文摘

为了提高网络安全形势的准确预测和预测算法的收敛速度,提出了一种组合预测模型(EMD-ELPSO-BiGRU)基于经验模态分解(EMD)和改进的粒子群优化(ELPSO)优化BiGRU神经网络。首先,网络安全形势数据序列分解为一系列的固有模式函数通过EMD。然后,粒子群优化算法(ELPSO)基于合作更新的进化状态判断和学习策略提出优化BiGRU hyper-parameters神经网络。最后,网络安全形势预测模型构建了基于EMD-ELPSO-BiGRU预测每一个固有模态函数,分别预测结果叠加获得最终的网络安全形势的预测价值。仿真结果表明,ELPSO具有更好的优化性能,和EMD-ELPSO-BiGRU模型具有较高的预测精度和收敛速度显著提高相对于其他传统的预测方法。

1。介绍

随着互联网技术的快速发展,计算机网络已经成为不可缺少的通信手段。然而,在网络环境中有各种各样的威胁。虽然防火墙、入侵检测系统、病毒杀死,和其他技术目前已经开发,这些方法只能处理威胁和无法控制网络的总体趋势。在此背景下,针对网络安全的问题,研究者提出了网络安全态势感知能力。网络安全形势是一个网络安全形势的趋势。根据网络环境的变化,网络管理员可以采取措施来避免网络攻击或减少网络攻击造成的损害。网络安全形势预测是一种主动防御机制(1),首先分析和理解的元素和过去的网络现状,然后推测未来网络情况。因为网络安全的现状反映情况后价值获得情况的评估,和情况的值代表了网络状态值在每一个时刻,形势预测问题实际上是一个时间序列预测问题[2]。因为网络安全形势变化的趋势是非线性和时变,许多经典的时间序列预测方法很难准确地找出之间的关系网络的现状和发展趋势,从而导致无法提高预测精度(3- - - - - -5]。

在现有的网络安全形势预测,研究方法主要分为三种类型:数学模型,实现工艺知识推理和模式(6]。

基于数学模型的方法是第一种方法应用于网络安全状况的预测。这种方法可以全面分析各种因素可能影响网络安全状态的变化,构造一个评价函数,实现从各种情境因素组成的集合的映射到网络安全形势空间通过数学表达式。方法基于数学模型包括层次分析法、重量分析和时间序列分析(7]。小王和胡8,9)通过时间序列分析算法预测网络安全情况和分析获得的多个历史情况值情况评估算法在时间序列实现未来网络安全状态的预测。然而,由于滑动基于时间序列回归模型需要输入序列满足平稳性假设,它不能总是保证精度高。

在网络安全态势评估和预测,利用证据理论知识推理方法,概率论,和模糊理论处理不确定信息,可能会影响网络安全,并建立了相应的评估和预测模型基于专家的知识和经验。杨et al。10)通过基于概率论的贝叶斯算法改善了,形成一个动态贝叶斯网络模型,然后初始化先验概率和后验概率调整通过结合历史情况数据和实时情况数据,并成功地应用于网络安全形势的预测。一帆(11)提出了一个基于贝叶斯网络的风险评估方法,但它不能应用于大规模的网络环境,因为计算联合概率的高成本。阮(12)模糊推理适用于情况预测,描述了基于模糊集的网络安全形势,结合了马尔可夫过程。同时,遗传算法引入模糊隶属函数和模糊马尔可夫链是用来准确预测网络安全形势。

基于模式识别方法,有必要将所有可能情况下的网络安全形势的帮助下或机器学习专家知识和经验,最后确定网络安全状态通过计算训练样本之间的相关性和测量数据。基于模式识别的方法主要包括支持向量机、神经网络、聚类分析、灰色关联分析、粗糙集等。肖等人,王et al。13,14)所有使用改进的SVM方法来预测网络安全形势。肖et al。13)优化支持向量机参数的粒子群优化(PSO)算法和提出一个PSO-SVM网络安全形势预测模型,最终准确地预测基于小样本数据的网络安全情况。在此基础上,王et al。14)降低不规则扰动的影响通过积累原始序列和证明它的优越性与PSO-SVM预测模型进行比较。

目前,机器学习已经成为一个热点在解决非线性复杂问题在不同的研究领域。神经网络,它属于模式识别方法是机器学习算法之一,已广泛应用于医疗、金融、管理、电气等领域。大量的研究人员还预测神经网络的网络安全状况。

与传统的机器学习模型相比,深度学习模型显示巨大的潜力预测网络安全领域的情况。道等人,Zhang et al。15,16]研究网络安全形势基于BP神经网络的预测模型。尽管BP神经网络对网络安全状况的预测有一定的效果,BP神经网络算法缺陷导致很多局限性。复杂场景的特点和动态变化的网络安全态势感知网络安全事件的发生有很大的概率和意外。李,赵17]提出一种基于LSTM网络安全态势预测方法。LSTM神经网络递归神经网络的改进,并在处理时间序列数据表现强劲。Kurri et al。18基于LSTM]提出一种网络流量预测方法,介绍了粒子滤波约束算法优化网络参数。针对收敛速度慢的问题影响了培训成本LSTM神经网络在训练过程中,李et al ., Zhang et al .,刘et al .,和阳et al。19- - - - - -22]提出一种智能优化算法来提高LSTM神经网络模型的收敛速度。针对预测精度低、效率低的问题,在传统的神经网络中,陈et al。23)提出一种新的基于递归神经网络预测方法的封闭的复发。该方法从原始时间序列数据提取信息的特性,应用深度RNN模型训练和验证。迭代和优化后,训练模型可以获得网络安全预测的准确性。王等人。24]提出一种基于两层递归神经网络预测方法LSTM和格勒乌。该方法结合了两种改进的递归神经网络。尽管提高预测精度,模型的复杂性增加,模型的训练时间延长。

为了解决存在的问题在传统的预测模型,提出了一种组合预测模型基于EMD和ELPSO BiGRU优化神经网络(EMD-ELPSO-BiGRU)。考虑到多属性安全索引数据作为数据支持,多属性网络安全数据融合的基础上BiGRU神经网络,网络安全形势数据序列分解为一系列的固有模式函数通过经验模态分解,super-parameters和网络规模的网络是由改进的粒子群优化(ELPSO)算法,进一步提高了模型的性能。这个模型在很大程度上保留了原始网络安全数据,最大化挖掘数据之间的相关性,提高了预测精度。

本文的其余部分安排如下:第二部分介绍了本文所涉及的相关的基本算法,包括经验模态分解,BiGRU神经网络和传统的算法;第三部分介绍了基于合作更新粒子群优化算法的进化状态判断和本文提出的学习策略;第四部分介绍了神经网络优化BiGRU hyper-parameters基于ELPSO算法。第五部分介绍了网络安全形势预测模型基于EMD-ELPSO-BiGRU;第六节讨论实验和结果。第七部分总结了本文的工作。

2。相关基本算法

2.1。经验模态分解

经验模态分解(EMD) [25)是一种处理非线性和非平稳时变序列的方法。该方法自适应分解信号根据数据本身的时间尺度特征和被认为是一个突破在傅里叶分析与小波分析基于静止的和线性的假设。EMD算法的筛选过程是复杂的时间序列数据分解为有限的固有模态函数(IMF),和IMF分量分解得到的包含原始数据的波动信息在不同的时间尺度。

对于一个给定的原始时间序列样本数据 ,首先,当地的最大和最小值分别计算,和当地的最大和最小值插值和拟合得到上下包络线网络吗和原始数据序列 ,然后计算出上、下包络线的平均值序列获得均值序列 : 。

减去均值序列从原始序列得到一个新的序列删除低频率:

一般来说,不符合条件的固有模式函数。在这个时候,作为原始序列,重复次直到平均曲线趋向于零。标记的判断条件 和治疗作为国际货币基金组织

这里,SD筛选阈值,通常在0.2和0.3之间。减去从残差序列 最高的频率成分。重复上面的筛选过程获得后续的IMF分量,直到小于预定错误或是一个单调函数,模态分解过程终止。到目前为止,原始序列可以用国际货币基金组织立项组件和剩余 :

2.2。BiGRU神经网络

双向封闭的复发性单元(BiGRU)是一个双向gated-based递归神经网络,这是由向前格勒乌和向后格勒乌(26]。格勒乌长短期记忆的模型是一个变体(LSTM [27)网络。与LSTM相比,格勒乌模型的网络结构比较简单,但是LSTM效果基本上是一样的,大大降低了网络训练所需的时间。的输出当前时间步的递归神经网络的输出有关以前的时间步长,使得递归神经网络的记忆和适用于处理序列数据。然而,传统的神经网络只有短期记忆,这不是有效的长距离依赖,梯度爆炸或梯度消失的问题。LSTM解决上面的问题通过闸门机制和可以学习大跨度依赖性。LSTM神经元的结构如图1。

格勒乌LSTM网络结合输入门忘记门,称为更新门,大大降低了网络培训所需的时间。格勒乌神经元的结构如图2。

在格勒乌网络,更新门控制多少隐藏状态历史时刻和候选人在当前时间保留隐藏状态在当前时间。重置门的功能是确定之间的依赖程度,候选人的状态在当前时刻和前一时刻隐藏状态。 是输入在当前时刻,是隐藏的状态在前一刻,是候选人的状态在当前时刻,是隐藏的状态在当前时刻,是在当前时刻的输出。公式(8)的计算公式更新门,和公式(9)的计算公式是重置门。

在格勒乌网络信息只能在一个方向上传播,但在实践中,每个输入数据可能依赖于输入数据之前和之后。使用BiGRU网络通过trainment数据网络在两个方向上使模型更有效。BiGRU网络图所示的结构3。

2.3。传统的算法

粒子群优化(PSO)是一种智能搜索算法,模拟鸟类群体的社会行为(28)和搜索问题的解决方案合作通过个体之间的信息共享。具体算法的数学描述是假设目标搜索空间的维数D,粒子种群规模N, 代表的位置我在采用th粒子搜索空间, 代表i粒子的速度,在那里 。 代表所经历过的最优位置我th粒子本身,能代表整个群体经历的最优位置。在整个进化过程的算法,每个粒子更新自己的速度和位置通过不断更新和 ,以找到最好的粒子的位置当它达到最佳的健身价值,这是优化问题的解决方案。粒子速度和位置更新公式

其中,惯性权重;和正在学习因素,通常值为2;和分布随机数在[0,1];是当前迭代粒子的数量。

3所示。基于合作的粒子群优化算法更新的进化状态判断和学习策略

PSO算法具有结构简单的优点,一些控制参数,杰出的全局优化能力,等。它还具有计算速度快的特点,一些参数,方便实现。然而,该算法在搜索过程中存在一些问题,如过早收敛或陷入局部最优,这主要是由于人口多样性的丧失在优化过程中(29日]。保持种群多样性是一个重要的措施,提高全局搜索能力,避免不成熟的现象。因此,在本文中,学习策略基于进化状态信息更新机制决定是采用粒子群优化算法的迭代过程,并提出ELPSO。

有别于传统的粒子群优化算法,ELPSO算法利用种群进化的信息选择适当的学习策略。当进化状态大于固定阈值,算法在收敛阶段的决定,和完整的信息采用学习策略来更新粒子的速度和位置信息的更好的社区,加快算法的收敛速度;当进化状态小于固定阈值,算法是决定阶段的跳出局部最优。算法采用本地信息学习策略并更新局部最优和最佳邻域粒子的速度和位置信息,以保持种群的多样性,使算法容易陷入局部最优。

3.1。进化状态分析

在粒子群优化的迭代过程,减少人口的多样性是粒子群优化的主要原因可分为局部最优。针对这一特点以及迭代次数之间的线性关系和人口的多样性,本文定义了进化的因素E,它的计算公式

的公式,代表平均粒子在同一纬度之间的位置;代表人口的总数;代表了粒子尺寸;是用来调节的敏感性指数函数和匹配根据初始化状态的人口和人口多样性的程度;是当前的迭代次数;是迭代的最大数量;和和代表的值当前人口多样性和最大人口多样性,分别两个相等时, 。

3.2。邻居选择策略

在迭代过程中,根据粒子群优化的编码特点,每个粒子和其他粒子之间的汉明距离计算和排序。根据排序结果,一个给定的粒子的邻居与指定数量。

的公式,代表之间的汉明距离我th粒子和j在人口th粒子;是汉明距离函数计算;排序结果的集合;代表当前附近的粒子集;和是指定数量的邻居。

3.3。完整信息学习策略

为了提高粒子优化问题,ELPSO算法采用完整信息学习策略,确保优化能力和收敛性能。ELPSO算法的迭代过程,粒子获得信息从邻近粒子更好的健身价值,同时避免坏的影响相邻的粒子。邻近粒子与粒子更好的健身价值有更大的影响 。基于上述思想,ELPSO算法学习策略采用一个完整的信息,和它的速度和位置更新表达式

根据相关文献,使用收敛系数和加速度系数调整粒子速度,算法的性能更好, , ; 粒子的数量在粒子更好的邻居吗 ; 是米th更好的邻域粒子的粒子我;粒子的位置吗 ; 粒子的适应度值;是粒子的适应度值的总和在更好的社区;和代表一个数字[0,1]之间均匀分布。方程(20.)是粒子位置更新公式。粒子速度值,是速度的概率值映射。如果概率值是大于随机数 ,粒子位置向量需要自己的补充;否则它保持不变。

3.4。本地信息学习策略

粒子群优化的粒子更新速度和位置根据当地最佳的信息和最优粒子邻居,被其他粒子的影响较小,并且可以更自由地移动在搜索空间,这有利于保持种群的多样性。ELPSO采用本地信息学习策略,其速度和位置更新表达式

的公式,粒子的局部最优位置吗 ; 附近的粒子的最优位置吗 ;和和代表了数字[0,1]之间均匀分布。

3.5。ELPSO算法流

理想的粒子群优化算法不应该陷入局部最优,同时保证收敛速度快,这是通过使用一个单一的学习策略难以实现。因此,ELPSO算法采用不同的学习策略来解决复杂优化问题在不同的进化状态。针对粒子群优化的问题还为时过早,容易陷入局部最优,粒子群优化的迭代过程分为两个阶段:跳出局部最优和收敛。与此同时,进化状态划分。如果进化的因素E< 0.7,是判定算法跳出局部最优,舞台上的显示,人口多样性是可怜的。本地信息应该选择学习策略确保粒子可以更自由地移动在搜索空间来保持种群的多样性;如果进化因素E> 0.7或E= 0.7,决定算法在收敛阶段,表明人口多元化是好的。所有信息应该选择学习策略确保粒子从邻居那里获得信息粒子加速收敛有更好的健身价值。ELPSO的具体步骤步骤1。种群初始化。设置粒子种群规模、学习速率因子迭代时间和搜索空间维度。步骤2。进化状态的决心。计算进化的因素E;如果E< 0.7,这是阶段的判断,该算法跳出局部最优;如果E≥0.7,决定算法收敛阶段。步骤3。粒子速度更新。如果阶段的算法跳出局部最优,粒子速度更新公式(21);如果算法在收敛阶段,粒子速度更新方程(18)和(19)。步骤4。更新粒子的位置。通过方程(更新粒子的位置20.)。第5步。重复步骤2到5,直到满足终止条件。步骤6。满足终止条件(到达最大迭代时间),输出最优值,获得对应的目标函数值,算法结束。

ELPSO算法,进化状态判断的关键是平衡收敛和跳出局部最优。粒子群优化算法的优化机制的进化状态判断和学习策略更新合作图所示4。

4所示。优化Hyper-Parameters基于ELPSO BiGRU神经网络的算法

当ELPSO算法用于优化BiGRU网络,本文使用监督学习训练模型的训练阶段BiGRU网络和以均方误差函数为模型的损失函数。

其数学定义如下: 在哪里N训练样本的数量,是实际值,模型的预测价值。

BiGRU神经网络的训练数据涉及的设置几个super-parameters:神经元的数量米,时间步长T和批量大小。神经元的个数决定了神经网络的拟合程度,时间步长和批量大小直接影响模型的训练结果。在实际应用中,不同的超参数设置对应于不同的数据集将影响预测精度。摘要ELPSO用于优化这些super-parameters,根据输入数据,优化神经网络的结构和训练模式自适应获取模型参数的最优组合。具体步骤如下:步骤1:初始化参数的算法,并确定人口规模,迭代次数,惯性权重和学习因子的变化区间。步骤2:随机生成一个三维的人口粒子(米,T批量大小)和初始化粒子的位置和速度,和粒子的尺寸参数进行优化。步骤3:将公式(22粒子的适应度函数。适应度函数越小,越小的损失函数模型,和更好的参数组合获得的粒子。步骤4:更新粒子的速度和位置。第五步:停止当迭代次数达到或粒子的适应度函数往往是稳定的,和最好的粒子位置的人口是这一次获得最优参数组合;否则,转到步骤4继续迭代。

使用ELPSO算法的流程图来解决最优的参数组合BiGRU模型如图5。

5。网络安全形势预测模型基于EMD-ELPSO-BiGRU

为了详细分析网络安全形势变化的特点,提出了一种组合预测模型基于经验模态分解(EMD-ELPSO-BiGRU)和改进的粒子群优化(ELPSO)优化BiGRU神经网络。首先,网络安全形势序列是稳定通过变分经验模态分解,分解成一系列不同模态组件来降低网络安全形势的复杂性序列;然后,基于ELPSO BiGRU神经网络优化算法来预测每个模态组件;最后,每个模态分量的预测结果的网络安全形势序列叠加获得网络安全形势的预测价值。网络安全形势预测过程如图6。

6。经验和讨论

6.1。ELPSO算法的性能评估

但是。基准测试函数

为了测试的有效性ELPSO提出,传统的粒子群优化(PSO) (30.),改进的粒子群优化(MPSO) [31日),量子粒子群优化(QPSO) [32],IAP-PSO [33],EIW-PSO [34],CLPSO [35],SRPSO [3612日)选择比较实验基准函数。12个测试函数的数学表达式如下所示(37]。(1)球面函数 (2)Schwefel函数 (3)Schwefel函数 (4)阶跃函数 (5)谢弗函数 (6)Rastrigin函数 (7)Griewank函数 (8)《函数 (9)谢弗函数 (10)Branin函数 (11)Six-hump骆驼背函数 (12)戈尔茨坦价格函数

6.1.2。分析仿真结果

在实验中,不同的PSO算法设置相同的人口规模 ,迭代的最大数量 ,学习的因素 ,与原文献和其他参数设置是一致的;在ELPSO算法, , , 。

为了测试算法的性能,实验分为三组,算法的尺寸设置为10,30岁和50个,50倍的四个算法独立运行。均值(平均)的每个算法的测试结果如表所示1- - - - - -3。

比较结果的表1- - - - - -3,它可以获得12个测试函数,与其他算法相比,ELPSO算法进一步改进的测试函数的优化效果和有更好的稳定性;无论是在低或高维度,ELPSO算法可以找到更好的结果在单峰,多通道,结合功能。

6.1.3。T测试和弗里德曼测试

为了进一步澄清算法之间是否存在显著的差异,介绍了T测试(38)和弗里德曼测试(3912日)来测试8算法的性能测试函数从统计学的观点。实验结果如表所示4。的T试验结果表明,ELPSO算法和其他算法之间的性能差异明显;与PSO相比,ELPSO 9测试函数更好的性能,在3测试函数和没有区别。与MPSO相比,ELPSO 7好功能,3没有区别,和1更糟;与QPSO相比,四个ELPSO功能更好,六个没有区别,和两个更糟;与IAP-PSO相比,ELPSO具有更好的8功能和没有区别4的功能。与EIW-PSO相比,ELPSO 7好功能,4没有区别,和1更糟;与CLPSO相比,ELPSO有3个更好的功能,7没有区别,和2差函数;7与SRPSO相比,ELPSO具有更好的功能和在5功能没有区别。弗里德曼8算法的测试结果表明,该等级意味着ELPSO算法是最小的,和ELPSO算法的性能是最好的8算法。结合两个测试的结果,我们可以看到,ELPSO算法的性能优于其它算法,在“+”表示ELPSO算法优于其他算法,“=”表示算法,没有明显区别“−”表示ELPSO算法不如其他算法,和/t/l表明这三个比较结果的统计数量,分别。

6.1.4。Wilcoxon等级测试

指的是数据统计和分析方法在文献[40),Wilcoxon秩检验显著性水平为0.05是用来判断算法的性能。其中,“+”、“−”和“≈”,分别表明ELPSO算法比的结果,比,相当于相应算法的测试结果。

从Wilcoxon结果表5,当 ,ELPSO算法相比取得了明显优势比较算法的测试函数。可以看出,与其他算法相比,ELPSO算法在解决高维问题突出的优势。

6.1.5。平均迭代次数指定的精度

为了全面分析该算法的性能,本节给出8算法测试12基准函数在指定的精度 ,尺寸是30,平均每个算法独立运行的迭代次数为50倍。结果如表所示6。

从实验结果表6,可以看出PSO算法只在三个测试函数达到指定的精度,MPSO算法达到指定的精度在10的功能。然而,QPSO IAP-PSO、EIW-PSO CLPSO, SRPSO, ELPSO达到指定的精度测试函数。和ELPSO算法与其他算法相比,可以实现指定的精度的迭代次数最少的,迭代的平均数量是11至34。这表明ELPSO算法的收敛速度有明显的优势和高的优化性能,这进一步表明,ELPSO算法具有收敛速度快的特点。

6.2。网络安全形势预测的仿真分析

6.2.1。选择网络安全状况的数据

本文的每周数据安全形势发布的国家互联网应急中心作为实验基础(41]。国家互联网应急中心是中国大陆的网络安全技术的协调组织,主要处理国家安全事件统计,评估网络安全状态,并发布安全信息在每周,每月,每年。动态周报主要评估网络安全与五个安全指标的基本情况,包括主机感染网络病毒的数量在中国,破坏网站总数在中国,后门的总数网站植入中国,国内网站的网络钓鱼页面的数量,新的信息安全漏洞的数量。本文从31日120安全数据问题,2017年到2019年的45问题是选为实验的基础上验证了该方法的优越性。参考的评价方法42引用量化原始数据,120周的网络安全形势价值。具体的量化模型如图7。

6.2.2。实验数据及其预处理

本文首先选择101周的数据作为训练集和数据的最后18周根据时间序列作为测试集。时间窗口设置的时间步递归神经网络,预测时间是一个星期。由于网络环境的复杂性和随机性和伟大的价值维度的差异情况,激活函数的神经网络用于本文内输入数据是否非常敏感(−1,1)。因此,标准化数据可以加快收敛速度,提高神经网络的预测精度。输入数据是由数据归一化处理,具体的计算公式如下(43]。 在哪里和是数据前处理,和最大和最小值的数据集。因此,规范化的网络安全形势价值如图8。

6.2.3。模型指标和评价指标

本文选择两种测量方法评估提出的预测模型:平均绝对误差和均方根误差。具体的公式定义如下: 在哪里N训练样本的数量,是实际值,预测的价值。

网络安全形势数据预处理后,ELPSO算法可以用来获得模型参数的最优组合。PSO算法的初始化ELPSO:人口规模是5,进化时间是40岁,每个粒子的维数是3,,分别代表了参数优化的编码器神经元的数量,预测网络神经元的数量,时间步长T和批量大小。为简单起见,编码器神经元的数量设置为等于预测网络神经元的数量。学习的最大价值因素和为2.5,最小值为0.5,重量因素呢是0.8。

6.2.4。模型的最优参数选择

图9显示了优化BiGRU ELPSO算法的神经网络训练结果。神经元的数量、时间步长和批量大小逐渐收敛到最优值的更新算法。从图可以看出9神经元的数量最终收敛于21日,模型训练数据的批量大小是1,和最优时间步是6。到目前为止,最好的得到super-parameters修改BiGRU神经网络的模型结构和获得最佳参数组合。

6.2.5。仿真实验结果的分析

为了评估该模型的性能在网络安全形势预测,比较实验与传统的机器学习方法进行更深的学习方法,包括英国石油公司(44],LSTM [45],BiGRU [46),和ELPSO-BiGRU模型。10本文的实验环境是Windows操作系统,和Keras深学习框架是用于在Python3.7环境中模型的训练和测试,硬件配置:64位操作系统与国米(R)的核心(TM) i5 - 8500 CPU 3.00 GHZ处理器。

(1)EMD分解的实验数据。首先,EMD进行网络安全形势数据序列,模态分量的数目自适应获得在递归过程中,和五个固有模态函数和一个残组件R得到,如图10。根据模态分量的特点网络安全形势数据序列分解之后,人们普遍认为,高频率成分反映的随机影响网络安全形势;一些较低的频率成分也有很强的正弦波动特征,可以认为是周期性网络安全形势数据系列的组件;低频的部分是网络安全形势的趋势项,可以清楚地显示网络安全的长期趋势。

(2)预测精度的比较。为了评估每个模型的预测能力作为一个整体,最后的两个不同的模型计算错误,结果如表所示7。为了提高比较的公平性,本文预测模型进行许多实验平均值。根据平均绝对误差和均方根误差本文选择测量的准确性预测结果,这两个评价指标,分别代表了预测值和真实值之间的偏差和装配精度。值越小,更好的预测效果。从表可以看出7,EMD-ELPSO-BiGRU模型总体误差比其他模型具有更大的优势。与ELPSO-BiGRU模型相比,误差减少60.9%,与BiGRU模型相比,误差减少78.3%,并与BP神经网络的预测模型,误差降低了97.8%,这表明EMD-ELPSO-BiGRU模型是有效的网络安全形势的预测数据。

结果在表8可以进一步证明EMD-ELPSO-BiGRU模型可以获得良好的预测结果最多时间点。表8显示不同的绝对误差预测模型在预测在每个时间点。可以看出,该方法的绝对误差都控制在0.004和大部分的错误是一个数量级低于0.004,比其他模型预测精度较高。

图11显示了预测精度的比较如BiGRU EMD-ELPSO-BiGRU和基本预测模型模型之间,LSTM, BP,基于ELPSO BiGRU神经网络优化算法。从图可以直观地看到,所有的预测模型有一定的预测能力,但预测EMD-ELPSO-BiGRU模型拟合程度最高的价值与实际价值,几乎伴随着每一个预测点的实际价值。

(3)预测时间的比较。时间序列预测的评估标准不仅取决于预测的准确性,而且还取决于精度在不同时间的预测。摘要不同预测模型的预测精度在不同预测持续时间比较,结果如图所示12。可以看出,所有模型都最小的单步预测误差。在同样的预测时间,EMD-ELPSO-BiGRU模型具有更好的预测能力。随着时间的增长预测,预测误差逐渐增大然后变化稳定,和模型具有一定的鲁棒性。

(4)收敛性分析。在前面的小节中,曾经训练的复杂性不同的模型进行比较。图13显示了训练误差的变化模型的迭代次数。从图可以观察到,本文的方法在收敛速度和收敛精度,具有显著的优势,这表明该模型可以学好数据。

7所示。公约

本文结合网络安全形势的预测模型基于EMD-ELPSO-BiGRU模型建立了网络安全形势数据系列。首先,网络安全形势数据通过EMD分解算法,并基于ELPSO BiGRU神经网络优化是用来预测。在实验中,首先,本文比较了提出ELPSO与PSO算法和QPSO算法优化指标函数;然后,EMD-ELPSO-BiGRU, BP, LSTM BiGRU,和ELPSO-BiGRU模型用于预测网络安全情况,可以得出以下结论:(1)ELPSO算法采用完整信息在融合阶段学习策略基于进化状态的判断,比其他算法具有更快的收敛速度;在基于进化阶段的跳出局部最优状态的判断,本地信息采用学习策略能够有效地避免算法陷入局部最优,保持种群的多样性。(2)经验模态分解分解网络安全形势彻底序列,可以减少数据的非平稳序列。当经验模态分解后的数据预测的神经网络,网络具有较高的预测精度和泛化能力。(3)与传统的BP神经网络相比,LSTM, BiGRU ELPSO-GRU, EMD-ELPSO-BiGRU模型提高了网络安全形势预测的预测精度。(4)EMD-ELPSO-BiGRU预测模型提出了普遍,这不仅适用于网络安全形势预测,但也适用于船舶运动姿态预测和股票价格的预测。

在后续的研究中,我们将关注深度学习模型的组合,如BiGRU和群体智能算法如算法和遗传算法来进一步增强的影响深度学习模型LSTM等实际应用。

数据可用性

在生成的数据集和/或分析在当前研究可从相应的作者以合理的要求。

的利益冲突

作者宣称没有利益冲突。

确认

支持的论文的共同基金为企业创新和发展中国国家自然科学基金(没有。U19B2021)和教育科学项目的初级教师教育部门的福建(JAT160532)。