[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

本發明公開了一種網絡安全態勢評估方法及其模型訓練方法，包括：獲取日志信息；對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目標日志信息進行特征提取；網絡安全數據特征提取模型包括若干特征提取單元，對輸入的目標日志信息進行特征提取；特征提取單元包括選擇性卷積結構單元；flatten層將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；支持向量機分類器對一維特征向量進行分類，得到日志信息對應的網絡安全狀態。本發明在網絡安全態勢評估模型中加入選擇性卷積結構單元，使用支持向量機分類器對目標日志信息進行分類，有效減少了模型中的參數，提高了網絡安全態勢評估模型的準確率和魯棒性。

技術領域

本發明涉及深度學習和網絡安全態勢感知技術領域，特別是涉及一種基于選擇性卷積結構單元和支持向量機的網絡安全態勢評估方法及其模型訓練方法。

背景技術

隨著網絡技術的快速發展和網絡應用的快速推廣，網絡攻擊也逐漸向著組織性、計劃性和復雜性方向發展，傳統的防火墻、漏洞掃描和入侵檢測技術等單一被動防御措施已經不能滿足網絡安全防控要求。網絡安全態勢感知將被動防御化為主動防御，為網絡安全問題提供了有效的解決思路。而網絡安全態勢評估則可以通過網絡設備產生的網絡安全數據信息進行匯總、過濾、關聯分析，并通過搭建合適的模型對整體網絡進行評估，以便于網絡管理員掌握當前整體網絡狀況，及時采取應對策略，并為網絡安全態勢預測提供可靠的數據依據。

網絡安全態勢評估模型實質上是一個多分類模型，其常見的模型是由BP神經網絡、概率神經網絡等搭建，通過改進優化算法以提高模型的速率，但通過改進優化算法并不能實質性的提高網絡安全態勢評估的準確度，并且通過神經網絡搭建的模型參數量大，訓練時間長。因此，也有學者提出使用卷積神經網絡搭建網絡安全態勢評估模型，但傳統卷積核大小固定，不能很好的發現特征之間的內在聯系，故不能很好的實現特征提取的效果，導致網絡安全態勢評估模型的準確度不能達到理想效果。并且上述模型大多由全連接層進行分類，最后模型分類的準確度會出現魯棒性差的問題。

發明內容

本發明的目的是提供一種網絡安全態勢評估方法及其模型訓練方法，采用選擇性卷積結構單元對日志信息進行特征提取，使用支持向量機做為分類器，不僅有效減少了模型的參數，減短了訓練時間，還提高了網絡安全態勢評估模型的準確率和魯棒性。

為實現上述目的，本發明提供了如下方案：

一種網絡安全態勢評估方法，該方法包括：

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；

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。

可選地，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。

可選地，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；