一種引入量子計(jì)算的復(fù)合式攻擊預(yù)測方法研究.pdf

1、傳統(tǒng)的網(wǎng)絡(luò)防護(hù)技術(shù)經(jīng)歷了從靜態(tài)防護(hù)到動態(tài)防護(hù)的發(fā)展歷程，然而傳統(tǒng)的動態(tài)防護(hù)技術(shù)仍屬于被動防護(hù)技術(shù)范疇，已不能很好的應(yīng)對當(dāng)今的網(wǎng)絡(luò)環(huán)境，將防范于未然的思想融入網(wǎng)絡(luò)安全防護(hù)中，主動防御技術(shù)就適時(shí)而生了。
　　通過對已有的復(fù)合式攻擊預(yù)測方法進(jìn)行研究，將量子計(jì)算和隱馬爾科夫模型（Hidden Markov Model，HMM）相結(jié)合，本文提出了一種基于量子計(jì)算和隱馬爾科夫模型（TQPSO-HMM）的復(fù)合式攻擊預(yù)測方法。
　　基于TQ

2、PSO-HMM的復(fù)合式攻擊預(yù)測方法，首先對DARPA數(shù)據(jù)集進(jìn)行攻擊重放并收集報(bào)警信息，進(jìn)行冗余處理和攻擊類型分類后將報(bào)警信息作為HMM模型的訓(xùn)練數(shù)據(jù)集。針對HMM中梯度下降的參數(shù)訓(xùn)練方法易陷入局部最優(yōu)的缺點(diǎn)，提出將量子粒子群算法運(yùn)用于模型的參數(shù)訓(xùn)練。量子智能算法具有內(nèi)在的并行性和獨(dú)特的評價(jià)方式，并不直接對參數(shù)進(jìn)行解操作，而是在問題的整個(gè)解空間進(jìn)行尋優(yōu)，相比于傳統(tǒng)的單次迭代搜索方式在最優(yōu)化問題中具有明顯的優(yōu)勢。模型訓(xùn)練完成后再將報(bào)警信息序

3、列出現(xiàn)在模型的觀察層，根據(jù)HMM模型的Forward算法進(jìn)行攻擊場景識別，Viterbi算法進(jìn)行攻擊意圖的識別和預(yù)測。
　　為進(jìn)一步提高算法的全局搜索能力，在量子粒子群算法中提出針對落后粒子的淘汰機(jī)制，將適應(yīng)度低于平均值的粒子淘汰并在遠(yuǎn)離各局部極值的空間重新生成，這種及時(shí)跳出局部極值束縛的策略使得算法擁有了更好的全局尋優(yōu)能力。由于復(fù)合式攻擊中每一步驟的選擇要受到之前所有攻擊行為結(jié)果的影響，因此將機(jī)器學(xué)習(xí)中增量學(xué)習(xí)（Q學(xué)習(xí)）的思想策