[發明專利]一種網絡安全態勢評估方法及其模型訓練方法

有效

• 申請號: 202210516729.9
• 申請日: 2022-05-12
• 公開（公告）號: CN114970694B
• 公開（公告）日: 2023-04-07
• 發明（設計）人: 趙冬梅;孫明偉;吳亞星;宿夢月
• 申請（專利權）人: 河北師范大學
• 主分類號: G06F18/241
• 分類號: G06F18/241;G06F18/2411;G06N3/0464;G06N3/08;G06N20/10;H04L9/40
• 代理公司: 北京方圓嘉禾知識產權代理有限公司 11385
• 代理人: 程華

1.一種網絡安全態勢評估方法，其特征在于，包括：

獲取日志信息；

對所述日志信息進行預處理，得到目標日志信息；

采用網絡安全數據特征提取模型對所述目標日志信息進行特征提取；所述網絡安全數據特征提取模型包括若干特征提取單元，用于對輸入的所述目標日志信息進行特征提取；所述特征提取單元包括依次連接的選擇性卷積結構單元、池化層和批標準化層；所述選擇性卷積結構單元，包括split單元、fuse單元和select單元，用于對輸入的所述目標日志信息分不同路徑進行特征提取，得到各分支特征，并對各分支特征進行聚合，得到卷積特征圖，具體包括：

split單元生成兩條路徑，分別使用3×1，1×3和5×1，1×5兩組卷積分解結構進行卷積操作，得到兩個大小為m×n×n的分支特征圖U1和U2，分別對分支特征圖U1和U2執行全局平均池化操作，得到兩個大小為m×1×1的全局平均化特征圖，分別在兩個分支上使用兩個全連接層對全局平均化特征圖執行先降維后升維的操作，得到各自分支對應的權重矩陣，其矩陣大小為m×1×1，將得到的權重矩陣分別乘到對應的分支特征圖U1和U2中，得到各分支的加權特征圖，將各分支的加權特征圖逐像素對應相加，得到最終的卷積特征圖V；

采用flatten層將所述網絡安全數據特征提取模型提取的特征轉換為一維特征向量；

采用支持向量機分類器對所述一維特征向量進行分類，得到所述日志信息對應的網絡安全狀態；

其中，支持向量機分類器的目標函數的核函數采用徑向基函數，目標函數具體為：

所述支持向量機分類器的分離超平面為w·x+b＝0，兩個異類支持向量到超平面的距離之和為：

非線性超平面的約束條件：y_i[(w·x_i)+b]≥1-ε_i

通過SMO算法求得最優解通過α^*計算b^*：

所述支持向量機分類器的決策函數為：

其中，K(x_i,x_j)為目標函數中的核函數；w表示超平面的法向量；γ表示兩個異類支持向量到超平面的距離之和；f(x)為支持向量機分類器的決策函數，ε表示樣本相對于分離超平面的偏離程度，且ε_i≥0；T＝{(x₁,y₂),(x₂,y₂),(x₃,y₃),...,(x_n,y_n)},y_i∈{-1,+1}表示日志信息的類別。

2.根據權利要求1所述的網絡安全態勢評估方法，其特征在于，所述對輸入的所述目標日志信息分不同路徑進行特征提取，得到各分支特征，并對各分支特征進行聚合，得到卷積特征圖，具體包括：

所述split單元對輸入的所述目標日志信息基于若干卷積分解單元進行特征提取，得到各分支特征；

所述fuse單元：分別對各所述分支特征進行全局平均化，得到全局平均化特征圖；采用若干全連接層對所述全局平均化后特征圖進行先降維后升維的操作，得到各分支對應的權重矩陣；根據權重矩陣以及對應的所述分支特征得到各分支的加權特征圖；

所述select單元將所有分支的所述加權特征圖進行加法聚合，得到卷積特征圖。

3.根據權利要求1所述的網絡安全態勢評估方法，其特征在于，所述對所述日志信息進行預處理包括：

刪除所述日志信息中對網絡安全沒有影響的數據，得到日志篩選信息；

采用one-hot編碼對所述日志篩選信息中各數據進行編碼；

對編碼后的數據進行歸一化處理，得到所述目標日志信息。

4.根據權利要求1所述的網絡安全態勢評估方法，其特征在于，在采用網絡安全數據特征提取模型對所述目標日志信息進行特征提取之前，還包括：

將所述目標日志信息轉換為n×n二維灰度圖。