[發明專利]基于PCA的BP神經網絡對信息安全的檢測系統、方法、應用

在審

• 申請號: 202110484059.2
• 申請日: 2021-04-30
• 公開（公告）號: CN113128615A
• 公開（公告）日: 2021-07-16
• 發明（設計）人: 李佳鑫;周一健;李詩謙;雷鎮哲;王倩
• 申請（專利權）人: 南京工程學院
• 主分類號: G06K9/62
• 分類號: G06K9/62;G06N3/08;G06N3/04;H04L29/06;H04L12/24
• 代理公司: 南京源古知識產權代理事務所(普通合伙) 32300
• 代理人: 馬曉輝

1.一種基于PCA的BP神經網絡對信息安全的預測系統，其特征在于：包括采集模塊：采集近期資產識別數據、威脅識別數據、脆弱性識別和已有安全措施數據，將安全等級分類構建訓練樣本和預測樣本；降維模塊：對訓練樣本和預測樣本中的數據進行降維處理；分解模塊：采用PCA方法對降維后的數據進行分解；訓練模塊：用訓練樣本分解獲得的分量進行神經網絡訓練；預測模塊：將預測樣本分解獲得的分量帶入訓練好的神經網絡。

2.如權利要求1所述的基于PCA的BP神經網絡對信息安全的預測系統，其特征在于：還包括修補模塊；修補模塊在進行降維之前對數據進行修補。

3.如權利要求2所述的基于PCA的BP神經網絡對信息安全的預測系統，其特征在于：缺失數據補全處理采用MI方法，假設在不完全變量與完全變量間存在著線性回歸關系。例如變量X_i是一個存在著缺失值的不完全變量，用完全變量X₁、X₂、…、X_i-1擬合模型:

E[X_i|β]＝β₀+β₁X₁+β₂X₂+…+β_i-1X_i-1

得到模型回歸系數的參數估計在每一次填補中，從β的后驗分布中隨機抽取新的參數β^*,計算:

公式中的σ^*為來自于模型的方差估計,ε為模擬的正態隨機誤差。將缺失的X_i用數據集中最接近于的值填補。這種方法可以保證在正態性假設不成立的情況下，填補進較為適當的值。

4.如權利要求1-3任一權利要求所述的基于PCA的BP神經網絡對信息安全的預測系統，其特征在于：所述降維模塊包括，矩陣求取模塊：將近期采集的數據分別去平均，求特征協方差矩陣；向量和特征值求取模塊：計算協方差矩陣的特征向量和特征值；特征向量矩陣構建模塊：將特征值降序排列,將特征值最大的一維特征向量作為新的基集，組成特征向量矩陣。

5.如權利要求1-3任一權利要求所述的基于PCA的BP神經網絡對信息安全的預測系統，其特征在于：訓練模塊采用如下公式進行BP神經網絡訓練，

輸入：訓練集學習率η；

在(0,1)范圍內隨機初始化網絡中所有連接權和閾值

△w_hj＝ηg_jb_h、△θ_j＝-ηg_j、△v_ih＝ηe_hx_i、△γ_h＝-ηe_h

直到達到停止條件，

輸出：連接權與闕值確定的多層前饋神經網絡，

BP網絡由輸入層、隱層和輸出層組成，隱層可以有一層或多層，網絡選用S型傳遞函數，通過反傳誤差函數T_i為期望輸出、O_i為網絡的計算輸出，不斷調節網絡權值和閾值使誤差函數E達到極小。

6.一種如權利要求1-5任一權利要求所述的基于PCA的BP神經網絡對信息安全系統的預測方法，包括以下步驟：第一步：采集數據，所述數據包括近期資產識別數據、威脅識別數據、脆弱性識別和已有安全措施數據；第二步：將獲得數據按照安全等級構建訓練樣本和預測樣本；第三步：對訓練樣本和預測樣本中的數據進行降維處理；第四步：采用PCA方法對降維后的數據進行分解；第五步：用訓練樣本分解獲得的分量進行神經網絡訓練，將預測樣本分解獲得的分量帶入訓練好的神經網絡，獲得預測結果。

7.如權利要求6所述的方法，其特征在于：在所述第三步中降維處理之前，對數據進行修補。