基于Kalman算法和灰關(guān)聯(lián)熵的網(wǎng)絡(luò)安全態(tài)勢預(yù)測方法研究.pdf

1、隨著網(wǎng)絡(luò)規(guī)模的日趨龐大，結(jié)構(gòu)的日益復(fù)雜和多變，傳統(tǒng)的解決單個網(wǎng)絡(luò)安全問題的方法已經(jīng)無法滿足需求。對網(wǎng)絡(luò)的整體運行情況進(jìn)行感知和預(yù)測，已經(jīng)逐漸成為當(dāng)前網(wǎng)絡(luò)安全領(lǐng)域的研究熱點之一。網(wǎng)絡(luò)安全態(tài)勢預(yù)測作為網(wǎng)絡(luò)安全態(tài)勢感知的重要內(nèi)容，使網(wǎng)絡(luò)安全管理從被動變?yōu)橹鲃印Ｄ壳熬W(wǎng)絡(luò)安全態(tài)勢預(yù)測僅僅利用當(dāng)前和過去的網(wǎng)絡(luò)安全態(tài)勢值對未來一段時間進(jìn)行預(yù)測，這種方法預(yù)測數(shù)據(jù)單一，未結(jié)合各種環(huán)境影響因素。針對以上問題，本文主要工作和創(chuàng)新點如下：
　　（1）深入

2、研究了影響網(wǎng)絡(luò)安全態(tài)勢的各種環(huán)境因素。由于影響網(wǎng)絡(luò)安全態(tài)勢的環(huán)境因素較多，為了權(quán)衡預(yù)測的精度和效率，本文利用灰關(guān)聯(lián)熵分析方法選出與網(wǎng)絡(luò)安全態(tài)勢關(guān)聯(lián)程度較大的影響因素，并給出了完整的基于灰關(guān)聯(lián)熵和Kalman的網(wǎng)絡(luò)安全態(tài)勢感知模型。
　?。?）提出了GRE-Kalman預(yù)測算法。結(jié)合選出的網(wǎng)絡(luò)安全態(tài)勢的關(guān)鍵因素，提出了基于灰關(guān)聯(lián)熵的Kalman預(yù)測算法(GRE-Kalman)。GRE-Kalman預(yù)測模型適用于任意個影響因素，可根據(jù)

3、需要確定影響因素的個數(shù)。通過結(jié)合影響因素進(jìn)行預(yù)測，提高了預(yù)測的精度和算法的適應(yīng)性。
　?。?）提出了AP-Kalman預(yù)測算法。結(jié)合灰關(guān)聯(lián)熵分析方法選出的關(guān)鍵因素攻擊強度，分別利用前一個時間段的攻擊強度、前二個時間段的攻擊強度、前三個時間段的攻擊強度、前一個時間段的攻擊強度和前一個時間段的網(wǎng)絡(luò)安全態(tài)勢建立不同的預(yù)測模型，實驗結(jié)果表明利用前二個時間段的攻擊強度建立的模型預(yù)測效果較好，將該模型命名為 AP-Kalman算法。AP-Ka