[發(fā)明專利]基于PCA的BP神經(jīng)網(wǎng)絡(luò)對信息安全的檢測系統(tǒng)、方法、應用

在審

• 申請?zhí)枺?/td>: 202110484059.2
• 申請日: 2021-04-30
• 公開（公告）號: CN113128615A
• 公開（公告）日: 2021-07-16
• 發(fā)明（設(shè)計）人: 李佳鑫;周一健;李詩謙;雷鎮(zhèn)哲;王倩
• 申請（專利權(quán)）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(chǎn)權(quán)代理事務所(普通合伙) 32300
• 代理人: 馬曉輝

本發(fā)明公開了一種基于PCA的BP神經(jīng)網(wǎng)絡(luò)對信息安全的檢測系統(tǒng)、方法、應用，包括采集近期影響信息安全的風險因素的數(shù)據(jù)，模擬專家對評價因素集進行評價。構(gòu)建訓練樣本和預測樣本；利用SVD對訓練樣本和預測樣本中的數(shù)據(jù)進行降維處理；用降維后的訓練樣本進行模糊小腦神經(jīng)網(wǎng)絡(luò)訓練；將降維后預測樣本帶入訓練好的模糊小腦神經(jīng)網(wǎng)絡(luò)，獲得預測結(jié)果。同時公開了相應的系統(tǒng)以及應用。本發(fā)明基于影響信息安全的風險因素種類、風險等級數(shù)據(jù)，依次對數(shù)據(jù)進行降維、分解，訓練神經(jīng)網(wǎng)絡(luò)，最后神經(jīng)網(wǎng)絡(luò)進行預測，大大增強了預測的準確性。

技術(shù)領(lǐng)域

本發(fā)明屬于網(wǎng)絡(luò)安全技術(shù)領(lǐng)域，涉及一種基于PCA的BP神經(jīng)網(wǎng)絡(luò)對信息安全的檢測系統(tǒng)、方法、應用。

背景技術(shù)

物聯(lián)網(wǎng)和移動互聯(lián)網(wǎng)等新網(wǎng)絡(luò)的快速發(fā)展給信息安全帶來更大的挑戰(zhàn)。傳統(tǒng)的網(wǎng)絡(luò)安全技術(shù)已經(jīng)不能滿足新一代信息安全產(chǎn)業(yè)的發(fā)展企業(yè)對信息安全的需求不斷發(fā)生變化。現(xiàn)有的網(wǎng)絡(luò)安全預測方法大多采用PCA，這種方法僅采用歷史負荷數(shù)據(jù)進行網(wǎng)絡(luò)訓練，通過訓練好的網(wǎng)絡(luò)進行檢測，預測準確性較差。

發(fā)明內(nèi)容

1、所要解決的技術(shù)問題：

現(xiàn)有的網(wǎng)絡(luò)安全預測方法大多采用PCA，這種方法僅采用歷史負荷數(shù)據(jù)進行網(wǎng)絡(luò)訓練，通過訓練好的網(wǎng)絡(luò)進行檢測，預測準確性較差。

2、技術(shù)方案：

為了解決以上問題，本發(fā)明提供了一種基于PCA的BP神經(jīng)網(wǎng)絡(luò)對信息安全的預測系統(tǒng)，包括采集模塊：采集近期資產(chǎn)識別數(shù)據(jù)、威脅識別數(shù)據(jù)、脆弱性識別和已有安全措施數(shù)據(jù)，將安全等級分類構(gòu)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(shù)據(jù)進行降維處理；分解模塊：采用PCA方法對降維后的數(shù)據(jù)進行分解；訓練模塊：用訓練樣本分解獲得的分量進行神經(jīng)網(wǎng)絡(luò)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(jīng)網(wǎng)絡(luò)。

本發(fā)明還提供了一種基于PCA的BP神經(jīng)網(wǎng)絡(luò)對信息安全的檢測方法。

3、有益效果：

本發(fā)明基于負荷數(shù)據(jù)、氣溫數(shù)據(jù)和光輻照強度數(shù)據(jù)，依次對數(shù)據(jù)進行降維、分解，訓練模糊小腦神經(jīng)網(wǎng)絡(luò)，最后模糊小腦神經(jīng)網(wǎng)絡(luò)進行預測，大大增強了檢測的準確性。

具體實施方式

下面對本發(fā)明詳細說明。

一種基于PCA的BP神經(jīng)網(wǎng)絡(luò)對信息安全的預測系統(tǒng)，包括采集模塊：采集近期資產(chǎn)識別數(shù)據(jù)、威脅識別數(shù)據(jù)、脆弱性識別和已有安全措施數(shù)據(jù)，將安全等級分類構(gòu)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(shù)據(jù)進行降維處理；分解模塊：采用PCA方法對降維后的數(shù)據(jù)進行分解；訓練模塊：用訓練樣本分解獲得的分量進行神經(jīng)網(wǎng)絡(luò)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(jīng)網(wǎng)絡(luò)。

還包括修補模塊；修補模塊在進行降維之前對數(shù)據(jù)進行修補。

缺失數(shù)據(jù)補全處理采用MI方法，假設(shè)在不完全變量與完全變量間存在著線性回歸關(guān)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(shù)的參數(shù)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(shù)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(tài)隨機誤差。將缺失的X_i用數(shù)據(jù)集中最接近于的值填補。這種方法可以保證在正態(tài)性假設(shè)不成立的情況下，填補進較為適當?shù)闹怠?/p>