CN202110265382A CN112926739B CN 112926739 B CN112926739 B CN 112926739B CN 202110265382 A CN202110265382 A CN 202110265382A CN 112926739 B CN112926739 B CN 112926739B
- Authority
- CN
- China
- Prior art keywords
- layer
- neural network
- network
- countermeasure
- effectiveness
- 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
- 238000011156 evaluation Methods 0.000 title claims abstract description 32
- 238000003062 neural network model Methods 0.000 title claims abstract description 16
- 238000013528 artificial neural network Methods 0.000 claims abstract description 68
- 238000013210 evaluation model Methods 0.000 claims abstract description 44
- 238000012549 training Methods 0.000 claims abstract description 39
- 241000544061 Cuculus canorus Species 0.000 claims abstract description 21
- 230000008485 antagonism Effects 0.000 claims abstract description 16
- 238000010276 construction Methods 0.000 claims abstract description 13
- 238000000034 method Methods 0.000 claims description 22
- 210000002569 neuron Anatomy 0.000 claims description 17
- 235000005770 birds nest Nutrition 0.000 claims description 9
- 235000005765 wild carrot Nutrition 0.000 claims description 9
- 230000007123 defense Effects 0.000 claims description 7
- 238000005457 optimization Methods 0.000 claims description 6
- 230000008859 change Effects 0.000 claims description 5
- 238000000354 decomposition reaction Methods 0.000 claims description 5
- 238000007781 pre-processing Methods 0.000 claims description 5
- 244000000626 Daucus carota Species 0.000 claims description 4
- 230000000694 effects Effects 0.000 claims description 3
- 238000005516 engineering process Methods 0.000 claims description 2
- 238000009825 accumulation Methods 0.000 abstract description 2
- 238000013473 artificial intelligence Methods 0.000 abstract description 2
- 230000006870 function Effects 0.000 description 30
- 230000008569 process Effects 0.000 description 3
- 238000012545 processing Methods 0.000 description 3
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 238000003012 network analysis Methods 0.000 description 2
- 238000010606 normalization Methods 0.000 description 2
- 230000002776 aggregation Effects 0.000 description 1
- 238000004220 aggregation Methods 0.000 description 1
- 238000004458 analytical method Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 238000011478 gradient descent method Methods 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 238000005259 measurement Methods 0.000 description 1
- 230000001537 neural effect Effects 0.000 description 1
- 238000005295 random walk Methods 0.000 description 1
Classifications
-
- 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
- G06N3/08—Learning methods
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- General Health & Medical Sciences (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Evolutionary Computation (AREA)
- Artificial Intelligence (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Health & Medical Sciences (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明涉及一种基于神经网络模型的网络对抗效能评估方法,涉及网络安全技术领域。本发明构建两级神经网络对抗效能评估模型,避免梳理指标体系内部错综复杂的关系,具有很强的自学习、自组织和适应能力,通过训练样本即能不断动态的学习和训练模型。通过历史样本的积累,对抗效能评估模型将具备更高的准确性。在神经网络的学习中,采用人工智能算法‑布谷鸟算法寻找最优权重,全局搜索能力强、选用参数少、收敛速度极快,使得对抗效能评估模型的构建具备更高的效率性。
Description
技术领域
本发明涉及网络安全技术领域,具体涉及一种基于神经网络模型的网络对抗效能评估方法。
背景技术
随着信息化战争的不断演化变革,网络对抗作为一种新型的作战力量在现代战场中发挥着越来越大的作用。网络对抗是作战双方针对可利用的计算机网络环境,以信息***中的各元素为主要作战对象,以先进的信息技术为基本手段,达到瓦解、破坏敌方信息***及保护己方信息***的目的。对网络空间对抗效能进行全面、合理、有效评估,有助于我方针对薄弱环节进行改进,提升我方网络空间整体作战能力。
现阶段,针对网络空间对抗效能评估的方法主要有社会网络分析、复杂网络、层次分析法、人工神经网络方法等。运用社会网络分析法构建网络空间对抗效能评估指标体系,能够得出各指标重要程度排序,但无法计算各指标对评估目标的影响权重值;运用复杂网络理论提出网络化指标体系框架,能够分析基础指标与能力效果间的聚合关系,但无法定量得到最终的评估结果;运用层次分析法评估网络空间对抗效能,当指标过多时,数据统计量大,且权重难以计算;运用人工神经网络方法构建评估模型时,通常采用梯度下降法去修正权重系数,这种方法在学习过程中收敛速度较慢,且在训练过程中容易陷入局部最优。
发明内容
(一)要解决的技术问题
本发明要解决的技术问题是:如何设计一种构建网络空间对抗效能评估模型的方法,使得模型构建更加快速、精准。
(二)技术方案
为了解决上述技术问题,本发明提供了一种基于神经网络模型的网络对抗效能评估方法,包括以下步骤:
步骤1.通过将网络对抗综合效能指标进行多层次分解,构建二级神经网络对抗效能评估模型;
步骤2.基于布谷鸟算法对二级神经网络对抗效能评估模型进行训练。
优选地,步骤1具体包括:
(1)构建网络对抗效能评估指标体系
将网络对抗效能进行分层操作,分为综合效能层、能力要素层和指标要素层,形成网络对抗效能评估指标体系框架,最上一层为综合效能层,即网络对抗综合效能;中间一层为能力要素层,即网络对抗综合效能的主要能力分解;最下一层为指标要素层,即评判网络对抗综合效能各能力所依赖的各指标;
(2)构建二级神经网络效能评估模型框架
将所述网络对抗效能评估指标体系框架转化为二级神经网络对抗效能评估模型,其中每一级神经网络都包含输入层、隐含层、输出层三层;每个神经元都有一个输入连接和输出连接,每一个连接都有权重;第一级神经网络的输入层对应指标要素层,输出层对应能力要素层;第二级神经网络的输入层对应能力要素层,输出层对应综合效能层。
优选地,所述构建二级神经网络效能评估模型框架的步骤具体包括:
(21)第一级神经网络对抗效能评估模型框架的构建
第一级神经网络的输入层对应效能评估的指标要素层,输入层向量定义为x1,x2,...,xM,隐含层向量定义为h1,h2,...,hL,其中aij即为连接输入层神经元xi和隐含层神经元hj之间的权重系数,i=1,...,M,j=1,...,L,M、L为正整数,输出函数定义为/>其中j=1,...,L,则输出层向量其中i=1,...,M,j=1,...,L,k=1,...,N,N为正整数,bjk为第一级神经网络模型里隐含层到输出层的权重;
(22)第二级神经网络对抗效能评估模型框架的构建
第二级神经网络的输入层对应效能评估的能力要素层,输入层向量定义为y1,y2,...,yN,隐含层向量定义为g1,g2,...,gP,其中ckr即为连接输入层神经元yk和隐含层神经元gr之间的权重系数,k=1,...,N,r=1,...,P,P为正整数,输出函数定义为/>其中r=1,...,P,则输出层向量其中k=1,...,N,r=1,...,P,dr是第二级神经网络模型里隐含层到输出层的权重。
优选地,步骤2具体包括:
(1)将原始样本预处理
原始样本需要经过预处理后可作为训练样本使用,使用线性变化法对原始样本行归一化处理;
(2)布谷鸟算法优化训练
初始化目标函数、鸟窝位置、最小误差;在神经网络对抗效能评估模型中输入预处理后得到的训练样本,运用布谷鸟算法去寻找最优鸟巢位置,利用布谷鸟算法的莱维飞行,优化迭代产生新的权重,当实际输出值与预期值的绝对误差小于设定的最小误差时,即结束训练,保留当前最优权重,获得最优对抗效能评估模型,最优位置即为对抗效能评估模型的最优权重。
优选地,所述采用线性变化法对原始样本做归一化处理具体为:设指标要素层原始样本为x′,当指标值越大,对抗效能越好时,归一化后的训练样本x′min,x′max分别是x′里的最小、最大值,当指标值越大,对抗效能越差时,归一化后的训练样本设能力要素层原始样本为y′,当指标值越大,对抗效能越好时,归一化后的训练样本/>y′min、y′max分别是y′里的最小、最大值,当指标值越大,对抗效能越差时,归一化后的训练样本/>设综合效能层原始样本为E′,归一化后的训练样本为/>E′min、E′max分别是E′里的最小、最大值。
优选地,所述布谷鸟算法优化训练的具体步骤如下:
1)初始化目标函数
其中E为第二级神经网络的实际输出,Ed为综合效能层的预期值,yk为第一级神经网络实际输出,为能力要素层的预期值,初始化抛弃概率P,P∈[0,1];
初始化n个鸟窝的位置:
ωs (0)=[a(0) 11,a(0) 12,..,a(0) ML,b(0) 11,b(0) 12,..,b(0) LN,..,c(0) 11,c(0) 12,..,c(0) NP,d(0) 1,d(0) 2,..,d(0) P]T,s=1,...,n;
2)计算每个鸟窝位置的目标函数值,选择当前目标函数最优的鸟巢;
3)保留上一代目标函数最优的鸟巢位置,并利用莱维飞行式对鸟窝的位置进行更新;
布谷鸟鸟窝位置的更新公式为ωs (t+1)=ωs (t)+α·L(β),其中ωs (t)表示第t次迭代时,第s个鸟窝的位置;α代表步长;L(β)服从莱维分布:
0<β≤2,
式中u,v服从正态分布,
ωi' (t)、ωj' (t)是第t次迭代时,任意两个鸟窝的位置;
4)将当前的位置函数值与上一代的最优鸟巢位置的函数值进行比较,如果当前位置函数值更优,那么更新为当前最优函数值,如果不是,保留上一代最优函数值;
5)位置更新后,随机生成一个数r∈[0,1],如果r>P,对ωs (t+1)继续进行更新,对更新后的鸟窝位置函数值进行比较,计算出此时的全局最优位置;
6)判断是否达到最大迭代次数或者最小的误差要求,如果是,则输出全局最优位置,即对抗效能评估模型的各连接权重,如果不是,返回步骤2)继续迭代;
7)将最优权重带入神经网络模型,即获得最优二级神经网络对抗效能评估模型。
优选地,构建网络对抗效能评估指标体系时,基于网络空间攻防对抗领域的各类常见网络信息装备作战需求,将网络对抗效能进行分解为网络侦察、网络攻击、网络防御、指挥决策这些各类能力要素,再将各能力要素进行细化,分为若干项指标要素。
优选地,综合效能E取值范围为0~1。
优选地,取α=1。
本发明还提供了一种所述的方法在网络安全技术领域中的应用。
(三)有益效果
本发明构建两级神经网络对抗效能评估模型,避免梳理指标体系内部错综复杂的关系,具有很强的自学习、自组织和适应能力,通过训练样本即能不断动态的学习和训练模型。通过历史样本的积累,对抗效能评估模型将具备更高的准确性。
在神经网络的学习中,采用人工智能算法-布谷鸟算法寻找最优权重,全局搜索能力强、选用参数少、收敛速度极快,使得对抗效能评估模型的构建具备更高的效率性。
附图说明
图1为本发明的二级神经网络效能评估模型的拓扑结构图;
图2为本发明中构建二级神经网络评估模型的总体流程图。
具体实施方式
为使本发明的目的、内容、和优点更加清楚,下面结合附图和实施例,对本发明的具体实施方式作进一步详细描述。
本发明提供一种基于神经网络模型的网络对抗效能评估方法。本方法通过两级神经网络来构建效能评估模型,每一级神经网络包括输入层、隐藏层、输出层三层结构。第二级神经网络是以第一级神经网络输出的有效数值作为网络输入,最终的输出值即网络对抗综合效能。并且利用布谷鸟算法对训练样本进行不断的训练,从而不断优化神经网络的权值,使最终的评估模型更加精准。本发明面向常见的红蓝双方在网络攻防对抗时发挥的综合效能进行评估。
本发明解决其技术问题所用的技术方案总体包括两个步骤:一是构建二级神经网络对抗效能评估模型,将网络对抗综合效能指标进行多层次分解,分为综合效能层、能力要素层、指标要素层,其中,所述指标要素层对应第一级神经网络的输入值;能力要素层对应第一级神经网络的输出值,也是第二级神经网络的输入值;综合效能层对应第二级神经网络的输出值。二级神经网络效能评估模型的拓扑结构如图1所示。二是对二级神经网络对抗效能评估模型训练,利用布谷鸟算法对训练样本进行学习,权值不断优化迭代,直至优化的权重能够满足神经网络的实际输出与目标值之间的误差小于预期误差。
图2是二级神经网络评估模型构建的总体流程图,本发明的方法具体包括以下步骤:
步骤1.构建二级神经网络对抗效能评估模型
(1)构建网络对抗效能评估指标体系框架
将网络对抗效能进行分类和分层操作,分为综合效能层、能力要素层和指标要素层,形成网络对抗效能评估指标体系框架。最上一层为综合效能层,即网络对抗综合效能;中间一层为能力要素层,即网络对抗综合效能的主要能力分解;最下一层为指标要素层,即评判网络对抗综合效能各能力所依赖的各指标。
本实施例中,通过调研网络空间攻防对抗领域的各类常见网络信息装备作战需求,将网络对抗效能进行分解为网络侦察、网络攻击、网络防御、指挥决策等各类能力要素,再将各能力要素进行细化,分为若干项指标要素。不需要分类,只需要分层,避免了能力要素层与指标要素之间错综复杂、分类不清的问题。
(2)构建二级神经网络效能评估模型框架
将所述网络对抗效能评估指标体系框架转化为二级神经网络对抗效能评估模型。其中每一级神经网络都包含输入层、隐含层、输出层三层;每个神经元都有一个输入连接和输出连接,每一个连接都有权重;第一级神经网络的输入层对应指标要素层,输出层对应能力要素层;第二级神经网络的输入层对应能力要素层,输出层对应综合效能层。
本步骤具体包括:
(21)第一级神经网络对抗效能评估模型框架的构建。
第一级神经网络的输入层对应效能评估的指标要素层,输入层向量定义为x1,x2,...,xM,隐含层向量定义为h1,h2,...,hL,其中aij即为连接输入层神经元xi和隐含层神经元hj之间的权重系数,i=1,...,M,j=1,...,L,M、L为正整数,输出函数定义为/>其中j=1,...,L,则输出层向量其中i=1,...,M,j=1,...,L,k=1,...,N,N为正整数,bjk为第一级神经网络模型里隐含层到输出层的权重,每个神经元输出的值需要乘以这个权重再加和到下一个神经元中。
(22)第二级神经网络对抗效能评估模型框架的构建。
第二级神经网络的输入层对应效能评估的能力要素层,输入层向量定义为y1,y2,...,yN,隐含层向量定义为g1,g2,...,gP,其中ckr即为连接输入层神经元yk和隐含层神经元gr之间的权重系数,k=1,...,N,r=1,...,P,P为正整数,输出函数定义为/>其中r=1,...,P,则输出层向量其中k=1,...,N,r=1,...,P,dr是第二级神经网络模型里隐含层到输出层的权重。
步骤2.对二级神经网络对抗效能评估模型进行训练
(1)将原始样本预处理
原始样本需要经过预处理方可作为训练样本使用。网络对抗效能评估指标体系中各个参数的衡量单位不同,使用线性变化法对原始样本行归一化处理。
采用线性变化法对原始样本做归一化处理具体为:设指标要素层原始样本为x′,当指标值越大,对抗效能越好时,归一化后的训练样本x′min,x′max分别是x′里的最小、最大值,当指标值越大,对抗效能越差时,归一化后的训练样本/>设能力要素层原始样本为y′,当指标值越大,对抗效能越好时,归一化后的训练样本y′min、y′max分别是y′里的最小、最大值,当指标值越大,对抗效能越差时,归一化后的训练样本/>设综合效能层原始样本为E′,归一化后的训练样本为E′min、E′max分别是E′里的最小、最大值,综合效能E取值范围为0~1,E值越接近1,代表综合效能越好。
(2)布谷鸟算法优化训练
初始化目标函数、鸟窝位置、最小误差;在神经网络对抗效能评估模型中输入以上处理后得到的训练样本,运用布谷鸟算法去寻找最优鸟巢位置,利用布谷鸟算法的莱维(Levy)飞行,通过短距离的探索与偶尔较长距离行走相间的随机游走方式,优化迭代产生新的权重,当实际输出值与预期值的绝对误差小于设定的最小误差时,即结束训练,保留当前最优权重,获得最优对抗效能评估模型,最优位置即为对抗效能评估模型的最优权重。
布谷鸟算法优化训练的具体步骤如下:
1)初始化目标函数
其中E为第二级神经网络的实际输出,Ed为综合效能层的预期值,yk为第一级神经网络实际输出,为能力要素层的预期值,初始化抛弃概率P(宿主发现新来鸟蛋,并抛弃该鸟蛋的概率),P∈[0,1]。
初始化n个鸟窝的位置:
ωs (0)=[a(0) 11,a(0) 12,..,a(0) ML,b(0) 11,b(0) 12,..,b(0) LN,..,c(0) 11,c(0) 12,..,c(0) NP,d(0) 1,d(0) 2,..,d(0) P]T,s=1,...,n。
2)计算每个鸟窝位置的目标函数值(这个目标函数值会随着目标函数中权重的变化而变化),选择当前目标函数最优的鸟巢。
3)保留上一代目标函数最优的鸟巢位置,并利用莱维飞行式对鸟窝的位置进行更新。
布谷鸟鸟窝位置的更新公式为ωs (t+1)=ωs (t)+α·L(β),其中ωs (t)表示第t次迭代时,第s个鸟窝的位置;α代表步长,通常取α=1;L(β)服从莱维分布:
式中u,v服从正态分布,
ωi' (t)、ωj' (t)是第t次迭代时,任意两个鸟窝的位置。
4)将当前的位置函数值与上一代的最优鸟巢位置的函数值进行比较,如果当前位置函数值更优,那么更新为当前最优函数值,如果不是,保留上一代最优函数值。
5)位置更新后,随机生成一个数r∈[0,1],如果r>P,对ωs (t+1)继续进行更新,对更新后的鸟窝位置函数值进行比较,计算出此时的全局最优位置。
6)判断是否达到最大迭代次数或者最小的误差要求,如果是,则输出全局最优位置,即对抗效能评估模型的各连接权重。如果不是,返回步骤2)继续迭代。
7)将最优权重带入神经网络模型,即获得最优二级神经网络对抗效能评估模型。
以上所述仅是本发明的优选实施方式,应当指出,对于本技术领域的普通技术人员来说,在不脱离本发明技术原理的前提下,还可以做出若干改进和变形,这些改进和变形也应视为本发明的保护范围。
Claims (4)
1.一种基于神经网络模型的网络对抗效能评估方法,其特征在于,包括以下步骤:
步骤1.通过将网络对抗综合效能指标进行多层次分解,构建二级神经网络对抗效能评估模型;
步骤2.基于布谷鸟算法对二级神经网络对抗效能评估模型进行训练;
步骤1具体包括:
(1)构建网络对抗效能评估指标体系
将网络对抗效能进行分层操作,分为综合效能层、能力要素层和指标要素层,形成网络对抗效能评估指标体系框架,最上一层为综合效能层,即网络对抗综合效能;中间一层为能力要素层,即网络对抗综合效能的主要能力分解;最下一层为指标要素层,即评判网络对抗综合效能各能力所依赖的各指标;
(2)构建二级神经网络效能评估模型框架
将所述网络对抗效能评估指标体系框架转化为二级神经网络对抗效能评估模型,其中每一级神经网络都包含输入层、隐含层、输出层三层;每个神经元都有一个输入连接和输出连接,每一个连接都有权重;第一级神经网络的输入层对应指标要素层,输出层对应能力要素层;第二级神经网络的输入层对应能力要素层,输出层对应综合效能层;
所述构建二级神经网络效能评估模型框架的步骤具体包括:
(21)第一级神经网络对抗效能评估模型框架的构建
第一级神经网络的输入层对应效能评估的指标要素层,输入层向量定义为x1,x2,...,xM,隐含层向量定义为h1,h2,...,hL,其中aij即为连接输入层神经元xi和隐含层神经元hj之间的权重系数,i=1,...,M,j=1,...,L,M、L为正整数,输出函数定义为/>其中j=1,...,L,则输出层向量/>其中i=1,...,M,j=1,...,L,k=1,...,N,N为正整数,bjk为第一级神经网络模型里隐含层到输出层的权重;
(22)第二级神经网络对抗效能评估模型框架的构建
第二级神经网络的输入层对应效能评估的能力要素层,输入层向量定义为y1,y2,...,yN,隐含层向量定义为g1,g2,...,gP,其中ckr即为连接输入层神经元yk和隐含层神经元gr之间的权重系数,k=1,...,N,r=1,...,P,P为正整数,输出函数定义为/>其中r=1,...,P,则输出层向量/>其中k=1,...,N,r=1,...,P,dr是第二级神经网络模型里隐含层到输出层的权重;
步骤2具体包括:
(1)将原始样本预处理
原始样本需要经过预处理后可作为训练样本使用,使用线性变化法对原始样本行归一化处理;
(2)布谷鸟算法优化训练
初始化目标函数、鸟窝位置、最小误差;在神经网络对抗效能评估模型中输入预处理后得到的训练样本,运用布谷鸟算法去寻找最优鸟巢位置,利用布谷鸟算法的莱维飞行,优化迭代产生新的权重,当实际输出值与预期值的绝对误差小于设定的最小误差时,即结束训练,保留当前最优权重,获得最优对抗效能评估模型,最优位置即为对抗效能评估模型的最优权重;
所述采用线性变化法对原始样本做归一化处理具体为:设指标要素层原始样本为x′,当指标值越大,对抗效能越好时,归一化后的训练样本x′min,x′max分别是x′里的最小、最大值,当指标值越大,对抗效能越差时,归一化后的训练样本/>设能力要素层原始样本为y′,当指标值越大,对抗效能越好时,归一化后的训练样本/>y′min、y′max分别是y′里的最小、最大值,当指标值越大,对抗效能越差时,归一化后的训练样本/>
设综合效能层原始样本为E′,归一化后的训练样本为
E′min、E′max分别是E′里的最小、最大值;
所述布谷鸟算法优化训练的具体步骤如下:
1)初始化目标函数
其中E为第二级神经网络的实际输出,Ed为综合效能层的预期值,yk为第一级神经网络实际输出,dyk为能力要素层的预期值,初始化抛弃概率P,P∈[0,1];
初始化n个鸟窝的位置:
ωs (0)=[a(0) 11,a(0) 12,..,a(0) ML,b(0) 11,b(0) 12,..,b(0) LN,..,c(0) 11,c(0) 12,..,c(0) NP,d(0) 1,d(0) 2,..,d(0) P]T,s=1,...,n;
2)计算每个鸟窝位置的目标函数值,选择当前目标函数最优的鸟巢;
3)保留上一代目标函数最优的鸟巢位置,并利用莱维飞行式对鸟窝的位置进行更新;
布谷鸟鸟窝位置的更新公式为ωs (t+1)=ωs (t)+α·L(β),其中ωs (t)表示第t次迭代时,第s个鸟窝的位置;α代表步长;L(β)服从莱维分布:
式中u,v服从正态分布,
ωi' (t)、ωj' (t)是第t次迭代时,任意两个鸟窝的位置;
4)将当前的位置函数值与上一代的最优鸟巢位置的函数值进行比较,如果当前位置函数值更优,那么更新为当前最优函数值,如果不是,保留上一代最优函数值;
5)位置更新后,随机生成一个数r∈[0,1],如果r>P,对ωs (t+1)继续进行更新,对更新后的鸟窝位置函数值进行比较,计算出此时的全局最优位置;
6)判断是否达到最大迭代次数或者最小的误差要求,如果是,则输出全局最优位置,即对抗效能评估模型的各连接权重,如果不是,返回步骤2)继续迭代;
7)将最优权重带入神经网络模型,即获得最优二级神经网络对抗效能评估模型;
构建网络对抗效能评估指标体系时,基于网络空间攻防对抗领域的各类常见网络信息装备作战需求,将网络对抗效能进行分解为网络侦察、网络攻击、网络防御、指挥决策这些各类能力要素,再将各能力要素进行细化,分为若干项指标要素。
2.如权利要求1所述的方法,其特征在于,综合效能E取值范围为0~1。
3.如权利要求1所述的方法,其特征在于,取α=1。
4.一种如权利要求1至3中任一项所述的方法在网络安全技术领域中的应用。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110265382.0A CN112926739B (zh) | 2021-03-11 | 2021-03-11 | 一种基于神经网络模型的网络对抗效能评估方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110265382.0A CN112926739B (zh) | 2021-03-11 | 2021-03-11 | 一种基于神经网络模型的网络对抗效能评估方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN112926739A CN112926739A (zh) | 2021-06-08 |
CN112926739B true CN112926739B (zh) | 2024-03-19 |
Family
ID=76172648
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110265382.0A Active CN112926739B (zh) | 2021-03-11 | 2021-03-11 | 一种基于神经网络模型的网络对抗效能评估方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN112926739B (zh) |
Families Citing this family (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113420293A (zh) * | 2021-06-22 | 2021-09-21 | 北京计算机技术及应用研究所 | 一种基于深度学习的安卓恶意应用检测方法及*** |
CN117235477B (zh) * | 2023-11-14 | 2024-02-23 | 中国电子科技集团公司第十五研究所 | 基于深度神经网络的用户群组评估方法和*** |
Citations (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107153869A (zh) * | 2017-03-29 | 2017-09-12 | 南昌大学 | 一种基于布谷鸟搜索优化神经网络的变压器故障诊断方法 |
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 |
CN107919983A (zh) * | 2017-11-01 | 2018-04-17 | 中国科学院软件研究所 | 一种基于数据挖掘的天基信息网络效能评估***及方法 |
CN108337223A (zh) * | 2017-11-30 | 2018-07-27 | 中国电子科技集团公司电子科学研究院 | 一种网络攻击的评估方法 |
WO2019002603A1 (en) * | 2017-06-30 | 2019-01-03 | Royal Holloway And Bedford New College | METHOD FOR MONITORING THE PERFORMANCE OF AN AUTOMATIC LEARNING ALGORITHM |
CN109241591A (zh) * | 2018-08-21 | 2019-01-18 | 哈尔滨工业大学 | 反舰导弹作战效能评估及辅助决策方法 |
CN109547431A (zh) * | 2018-11-19 | 2019-03-29 | 国网河南省电力公司信息通信公司 | 一种基于cs和改进bp神经网络的网络安全态势评估方法 |
CN110930054A (zh) * | 2019-12-03 | 2020-03-27 | 北京理工大学 | 一种基于数据驱动的作战体系关键参数快速优化方法 |
CN111163487A (zh) * | 2019-12-31 | 2020-05-15 | 上海微波技术研究所(中国电子科技集团公司第五十研究所) | 通信波形综合传输性能评价方法及*** |
-
2021
- 2021-03-11 CN CN202110265382.0A patent/CN112926739B/zh active Active
Patent Citations (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107153869A (zh) * | 2017-03-29 | 2017-09-12 | 南昌大学 | 一种基于布谷鸟搜索优化神经网络的变压器故障诊断方法 |
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 |
WO2019002603A1 (en) * | 2017-06-30 | 2019-01-03 | Royal Holloway And Bedford New College | METHOD FOR MONITORING THE PERFORMANCE OF AN AUTOMATIC LEARNING ALGORITHM |
CN107919983A (zh) * | 2017-11-01 | 2018-04-17 | 中国科学院软件研究所 | 一种基于数据挖掘的天基信息网络效能评估***及方法 |
CN108337223A (zh) * | 2017-11-30 | 2018-07-27 | 中国电子科技集团公司电子科学研究院 | 一种网络攻击的评估方法 |
CN109241591A (zh) * | 2018-08-21 | 2019-01-18 | 哈尔滨工业大学 | 反舰导弹作战效能评估及辅助决策方法 |
CN109547431A (zh) * | 2018-11-19 | 2019-03-29 | 国网河南省电力公司信息通信公司 | 一种基于cs和改进bp神经网络的网络安全态势评估方法 |
CN110930054A (zh) * | 2019-12-03 | 2020-03-27 | 北京理工大学 | 一种基于数据驱动的作战体系关键参数快速优化方法 |
CN111163487A (zh) * | 2019-12-31 | 2020-05-15 | 上海微波技术研究所(中国电子科技集团公司第五十研究所) | 通信波形综合传输性能评价方法及*** |
Non-Patent Citations (6)
Title |
---|
Evaluation of NCM Effectiveness Base on SOM-BP Cloud Neural Networks;Zhang GuangHui 等;《Applied Mechanics and Materials》;第241-244卷(第03期);1779-1784 * |
基于BN-and-BP神经网络融合的陆空联合作战效能评估;周兴旺 等;《火力与指挥控制》;第43卷(第04期);3-8 * |
基于布谷鸟搜索优化BP神经网络的网络安全态势评估方法;谢丽霞 等;《计算机应用》;第37卷(第07期);1926-1930 * |
空间信息网络对抗效能评估指标体系研究;徐志明 等;《计测技术》(第02期);11-13 * |
网络对抗效能评估的指标体系研究;李雄伟 等;《无线电工程》(第03期);14-16+52 * |
网络空间信息防御作战指挥效能评估研究;王劲松 等;《现代防御技术》;第46卷(第05期);143-151+158 * |
Also Published As
Publication number | Publication date |
---|---|
CN112926739A (zh) | 2021-06-08 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110197282B (zh) | 一种基于遗传模糊逻辑树的威胁估计与态势评估方法 | |
CN112926739B (zh) | 一种基于神经网络模型的网络对抗效能评估方法 | |
CN111988329B (zh) | 一种基于深度学习的网络入侵检测方法 | |
Asadi et al. | ACORI: A novel ACO algorithm for rule induction | |
CN110766138A (zh) | 基于脑发育机制的自适应神经网络模型的构建方法及*** | |
Hussain et al. | Analysis of techniques for anfis rule-base minimization and accuracy maximization | |
CN111275074B (zh) | 基于栈式自编码网络模型的电力cps信息攻击辨识方法 | |
Gylberth et al. | Differentially private optimization algorithms for deep neural networks | |
CN115409099A (zh) | 一种物联网流量异常检测模型建立方法及检测方法 | |
CN114494771B (zh) | 一种可防御后门攻击的联邦学习图像分类方法 | |
Mythili et al. | Deep learning with particle swarm based hyper parameter tuning based crop recommendation for better crop yield for precision agriculture | |
Hu et al. | An efficient Long Short-Term Memory model based on Laplacian Eigenmap in artificial neural networks | |
Kamimura | Progressive feature extraction with a greedy network-growing algorithm | |
CN116632834A (zh) | 一种基于SSA-BiGRU-Attention的短期电力负荷预测方法 | |
Qi et al. | Battle damage assessment based on an improved Kullback-Leibler divergence sparse autoencoder | |
CN113807005B (zh) | 基于改进fpa-dbn的轴承剩余寿命预测方法 | |
CN113887807B (zh) | 基于机器学习和证据理论的机器人博弈战术预测方法 | |
Lu et al. | Dynamic evolution analysis of desertification images based on BP neural network | |
CN114282650A (zh) | 加快联邦学习***及同步隐藏、稀疏卷积层构建和学习方法 | |
Khennour et al. | Adapting Random Simple Recurrent Network for Online Forecasting Problems | |
Liu et al. | Outlier detection algorithm based on SOM neural network for spatial series dataset | |
Zhipeng et al. | Cultural Events Classification using Hyper-parameter Optimization of Deep Learning Technique | |
Khamees et al. | Train the Multi-Layer Perceptrons Based on Crow Search Algorithm | |
Xu et al. | Defense against adversarial attacks with an induced class | |
Liu et al. | Sparse autoencoder based feature learning for unmanned aerial vehicle landforms image classification |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant |