基于 PCA 与 WNN 的网络安全态势要素提取方法

来源：计算机技术与发展杂志2023年第07期北京时间：

作者：张然;潘芷涵;朱亮;尹毅峰

单位：郑州轻工业大学 计算机与通信工程学院,河南 郑州 450001 Author(s): ZHANG Ran;PAN Zhi-han;ZHU Liang;YIN Yi-feng School of Computer and Communication Engineering,Zhengzhou University of Light Industry,Zhengzhou 450001,China 关键词: 网络安全;态势要素提取;主成分分析法;小波神经网络;动量因子 Keywords: network security;situation element extraction;principal component analysis;wavelet neural network;momentum factor 分类号: TP393 DOI: 10. 3969 / j. issn. 1673-629X. 2023. 07. 018 摘要: 安全态势要素的提取是网络安全态势感知的基础,提取的态势要素质量的好坏直接影响着网络安全态势评估和预测的准确性。 针对大规模网络环境下态势要素提取困难及分类精度不高的问题,提出一种基于 PCA-MF-WNN 的网络安全态势要素提取模型。 该模型利用主成分分析法(PCA) 对预处理后的网络安全数据进行降维,去除冗余的态势要素,然后采用小波神经网络( WNN)对约简后的数据集进行分类训练。 由于传统小波神经网络存在运算效率低和精准度不高的问题,引入动量因子(MF) 对小波函数的伸缩因子、平移因子以及小波神经网络的连接权值进行修正,以提高小波分类器的分类精度与分类效率。 对比实验结果表明,该态势要素提取模型有效提高了态势要素提取的分类精确度和运算效率。 Abstract: The extraction of situation elements is the basis of network security situation awareness. The quality of situation?element　extraction directly affects the accuracy of network security situation assessment and prediction. To solvethe problems of difficult situationelement extraction and low classification accuracy in large-scale network environments,　we propose a network security situation elementextraction model based on PCA-MF-WNN. The model uses Principal Component Analysis ( PCA) to reduce the dimension of the prprocessed network security data and remove the redundant situation elements,and then uses Wavelet Neural Network ( WNN) to classifyand train the reduced data sets. Because the traditional wavelet neural network has the problems of low operation efficiency and lowaccuracy,Momentum Factor?( MF) is introduced to modify the scaling factor,translation factor of a wavelet function,and the connectionweight of the wavelet neural network,so as to improve the classification accuracy and efficiency of wavelet classifier. The results of comparative experiments show that the model effectively improves the classification accuracy and operation efficiency?of situation element extraction.

摘要：安全态势要素的提取是网络安全态势感知的基础,提取的态势要素质量的好坏直接影响着网络安全态势评估和预测的准确性。 针对大规模网络环境下态势要素提取困难及分类精度不高的问题,提出一种基于 PCA-MF-WNN 的网络安全态势要素提取模型。 该模型利用主成分分析法(PCA) 对预处理后的网络安全数据进行降维,去除冗余的态势要素,然后采用小波神经网络( WNN)对约简后的数据集进行分类训练。 由于传统小波神经网络存在运算效率低和精准度不高的问题,引入动量因子(MF) 对小波函数的伸缩因子、平移因子以及小波神经网络的连接权值进行修正,以提高小波分类器的分类精度与分类效率。 对比实验结果表明,该态势要素提取模型有效提高了态势要素提取的分类精确度和运算效率。

关键词：网络安全;态势要素提取;主成分分析法;小波神经网络;动量因子