一種引入量子計算的復合式攻擊預測方法研究.pdf

1、傳統(tǒng)的網(wǎng)絡防護技術經(jīng)歷了從靜態(tài)防護到動態(tài)防護的發(fā)展歷程，然而傳統(tǒng)的動態(tài)防護技術仍屬于被動防護技術范疇，已不能很好的應對當今的網(wǎng)絡環(huán)境，將防范于未然的思想融入網(wǎng)絡安全防護中，主動防御技術就適時而生了。
　　通過對已有的復合式攻擊預測方法進行研究，將量子計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算和隱馬爾科夫模型（TQPSO-HMM）的復合式攻擊預測方法。
　　基于TQ

2、PSO-HMM的復合式攻擊預測方法，首先對DARPA數(shù)據(jù)集進行攻擊重放并收集報警信息，進行冗余處理和攻擊類型分類后將報警信息作為HMM模型的訓練數(shù)據(jù)集。針對HMM中梯度下降的參數(shù)訓練方法易陷入局部最優(yōu)的缺點，提出將量子粒子群算法運用于模型的參數(shù)訓練。量子智能算法具有內(nèi)在的并行性和獨特的評價方式，并不直接對參數(shù)進行解操作，而是在問題的整個解空間進行尋優(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。模型訓練完成后再將報警信息序

3、列出現(xiàn)在模型的觀察層，根據(jù)HMM模型的Forward算法進行攻擊場景識別，Viterbi算法進行攻擊意圖的識別和預測。
　　為進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制，將適應度低于平均值的粒子淘汰并在遠離各局部極值的空間重新生成，這種及時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，因此將機器學習中增量學習（Q學習）的思想策