基于PCA-MF-WNN的网络安全态势要素提取方法及系统.pdf

(19)国家知识产权局(12)发明专利申请(10)申请公布号CN115051864A(43)申请公布日2022.09.13(21)申请号202210708250.5G06N3/04(2006.01)(22)申请日2022.06.21G06N3/08(2006.01)(71)申请人郑州轻工业大学地址450000河南省郑州市高新技术产业开发区科学大道136号(72)发明人张然潘芷涵甘勇尹毅峰王一帆(74)专利代理机构郑州晟佳专利代理事务所(普通合伙)41205专利代理师符亚飞(51)Int.Cl.H04L9/40(2022.01)H04L41/142(2022.01)H04L41/16(2022.01)G06K9/62(2022.01)权利要求书2页说明书12页附图4页(54)发明名称基于PCA-MF-WNN的网络安全态势要素提取方法及系统(57)摘要本发明涉及一种基于PCA‑MF‑WNN的网络安全态势要素提取方法及系统，对初始数据通过主成分分析法进行降维，去除冗余的态势要素，属性约简，在降低数据复杂度的同时尽可能的用少数几个主成分来保留原始数据集的信息，训练加入动量因子的小波神经网络，通过加入动量因子的方法来提升小波神经网络的学习效率，将经过主成分分析法降维后的数据输入改进的小波神经网络中进行分类训练，得到态势要素提取模型。对小波神经网络的参数进行修正，可提高小波分类器的分类精度与分类效率。因此在利用态势要素提取模型进行网络安全态势要素提取时，能够提高态势要素提取的分类精度，而且也进一步提高了分类效率。CN115051864ACN115051864A权利要求书1/2页1.一种基于PCA‑MF‑WNN的网络安全态势要素提取方法，其特征在于，包括：对初始数据通过主成分分析法进行降维；初始化改进小波神经网络的小波函数参数以及网络连接权值，设置网络学习速率以及动量因子；其中，改进小波神经网络为加入动量因子的小波神经网络；将降维后的数据划分为训练集和测试集，将所述训练集输入到所述改进的小波神经网络中进行训练，计算小波神经网络的网络预测输出，以及网络的预测输出与期望输出之间的误差；根据所述误差，修正所述小波函数参数以及网络连接权值，使网络预测输出不断接近期望输出，直至训练结束，最后得到态势要素提取模型；将所述测试集输入所述态势要素提取模型中进行测试；利用测试完成的所述态势要素提取模型在实际环境中进行网络安全态势要素提取。2.根据权利要求1所述的基于PCA‑MF‑WNN的网络安全态势要素提取方法，其特征在于，所述对初始数据通过主成分分析法进行降维之前，所述网络安全态势要素提取方法还包括：对所述初始数据进行预处理，统一数据格式和类型。3.根据权利要求1所述的基于PCA‑MF‑WNN的网络安全态势要素提取方法，其特征在于，所述小波函数参数包括伸缩因子和平移因子。4.根据权利要求3所述的基于PCA‑MF‑WNN的网络安全态势要素提取方法，其特征在于，所述根据所述误差，修正所述小波函数参数以及网络连接权值，包括：采用如下计算公式修正所述小波函数参数以及网络连接权值：其中，ωij是小波神经网络输入层与隐含层之间的连接权值，ωjk是小波神经网络隐含层与输出层之间的连接权值；error是所述误差；δ为动量因子；bj为小波基函数hj的平移因子，aj为小波基函数hj的伸缩因子；η为ωij和ωjk的学习速率，μ是aj和bj的学习速率。5.根据权利要求1所述的基于PCA‑MF‑WNN的网络安全态势要素提取方法，其特征在于，所述改进的小波神经网络的训练结束条件为：算法达到设定的目标误差精度，或达到最大迭代次数。6.一种基于PCA‑MF‑WNN的网络安全态势要素提取系统，其特征在于，包括处理器和存储器，所述处理器用于处理存储在所述存储器中的指令以实现下述的基于PCA‑MF‑WNN的网络安全态势要素提取方法的步骤：对初始数据通过主成分分析法进行降维；初始化改进小波神经网络的小波函数参数以及网络连接权值，设置网络学习速率以及动量因子；其中，改进小波神经网络为加入动量因子的小波神经网络；将降维后的数据划分2CN115051864A权利要求书2/2页为训练集和测试集，将所述训练集输入到所述改进的小波神经网络中进行训练，计算小波神经网络的网络预测输出，以及网络的预测输出与期望输出之间的误差；根据所述误差，修正所述小波函数参数以及网络连接权值，使网络预测输出不断接近期望输出，直至训练结束，最后得到态势要素提取模型；将所述测试集输入所述态势要素提取模型中进行测试；利用测试完成的所述态势要素提取模型在实际环境中进行网络安全态势要素提取。7.根据权利要求6所述的基于PCA‑MF‑WNN的网络安全态势要素提取系统，其特征在于，所述对初始数据通过主成分分析法进行降维之前，所述网络安全态势要