网络安全特征范文

引言：寻求写作上的突破？我们特意为您精选了4篇网络安全特征范文，希望这些范文能够成为您写作时的参考，帮助您的文章更加丰富和深入。

篇1

中图分类号：TP309 文献标识码：A 文章编号：1674-098X（2014）07（c）-0045-02

随着计算机和网络技术的不断发展，计算机信息网络已在国家机关、企事业单位、国防军事等多个领域广泛应用，逐渐渗入到人们的生活中并成为相互沟通的重要手段。然而计算机信息网络存在网络环境开放性、网络操作系统漏洞、网络资源共享性、网络系统设计缺陷、黑客恶意攻击等安全隐患，计算机信息网络安全防御问题重要性变得尤为重要[1-2]。本文基于用户网络活动划分防御层，建立起信息网络安全防御的体系模型，并系统分析各层次的网络防御特征，为建立网络安全防护体系提供了理论支撑。

1 信息网络安全防御体系设计

构建信息网络安全防御体系，其目标就是要维护用户网络活动的安全性[4]。根据用户网络活动的层次，可以将网络防御划分为网络防御层、主机防御层、应用防御层和数据防御层等四个方面，在每个防御层模型中，又包括防御功能和防御技术两类划分方法，防御功能分布按照不同防御层特点，采用根据层次、软件功能等类别进行划分，如图1所示。

1.1 网络防御层

网络防御层主要针对信息网络安全防御体系中的网络边界进行防护，按照防护层面的不同，又可分为应用层、传输层和网络层的分层防御功能。防御技术则包括协议分析、模式匹配和包过滤等基本技术。

1.2 主机防御层

主机防御层的防护功能，主要通过主机入侵防御、病毒查杀和防火墙防护等三个层面，并通过各自对应软件实现。主要的防护技术则包括入侵检测、安全审计、访问控制、主动行为防御、特征码查杀和软件防火墙保护等。

1.3 应用防御层

应用防御层的功能主要防范恶意程序植入和篡改应用软件，为此，技术上可通过漏洞利用防护技术和数字签名验证技术来实现。

1.4 数据防御层

数据防御层的防护功能归结到一点为防范非授权用户的非法访问，包括对磁盘分区中文件的访问，以及对数据库文件的访问。防御技术主要包括加密技术、完整性校验技术和备份恢复技术等。

2 网络安全防御特征

2.1 网络防御特征

网络层面可以对通过网络传输的数据包，按照分层的原则进行防御，具体包括网络层、传输层、应用层的分层防御。具体的防御技术包括：包过滤技术、模式匹配技术、协议分析技术等。

网络安全层面从本质上来讲就是网络上的信息安全，其不断发展旨在采取有效的安全措施保护网络信息不被破坏、更改和泄露，保护联网计算机系统免受侵扰[5]。网络上的信息传播方式的多样性、广泛性和难追溯性，使得网络遭受攻击的可能性很大，因此，必须采取一定的安全措施来防止这些恶意攻击。同时，因为网络信息的安全会在很大程度上影响受保护主机和应用系统的安全，故网络安全是信息网络安全防御体系中最重要的组成部分，只有网络安全得到很好的建设，主机和应用安全的建设才能在良好的环境中实施。

2.2 主机防御特征

主机层面主要针对操作系统平台进行安全防御，在操作系统平台上通过防火墙软件、杀毒软件、主动防御软件等实现防御策略。采用的主机防护技术包括：软件防火墙防护、病毒特征码查杀、主动行为防御、访问控制、安全审计等。

主机（包括终端和服务器）是信息系统的重要组成部分，承担着信息的存储和处理工作[6]。由于主机是信息泄露的源头，也是各类攻击的最终目标，因此，主机的安全关系到整个信息系统中信息的安全，主机安全建设是信息系统安全建设的重要内容。

主机层面安全主要涉及操作系统安全和数据库安全，通常是由操作系统自身安全配置、相关安全软件和第三方安全设备来实现的。目前，运行在主机上的主流操作系统有Windows、Linux、Sun Solaris、IBM AIX和HP-UX等。随着网络技术的不断发展和网上应用的不断增多，这些主机上的问题也逐渐暴露出来，一些网络病毒和木马等也随之出现，破坏主机上的数据信息。一般单位中如果将安装这些系统的主机作为服务器的话，上面可能会保存一些单位或部门的关键信息，这就对主机层面安全提出了要求。

2.3 应用防御特征

应用层面主要防范功能用于防御应用程序被恶意程序篡改，及利用应用软件漏洞进行恶意程序的植入。应用层面的安全防御技术可通过数字签名验证技术、漏洞利用防范技术来实现。

应用层面是信息系统最终得以使用的工具，只有通过应用系统用户才能对数据和信息进行各种各样的操作，继网络和主机系统的安全防护之后，应用安全成为信息系统整体防御的又一道防线。应用安全是指信息在应用过程中的安全，也就是信息的使用安全。应用层面的安全目的是要保证信息用户的真实性，信息数据的机密性、完整性、可用性，以及信息用户和信息数据的可审性，以对抗身份假冒、信息窃取、数据篡改、越权访问和事后否认等安全威胁。这就需要对不同的应用安全漏洞进行检测，采取相应的安全措施降低应用的安全风险。对信息系统进行应用安全方面的设计，从总体上来说，是为了确保在软件大规模使用、数量和复杂度增长的前提下，能够及时的发现和修正系统中潜在的安全漏洞，并且能够应对和解决这些漏洞，以降低应用系统的安全风险。应用层面侧重于设计开发出来的系统是否安全。虽然这些安全目标多数都类似于网络安全和主机安全中的内容，但是实现目标的方式有很大不同，应用系统更强调在开发出来的系统中解决这些问题。

2.4 数据防御特征

数据层面的防范主要是防止非授权用户对数据的非法访问。主要的防御措施是通过加密和访问控制实现，控制对数据的访问用户和访问权限，并且在数据存储过程中使用加密技术来保护数据的安全。主要的措施包括三个方面：数据完整性、数据保密性与数据的备份和恢复。

数据层面的安全是计算机信息安全系统的最终目的和核心目标[7]。围绕着计算机系统所采取的许多安全保护措施最终都是为了保证系统中数据在应用、存储、传输和处理等过程中的安全性，以实现数据的机密性、完整性、可控性和不可否认性，并可以进行数据备份和恢复。

3 结语

随着计算机信息网络的不断发展，新的网络安全隐患会不断涌现。建立相应的信息网络安全防御体系模型，研究各层次的网络防御特征，能够从本质上明确安全防御体系建设的目的和目标，为科学制定计算机信息网络防御策略、发展针对性安全防护技术提供理论支撑。

参考文献

[1] 张昱.对计算机网络技术安全与网络防御的分析[J].广东科技，2011（5）：51-52.

[2] 杨育红.浅议网络信息安全防御体系建设[J].计算机安全，2011（10）：73-75.

[3] 王琪.计算机网络安全技术现状研究[J].计算机安全，2013（7）：44-49.

[4] 汪澎萌，张硕，汪兆银.计算机网络安全体系研究[J].信息安全，2012（2）：38-40.

篇2

关键词：

网络安全；攻击检测；时频分析

随着网络技术在金属交易平台中的应用，许多交易处理都是通过网络平台实施，对金属交易网络平台的安全评估和安全防御成为保障交易双方和用户的信息和资源安全的重要保障。网络攻击者通过窃取金属交易网络平台中的数据信息，进行数据纂改，实现网络攻击的目的。需要对金属交易网络安全防御模型进行优化设计，提高网络安全性能[1]。当前，对网络攻击信号的特征提取和检测算法主要有基于时频分析的网络攻击检测算法、采用经验模态分解的攻击检测方法、基于小波分析的网络攻击检测算法和基于谱特征提取的网络攻击检测算法等[2,3]，上述方法通过构建网络攻击信号的特征提取模型，然后进行时频特征、小波包分解特征和高阶谱特征等，实现对信号的检测和参量估计，达到网络攻击拦截的目的。但是，上述方法在进行网络攻击检测中，存在计算量大，性能不好的问题。对此提出一种基于攻击检测的金属交易网络安全防御模型，实现网络安全防御和主动检测。

1金属交易网络安全防御机制与模型构建

首先分析金属交易网络安全防御机制，金属交易网络在遭到病毒入侵和网络攻击是，主要是通过下面几个方面进行网络安全防御的：Web浏览器。主要包括金属交易网络用户的操作界面和金属交易网络显示界面。金属交易网络数据库的数据、图表均以网页的形式传给客户端浏览器进行浏览。金属交易网络的安全认证中心。当用户登录时，在客户端和Web服务器之间建立SSL安全套接层，所有信息在SSL的加密通道中传输，防止在传输过程中的机密信息被窃取。用户身份认证Web服务。主要用于金属交易网络的资金结算和信息加中，TokenID包括用户登录时间、IP地址、随机数，采用MD5进行加密方式。金属交易网络的Web服务。为金属交易网络系统提供的各种服务，每次调Webservices时，均需要对相关权限进行检验，提高数据库系统的安全性。综上分析，得到金属交易网络的角色等级关系示意图如图1所示。

2网络攻击信息特征提取与攻击检测算法设计

根据上述描述的金属交易网络安全防御机制，采用攻击检测方法进行网络安全检测和防御。

3仿真实验与结果分析

为了测试本文算法在实现金属交易网络安全防御和攻击检测中的性能，进行仿真实验。实验中，采用Hash表构建金属交易网络的网络攻击信号波形，Hash表的访问速率与链路速率相匹配，金属交易网络攻击数据采用的是KDDCup2015病毒数据库，交易网络攻击的相位信息系数μ0=0.001，θ2=0.45π，攻击的相位信息初始值选为θ1=-0.3π，即1024Hz。根据上述仿真环境和参数设定，进行网络攻击检测，得到检测到的网络攻击信号波形如图2所示。对上述攻击信号通过时频分析方法进行特征提取，实现攻击检测，达到网络安全防御的目的，为了对比性能，采用本文方法和传统方法，以准确检测概率为测试指标，得到结果如图3所示。从图可见，采用本文方法进行网络攻击检测，准确检测概率较高，性能较好。

4结语

本文提出一种基于攻击检测的金属交易网络安全防御模型。首先分析了金属交易网络安全防御机制，进行网络攻击的数据信息特征提取，通过时频分析方法进行攻击检测，实现网络安全防御和主动检测。仿真结果表明，采用该模型进行网络攻击检测，对病毒和攻击数据的准确检测概率较高，虚警概率较低，提高了网络安全性能。

参考文献

[1]张海山.基于云存储视频监控系统的研究[J].电子设计工程,2015,(10):169.

篇3

关键词 ：网络安全；云计算；态势预测；病毒

中图分类号：TN957.52?34 文献标识码：A 文章编号：1004?373X（2015）20?0015?05

Scenario simulation of network security estimation model incloud computing environment

CHEN Liangwei

（Department of Computer Engineering，Chengdu Aeronautic Polytechnic，Chengdu 610100，China）Abstract：In the cloud computing environment，the traditional method，which takes the terminal network monitoring methodto estimate the network security，has low estimated accuracy for security situation and poor detection performance due to thehigh power attenuation of network communication channel terminal. A security estimation and trend prediction algorithm basedon adaptive data classification and membership feature extraction of virus infection in cloud computing environment is proposed.The network security estimation model based on cloud computing environment is established，the adaptive data classification al?gorithm is adopted to carry out clustering evaluation for network attacks data，and the infection membership feature of virus at?tacks data is extracted to realize the network security situational prediction and virus attack detection. The simulation test resultsshow that the algorithm has high virus data flow prediction accuracy，can realize network virus flow prediction and data detec?tion in different scenarios，and improve the ability of resisting the virus attacks in cloud computing environment.

Keywords：network security；cloud computation；situation prediction；virus

0 引言

随着网络信息技术的发展，海量数据在网络中通过云计算进行处理。云计算是基于互联网进行数据交互和通信的海量数据处理方法。云计算具有强大的计算能力和数据存储能力，通常涉及通过互联网来提供动态易扩展的资源和存储空间。在云计算环境下，由于数据在宽频带信道内进行快速聚簇和传输通信，容易受到网络病毒的攻击，威胁到网络安全。如今，云计算环境下的网络安全成为网络应用研究的热点课题。为了提高云计算环境下网络系统的安全性和稳定性，需要对云计算环境下网络的攻击和入侵信号进行准确的检测，对云计算环境下网络威胁态势进行有效预测，提高抗体的检测概率，降低网络攻击检测的虚警概率。在云计算网络数据通信中，通过对云计算环境下网络安全态势预测，提高抵御风险的能力。因此，研究云计算环境下的网络安全估计和危险态势预测模型具有重要意义[1]。

为保证个体用户的信息安全，需要提取网络信息安全特征，进行网络威胁态势预测和安全估计，传统方法中，通过使用防火墙作为第一道网络安全防护系统，进行网络攻击检测和云计算环境下的安全模型估计，在一定程度上可以保证计算机系统的安全，但防火墙在防御高度伪装与隐蔽性极强的隐形文本的数据攻击下，具有一定的局限性[2?3]。对此，相关文献进行了算法改进设计，其中文献[4]提出一种基于多源层次数据结构分析的网络危险态势预测模型，实现网络安全量化评估，但该算法需要进行IDS报警日志记载，在先验数据采集中的误差较大，适应性能不高。文献[5]提出一种基于日志审计动态预测的云计算网络安全态势预测算法，实现对点对点网络攻击的有效检测，但该算法计算复杂，运行开销大。当前对云计算环境下网络安全估计和态势预测采用终端网络监测方法进行网络安全估计，由于网络通信信道终端功率衰减性强，导致安全态势估计精度不高，检测性能不好。文献[6]中以一种解决拥塞的思维解决安全问题，但是，这种安全必须是由拥塞引起的，限制了应用性。文献[7]以能量的思想解决网络安全问题，但是其应用只能是无线传感网络，无法移植到一般网络。

文献[8]在资源分配安全中考虑了反馈的概念，但是这种反馈也只能起到提醒的作用，无法进行病毒的根除。文献[9?10]都是根据节点过滤原理进行病毒检测，但是，节点过少也会降低通信性能，因此应用缺陷明显。针对上述问题，本文提出一种基于自适应数据分类和病毒感染隶属度特征提取的云计算环境下的网络安全估计及态势预测算法。首先构建了云计算环境下的网络安全估计模型，进行网络攻击信号模型构建，采用自适应数据分类算法对网络攻击信息数据进行聚类评估，提取网络攻击病毒数据的感染隶属度特征，实现网络安全态势预测和攻击检测，仿真实验进行了性能验证，展示了本文算法在实现网络安全态势预测和攻击检测中的优越性能，提高了网络抵御病毒攻击的能力，展示了较好的应用价值。

1 网络安全估计模型及数据分析

1.1 云计算环境下的网络安全估计模型

云计算是将大量网络计算资源进行虚拟化存储和抽象计算网络运算模式，基于云计算的网络安全估计模型如图1所示。

图1 基于云计算的网络安全估计总体架构

分析图1可知，大规模的网络物理资源和多源信息在交换机中实现信息交互和数据处理，假设云计算环境下m 个终端上的病毒数据流为：

云计算环境下的网络安全估计模型的幅度和频率分别表示为：

式中η 表示网络安全频率值。

通过构建在s 域和z 域上的分数阶傅里叶变换，对网络数据在多通道平台中进行相空间重构，得到重构后的网络病毒数据特征空间矢量为：

式中θ1(k) 表示初始状态向量。设有云计算环境下存在M 个全方向性攻击的伪随机时频跳变网络谐振病毒数据，P 个干扰信号以θ0 ,θ1,θ2 ,…,θP 的相位进行网络攻击，造成网络安全威胁，则需要进行网络安全态势预测。

1.2 云计算环境下的网络攻击信号构建和数据

在上述构建的云计算环境下的网络安全估计模型的基础上，进行网络攻击信号模型构建，假设网络安全估计模型为一个三维连续的典型自治系统，采用三维连续自治系统模拟云计算环境下网络攻击服务器威胁指数和主机威胁指数，得到服务器威胁指数和主机威胁指数分别为：

式中：xk 表示网络攻击环境下的病毒数据时间序列采样值；yk 表示IDS日志信息；f（·）表示云计算环境下网络攻击的病毒数据时间序列值；h（·）表示云计算环境下网络攻击目录；vk 和ek 分别表示云计算环境下网络攻击检测受到的干扰项，且xk∈ Rnv ，yk∈ Rne ，其中，R 表示最大网络威胁阀值范围，n 表示网络攻击病毒数，此时网络威胁安全态势指数表示为：

的层次化评估系数求和；Γ（·）表示Sigma函数。采用相空间重构方法对网络采集数据进行重构，得到云计算环境下的网络攻击信号模型为：

式中：s 表示网络攻击信号特征；v 表示网络攻击信号受到的干扰项；L 表示网络病毒攻击模糊入侵特征分为L类；A 表示环境干扰系数；j 代表干扰信号数量；p(ωn ) 表示网络威胁安全态势指数。

假设网络病毒攻击模糊入侵特征可以分为L 类，入侵特征分为(w1,w2 ,?,wn ) ，n 为入侵次数。采用粒子滤波独立自相成分分析的思想，设计出一个粒子滤波联合函数，该联合函数式是以时间与频率分联合分布进行考虑的；即把模糊网络入侵信号分段分成一些局部进行分析考察，而不是全局地进行分析判断，对其进行粒子滤波变换，对于2个标量时间序列y1 和y2 ，其联联合概率密函数为f (y1,y2 ) ，最后得到网络攻击信号的系统模型为：

分析上述网络攻击过程可见，网络病毒感染数据在Javascript程序内部经过变量赋值、传递，字符编码和过滤，实现参数进入函数的过程。因此，在该种环境下，应对网络攻击信号进行自适应数据分类，提高云计算环境下的网络攻击信号检测性能。

2 特征提取及算法改进实现

2.1 自适应病毒数据分类算法

在上述构建的云计算环境下的网络安全估计模型基础上，进行网络攻击信号模型构建。根据上述信号模型，采用自适应数据分类算法对网络攻击信息数据进行聚类评估，对云计算环境下的攻击数据自适应分类这一研究过程中，需要进行网络拓扑设计。拓扑网络的工作原理是用在两个通信设备之间实现的物理连接的一种物理布局，使诸多计算机在不同的地理位置与要使用的不同区域设备用通信线路联系起来，进行数据信息的共享和传递，分享各自的流媒体信息，软硬件信息等。假设输入到网络安全估计模型中的病毒信号为x(t) ，则基于式（3）和式（4）中mk 和μk 的表达式，可得该病毒信号的幅度和频率分布为：

式中：Wx (t,v) 表示病毒数据在t,v 域内的双线性变换下脉冲响应，其具有实值性，即Wx (t,v)∈ R,?t,v 。

基于自适应数据分类，以及网络攻击信号的系统模型s(k) ，得到云计算环境下网络攻击信号的总能量为：

对云计算环境下的网络服务层和主机层的病毒数据的总能量Ex 进行边缘特性分解得到：

构建多路复用器输入/输出的网络病毒感染的向量空间模型，构建病毒感染的模糊关系的隶属度，优化对病毒感染的免疫性设计和数据检测性能，在输入点和输出点得到多频自适应共振采集数据流为：

在云计算环境下，模糊入侵特征的信息流量是由，并采用多频自适应共振检测算法实现云环境下模糊入侵特征的检测。并且根据自相关函数极限分离定理可得，网络病毒数据的自相关变量X 由随机独立变量Si ，i = 1,2,?,N 随机组合而成，这些随机分离变量的方差和均值服从于高斯分布，从而实现网络病毒数据的分类。

2.2 网络安全威胁态势预测算法实现

在上述进行病毒数据分类的基础上，进行感染隶属度特征提取，以及云计算环境下的网络安全估计及态势预测，根据网络攻击信号的时移不变性和频移不变性，与第2.1节对网络服务层和主机层的病毒数据的总能量进行边缘特性分解，得到方程式（13）以及多频自适应共振采集数据流x(t) ，则病毒感染隶属度特征为：

基于上述获取的网络病毒威胁的态势指向性函数，逐步舍弃云计算数据传输信道中的网络攻击的病毒信息历史测量信息，并采用级联滤波实现噪声抑制，可得到网络安全态势分析的时频响应为：

从上述分析获取的网络安全态势分析的时频响应中，可提取网络攻击病毒数据的感染隶属度特征，由此得到自组织态势分析迭代方程为：

式中：B 表示零均值病毒数据流；S 表示零均值自相关随机病毒数据；Φk 信息融合中心形成k 个联合特征函数；mk 表示网络攻击病毒数据的幅度；θ 表示网络病毒数据特征空间矢量；K 表示为病毒感染通道属性值；T 表示统计时间；a，b，z，r 都是变量参数。

根据上述预测结果，通过非高斯函数极限分离特性，可以最大限度对各独立变量进行自相关成分表征，对于动态病毒感染隶属度特征，调用Javascript解析引擎进行网络威胁态势预测，实现病毒攻击的检测。

3 仿真实验与结果分析

为了测试本文算法在进行云计算环境下网络安全估计和威胁态势预测性能，进行仿真实验。试验平台为通用PC 机，CPU 为Intel? CoreTM i7?2600@3.40 GHz，实验采用Netlogo建立云计算仿真场景，算法采用Matlab 7进行数学编程实现。网络病毒数据库使用Armadillo，该网络病毒数据库是对LAPACK和BLAS库的封装。根据网络用户对网络攻击检测任务执行能力策略判定系统的比特流量，令hTR = 1/6 ，hGD = 3 ，hF = 2 。在病毒入侵状态链为3维随机分布状态链模型，每个格点的配位数z 为26，二维配位数z 为8。仿真参数设定详见表1。

表1 云计算环境下网络安全估计仿真参数设定

通过上述仿真环境设定和参数设计，进行网络安全估计和态势预测仿真，在三种不同场景中进行病毒数据预测和威胁态势分析，仿真场景设置为：云计算数据传输自由流场景、网络轻度拥堵场景和网络数据重度拥堵场景。使用OpenMP 对算法中13~15 行的循环并行处理，试验共使用12组数据。根据上述网络模型构建和参数设置，模拟不同链长960 个计算核数，对个体网络用户进行病毒入侵攻击，得到三种场景下的网络病毒流预测结果如图2~图4所示。

从图可见，采用本文TraSD?VANET算法，能在云计算数据传输自由流场景、网络轻度拥堵场景和网络数据重度拥堵场景下，实现网络病毒的预测，对网络攻击的监测准确度好。当病毒信息参量呈非线性增长变化时，对网络病毒攻击的参数估计精度较高，实现网络威胁态势准确预测和评估，本文方法比传统的CoTEC和Centri?lized 方法在进行网络病毒数据预测的准确度分别高16.0%和15.7%，展示了本文算法在实现网络安全检测和预测方面的优越性能。

4 结语

对云计算环境下网络威胁态势进行有效预测，提高抗体的检测概率，降低网络攻击检测的虚警概率提高抵御风险的能力。本文提出一种基于自适应数据分类和病毒感染隶属度特征提取的云计算环境下的网络安全估计及态势预测算法。首先构建了云计算环境下的网络安全估计模型，进行网络攻击信号模型构建，采用自适应数据分类算法对网络攻击信息数据进行聚类评估，提取网络攻击病毒数据的感染隶属度特征，实现网络安全态势预测和攻击检测。仿真实验表明，本文算法能实现不同场景下的网络病毒流预测和数据检测，实现网络安全估计和态势预测，提高了网络抵御病毒攻击的能力，展示了较好的应用价值。

参考文献

[1] 刘雷雷，臧洌，邱相存.基于Kanman算法的网络安全态势预测[J].计算机与数字工程，2014，42（1）：99?102.

[2] 韦勇，连一峰.基于日志审计与性能修正算法的网络安全态势评估模型[J].计算机学报，2009，32（4）：763?772.

[3] 王晟，赵壁芳.基于模糊数据挖掘和遗传算法的网络入侵检测技术[J].计算机测量与控制，2012，20（3）：660?663.

[4] 刘逻，郭立红，肖辉，等.基于参数动态调整的动态模糊神经网络的软件可靠性增长模型[J].计算机科学，2013，40（2）：186?190.

[5] 陈秀真，郑庆华，管晓宏，等.层次化网络安全威胁态势量化评估方法[J].软件学报，2006，17（4）：885?897.

[6] 罗龙，虞红芳，罗寿西.基于多拓扑路由的无拥塞快速业务迁移算法[J].计算机应用，2015，35（7）：1809?1814.

[7] 孙超，杨春曦，范莎，等.能量高效的无线传感器网络分布式分簇一致性滤波算法[J].信息与控制，2015，44（3）：379?384.

[8] 匡桂娟，曾国荪，熊焕亮.关注用户服务评价反馈的云资源再分配方法[J].计算机应用，2015，35（7）：1837?1842

[9] OLFATI?SABER R. Distributed Kalman filtering for sensor net?works [C]// Proceedings of the 46th IEEE Conference on Deci?sion and Control. Piscataway. NJ，USA：IEEE，2007：5492?5498.

篇4

中图分类号：TP309.2 文献标识码：A 文章编号：1007-9416（2017）04-0217-01

1 大数据时代网络安全态势预测作用

网络态势感知（Cyberspace Situation Awareness，CSA） 是1999年Tim Bass首次提出的， 网络态势感知是在大规模网络环境中， 对能够引起网络态势发生变化的安全要素进行获取、 理解、 显示以及预测最近的发展趋势。网络威胁是动态的和具有不固定性的，因此网络安全防御需要采用动态预测措施，以便能够根据当前网络走势判断未来网络安全情况。网络安全态势预测是指可以通过观测数据的统计分析结果，预测网络安全态势未来的走势，为用户提供安全反馈结果，以便网络管理员做出正确的决策。目前，网络安全态势预测采用先进的预测分析技术，能够长期的统计网络中不确定信息，为态势发展提供科学规律，建立态势预测的长效机制，并且可以构建完善的网络安全态势预测趋势图，进一步提高安全态势预测的可用性。

2 大数据时代网络安全态势预测关键技术分析

目前，网络安全态势预测技术已经得到了广泛的研究，同时也诞生了许多的态势预测技术，关键技术包括自回归移动平均模型、灰色预测模型和神经网络预测模型。

2.1 自回归移动平均模型

自回归移动平均模型是一种非常常用的随机序列模型，自回归移动平均模型的建模过程分为序列检验、序列处理、模型识别、参数估计和模型检验等五个关键的步骤，其主要目的是为了能够识别序列中蕴含的自相关性或依赖关系，使用数学模型能够详细地刻画序列发展的延续性。自回归移动平均模型执行过程中，序列检验主要用来检测数据的随机性和平稳性；序列处理可以将序列进行平稳化处理，通常采用的方法包括周期差分法、差分运算法和函数变换方法；参数估计常用的方法包括极大似然估计、矩估计、最小二乘估计；模型检验可以检测参数是否属于白噪声序列，如果是则表示检验通过。自回归移动平均模型在应用过程中，其要求网络安全态势序列或者某一级差分需要满足平稳性假设，这个前提条件限制的非常苛刻，因此极大的限制了自回归移动平均模型使用范围。

2.2 灰色预测模型

网络安全态势预测过程中，为了能够弱化原始序列的随机性，通常会采取累减或累加等方法求解生成序列，如果处理的次数足够多，一般可以认为已经弱化为非随机序列，大多可以使用指数曲线进行逼近，这也正是灰色预测的核心思想。灰色预测模型可以有效地反应网络安全态势中的低频缓变趋势，但是这种预测方法无法很好地体现突发性较强的高频骤变趋势，难以应对网络安全态势预测过程中的具有周期性波动的网络态势，因此导致这种趋势的误差非常大。

2.3 神经网络预测模型

神经网络是一种有效的网络安全态势预测算法，其可以采用学习算法学习正常的网络数据行为，能够提取相关的正常行为特征，将其保存在网络中，以便能够进行识别不一样的行为。神经网络可以对训练数据进行自组织、自适应的学习，具有学习最具典型的攻击行为特征样本和区分正常数据的能力，以便能够得到正常的事件行为模式。训练之后，神经网络可以用来识别待检测的网络事件行为特征，能够鉴别行为特征的变化，检测判断出潜在的异常行为。神经网络在安全审计系统中的应用不足之处是样本数据很难获得，检测的精度也需要依赖于神经网络的训练次数，如果加入了新的攻击行为特征，需要重新训练网络，训练步骤较为复杂，耗费较长的时间。

3 结语

计算机网络技术日臻成熟，在很多领域、行业内得到了普及，促进了生产、生活的发展。但是因为网络具有开放性、互联性、自由性、国际性等特征，实际上也为不法分子提供了可乘之机。随着大数据时代的来临，网络安全面临更为严峻的挑战。大数据时代的网络安全问题，涉及到诸多方面的内容，并且问题比以往更为显著、复杂，只有不断加强对大数据、网络安全的了解，采取有效的防范措施，才能确保网络安全。网络安全态势预测可以使用统计分析技术、概率论推理技术、神经网络模式识别技术等根据当前网络运行状态预测未来网络发展趋势，能够及时的获取网络中潜在的安全威胁，构建主动网络安全防御系统，进一步提高网络安全防御能力。

参考文献