本申请涉及一种基于深度神经网络的网络安全态势感知方法。所述方法包括:获取网络安全数据集并进行预处理,得到初始数据集;构建态势要素提取模型,将初始数据集输入态势要素提取模型,得到网络安全攻击要素;基于网络安全攻击要素进行特征提取,并进行特征级数据融合,得到融合特征向量;构建网络安全态势评估模型,将融合特征向量输入网络安全态势评估模型,得到态势评估结果;基于网络安全攻击要素和态势评估结果构成多维时序数据集,基于多维时序数据集训练基于样本卷积与交互模块的深度神经网络安全态势预测模型;将当前态势数据输入训练好的深度神经网络安全态势预测模型,输出网络态势预测结果。提高了网络安全态势感知评估和预测准确性。
背景技术
近年来,网络攻击越来越凶猛,针对单一攻击的检测手段已经无法完全满足网络安全的需求。因此,企业和国家的网络安全管理人员需要宏观地了解当前信息系统地安全状态,以便更及时和合理地响应攻击事件。态势感知是一种通过大量获取环境信息、对信息进行理解以实现对整个环境当前和未来的状态进行感知的技术,态势感知系统可以帮助网络安全管理人员准确把握系统的安全状态和可能遇到的风险,以便及时响应可能的攻击事件并做出决策,提高网络安全的主动防御能力,这在网络安全领域至关重要。
现有技术中,网络安全态势感知方法一般分为三步:态势要素提取、态势评估和态势预测,其中涉及异常检测、特征提取、特征融合、时序预测等步骤。态势要素提取一般采用深度学习领域的无监督异常检测。态势评估通常利用数学模型等工具对当前状态进行评估。态势预测通常采用神经网络的方法,利用历史数据对神经网络进行训练,使其能够学习到网络态势的模式和规律,对网络运行状态进行综合预测。
然而,现有态势要素提取方法存在数据不平衡和对抗攻击样本问题,会降低提取的分类准确率。同时,现有的态势评估方法存在人工介入过多,依赖专家经验等问题,导致态势评估结果较为主观。并且,现有的基于神经网络的态势预测方法存在长序列建模困难、容易丢失信息等问题,使得态势预测不够准确。
因此,相关技术中,亟需一种能够提高网络安全态势感知评估和预测准确性的方式。
实现思路