网络安全的关键技术研究情况的预测

文摘

在当今日益严重的网络安全形势,网络安全态势感知提供了更全面、可行的新想法各种单一解决方案的不足,目前在网络安全领域的一个研究热点。目前,仍有差距,或改进的空间在网络安全态势感知的模型方案改进,全面和综合考虑,设计优化算法,等等很多科学研究投资的形式和结果仍需要改善网络安全长和固体。在本文中,我们提出一种基于时变证据理论的网络安全态势评估模型对现有的多源信息融合技术,缺乏考虑的问题威胁发生支持速率随着时间的推移,使威胁信息反映时间的法律变化通过引入时间参数的基本概率分配值。因此,现有的层次的威胁态势定量评估技术是改善和层次多源网络安全威胁态势评估模型提出了基于时变证据理论。最后,通过实验验证了该模型的优越性。

1。介绍

随着计算机和网络技术的普及和发展,各种网络系统已经深深植根于社会和个人的日常生产和生活1]。近年来,网络攻击、信息泄漏、和其他正在进行的安全事故暴露了网络安全面临严重的问题(2]。有许多因素导致网络安全的形式的恶化,内部和外部原因(3]。首先也是最重要的内部原因是网络系统的建设水平,随从业者的水平,系统的复杂性,以及是否涉及金融服务(4]。例如,今年1月,许多网络服务公司的用户名和密码,如天涯社区,在明文公布,导致大量用户密码的泄漏习惯和电子邮件地址(5- - - - - -10]。各种安全漏洞,例如跨站攻击,注入,劫持,和其他问题充斥在网络服务,甚至是强有力的国际公司也不能幸免(11]。除了从网络系统的建设出现的问题,更深层次的问题来自于系统平台和一些重要的服务项目已经发现重大安全漏洞一个接一个。使用的第三方操作系统或服务项目(如服务器和一系列服务软件),系统建筑商通常不能和没有能力发现所有潜在的问题,只能依靠软件提供商甚至开源组织(12- - - - - -16]。

更不用说一些开源组织反应迟钝安全和更新缓慢。即使是微软发布的系统漏洞也受到“零日攻击的威胁。“很多攻击者利用漏洞发布之间的时间间隔和系统更新成功实现大量的攻击。各种来源的威胁使各种网络系统,无论是公司内部网或公共网络服务,完整的风险(17]。在全球范围内,互联网经常攻击、网络瘫痪不时发生,和网络系统的安全不断受到严重威胁;在中国,各种网络攻击的类型和数量继续增长,特别是特洛伊木马的扩散是最严重的18]。网络盗窃,网络经济犯罪,大规模网络攻击已经造成严重的安全威胁中国的网络基础设施和重要的网络系统,极大地限制了国民经济发展,甚至危及社会稳定和国家安全。网络安全形势评估(较量)是一个关键的技术在网络安全态势感知和处理安全态势元素数据将进入网络安全态势评估模型综合评价。评估需要考虑综合性、多粒度、等等(19]。

然而,由于技术上的限制,市场预期,资金,和其他问题,大多数产品可以解决一个威胁或在某些情况下,某些攻击有更好的结果。但总体上没有统一的管理和调度机制,他们无法相互配合,无法进行有效的沟通,无法跟踪多个数据源。这无法应付更复杂的攻击或长期潜力,逐步渗透攻击无法被捕获。一些相关的袭击中失去了数以万计的不同产品的管理日志,和大量的“假阳性”管理员麻木和忽略了有价值的信息。因此,该行业产生了一个更加安全和有效的全球掌握网络安全理论的条件下,迫切需要和工具。希望通过整合各个方面的安全信息,当前的定性和安全信息可以提取和计算。它甚至量化的价值网络安全状态,帮助管理员及时采取补救和预防措施。时间衰减函数模型来解决动态问题的信任,和模型的稳定性和可扩展性增强通过信任预测机制。最后,该模型应用于协议,和实验仿真。结果验证模型的安全性和有效性。 The research in this area has also become a hot concern direction, and this paper has done a lot of research work based on this and achieved certain results.

在这里,我们目前的一些相关工作,结合外部信息的监控设备和网络系统环境信息形成态势值能够反映网络系统。它是一个全面的技术要求高的应用程序和网络模型的数学方法。目前,一般的评价方法主要包括以下分析方法:灰色评价方法,模糊分析方法,层次分析法,德尔菲专家法,等等(20.]。在另一个工作,根据大量的历史数据信息,研究人员利用它们之间的连接安全趋势预测未来一段时间(21]。正如网络攻击和模式遵循一定的步骤,同样的情形也存在于网络安全情况(22]。此外,科学方法是用来发现链接和法律,准确地预测各种网络攻击,保护网络系统的安全管理,实现合理的安全级别控制安全事故发生之前,并进行有针对性的预处理(23]。情况预测技术主要包括灰色理论预测方法,基于贝叶斯推理预测,自回归移动平均模型预测,机器学习算法预测,神经网络的预测。

在另一个案例中,研究人员主要是为了方便网络管理员直观地了解整个网络的经营状况和发展趋势,给人更直观的感受24]。它使用计算机图形学和图像处理技术将静态数据转化为动态图像。图形显示在电脑屏幕上实现交互式网络系统的维护人员之间的联系和背后的安全数据。例如,NGSOC态势感知平台发布的360年国内安全公司和云盾AliCloud公布的态势感知提供良好的网络安全态势可视化的例子(25]。

网络安全态势感知框架是一个宏观的态势感知的全貌。它表达了各个方面的功能任务态势感知的抽象和通用语义,这有助于显示整个流程和发展安全的姿势。良好的态势感知框架不仅带来技术指向的整个过程,也显示了下一步的发展一个清晰的轮廓。根据态势感知的基础模型,更全面的参考模型对当前网络安全态势感知结合不同方面和类型的安全系统,如网络防火墙、入侵检测系统、安全审计系统。

2.1。网络安全态势的框架体系

从信息元素的集合,数据预处理可以了解当前网络安全形势,与此同时,网络安全的分析和预测未来趋势的变化。安全形势的理性分析结合系统设备和资源实现有效的控制,从而使决策者直观和全面的反应。一个典型的NSSA框架如图1。

在这个框架中,NSSA实现由五个层次(阶段),从安全信息收集工作,通过后续处理步骤,了解事件的实时控制系统提供反馈,最后观察和分析基于人机交互的安全状况。五个处理水平如下:0级(数据预处理):它包含大量的非结构化数据,可选的结构化数据和敏捷数据预处理水平,并获得必要的数据获取上下文元素;这将成为一个非均匀的一部分数据预处理操作,比如数据脱敏,清洗和过滤杂质。1级(事件提取):在获得相关元素的信息,信息提取,形成标准化的事件,以及统一的规则和特点的事件。2级(态势评估):相关性和数据融合操作上执行收集到的多源数据,信息和事件理解使用现有的评估算法来形成一个全面的安全态势分析报告,为随后的经理提供辅助信息。三级(影响评估):根据前期的情况,分析了未来可能的变化趋势,结合网络的全方位的资源和控制系统,引入专家的经验,对未来的影响和给一个评估策略的变化情况。四级(资源管理、过程控制和优化):选择对象系统监控、实时调度和分配事件发生情况,合理利用系统资源,最大限度地提高效率。

2.2。网络安全态势指标建设原则

安全状况指标建设是不可或缺的基本NSSA过程的一部分,这是一个象征符号反映了感知对象的安全属性,并提供测量和评估的基础网络安全态势理解和预测。有很多指标,可以对网络产生影响的姿势,筛查出态势指标和典型的数据形成了后续的数据源的姿势会话和可以提供可靠的数据支持,下一步的评估和预测。网络安全态势指标体系的指标集合可以充分反映网络安全的特点,和指标之间的内在联系,起到互补作用,即形成标准化的客观定量分析结论的基础网络安全评估,它可以反映的基本外观,质量,和感知对象的网络安全水平。因此,建设网络安全态势指标对网络安全态势感知具有十分重要的意义。指标体系的建设需要引用特定的原则,专门建设的网络安全态势指标体系从不同的维度。(1)分层分类原则:网络安全态势指标层次(有些是本地网络和一些大型网络);这些指标有其不同的含义在不同的环境中,和处理过程各不相同,所以他们应该考虑的层次分类。(2)相似原理:在一个大macronetwork,有很多影响因素需要考虑,但没有缺乏相似性和cross-measurement数据。例如,数据包的分配,分配数据包的大小,和类似的指标都应该被考虑。(3)动态和静态相结合的原则:因为索引本身有自己的特征,如网络资产的分布和设备在一段时间内,网络拓扑是不容易改变,而网络流量信息总是需要处理,过滤,收集。

因此,这两个类别的指标应该区别对待,结合相应的指标的特征组合。全面考虑网络安全,三个方面的性质通常是用来描述网络安全态势,具体来说:网络基础操作,网络脆弱性、威胁和网络水平,如图2。当计算设备因素是锁定状态,确定所有安全数据可以解密任何一个或多个应用程序位于计算设备。计算设备处于锁定状态时,如果它是确定在决定性的步骤中,至少有一些安全的数据。如果它能被至少一个或多个应用程序解密,显示第一个指标。这三个方面表示三维空间,这基本上覆盖所有地区的实体构成的信息网络,能够反映网络的安全态势以更全面的方式,和许多研究者和商业组织目前使用这种方法。

2.3。网络安全预测在模糊逻辑理论

自然界中存在大量的模糊现象,也就是说,有些事情不是那么容易区分,例如,年轻人和老年人,胖,瘦,高,矮,长时间运行和短;其中会有一定程度的模糊性概念。对这些模糊概念和现象,近年来,随着数学领域的发展,逐渐形成一个现代应用数学科学解决模糊问题:模糊数学。l .陈守煜教授提出的这个理论是加州大学的一位著名的美国学者。模糊逻辑是模糊数学理论的重要组成部分,它使用归属函数代替经典的布尔逻辑真理价值,抛弃传统的确定性两价的真理命题的传统和泛化关系这个问题,将更有利于使创新在不确定和模糊的问题。和模糊逻辑已广泛应用于相关科学领域和工业发展带来了新的方向。一个模糊集定义如下:对于一般的集合U,任何映射µ_一个从U区间[0,1]可以确定的一个模糊子集U,称为模糊集一个在U,映射µ_一个叫做归属函数的模糊集吗一个,对于一个元素x在U,µ_一个(x)的关系x对模糊集一个也可以写成一个(x)。在哪里U被称为模糊集的理论领域一个,μ_一个是归属函数的模糊集,任何元素x在U不再只属于两种情况一个而不属于一个,每个元素x有一个归属μ_一个为一个(x)。联系的程度μ_一个代表的程度,它的值越大表明更高程度的x属于一个,而相反的表示程度较低x属于一个。模糊集是转换成一组正常时μ_一个价值领域的两个端点的闭区间[0,1]。

如果理论领域U= {x₁,x₂⋯,x_n},然后模糊集一个在U可以表示为在哪里µ_一个(x_我)(我=1、2、……n)是关系和程度习是一种元素的域的论点。亲和度为0时,项目可以省略。当理论领域U是一个连续集合,然后模糊集吗一个在U可以表示为

应该注意的是,求和和积分不是原来意义上的特殊的模糊集表示。如果所有元素的关系争论的领域,它可以以类似的方式代表经典的数学集合,这里也被称为顺序表示。每一对顺序由一个元素在哪里x及其对应的关系µ_一个(x)和模糊集一个包含所有组合。

由于模糊集和其所属功能形成一一对应,模糊集的操作也铭刻和由归属函数的操作。

空集:为所有元素设置的归属函数是0x,表示为∅,即

等于集:考虑两个模糊集一个,B̃;如果他们的归属函数相等的所有元素x,然后一个̃̃̃,B̃也相等,即

模糊集的子集:一个,B̃,一个在的一个子集B̃或一个被包含在B̃意味着所有元素x,有µ_一个(x)≤µ_B̃(x),表示为一个⊆B̃,即

连接:连接设置C模糊集的一个,B,归属函数可以表示为µc̃(x)= max (µ_一个(x),µ_B̃(x),即

当然,模糊集合操作的基本性质(如普通集和模糊集)也满足幂律,该交易所法律,欧盟法、吸收法、分布规律和摩根定理。普通组关系只能表明两个因素相关或不相关的,而模糊关系引入不确定数量,如亲密关系,定义如下:直积空间X×Y= {(x,y),x∈X∈Y模糊关系}是一个模糊集R在X×Y,归属函数R̃的R̃(x,R_y)代表的元素之间的关系x在X和元素y在Y。上述模糊关系也是最简单的二元模糊关系,当然它可以扩展成一个n有效的模糊关系。50个计数器是随机分布在面积1000×1000,其中10%是恶意二进制。转换器使用移动模型。路由器的沟通有一个250米的范围。数据源生成器发送4 cBR流大小的512 B / s,网络带宽是2 Mbps,仿真时间是300年代。如果R(x,y)的值0或1的特殊点,也退化的模糊关系普通集关系,如图3。

2.4。神经网络预测网络安全

人工神经元是安妮的基本信息处理单元操作。图4代表的构成的原理图安神经元,它有三个主要组件:加权加法器,线性动态系统,非线性映射函数。x_我表示从其他神经元的输入,u(-)表示调整网络连接权重,θ抵消信号的阈值,y_我表示的输出神经元,(-)表示基函数,这是一个对于多变量函数,f(-)表示激活函数,这是一个输出信号的非线性映射u的基函数,转换成指定的范围。

乙状结肠功能:该函数,也称为s型函数,在安领域使用最广泛。这是一个严格单调递增函数光滑性和渐近特性。其函数表达式

其中,参数λ是乙状结肠的增益函数,控制函数曲线的斜率;一般来说,更大的价值λ函数曲线越陡峭,函数值域(0,1),通常应用于二元分类问题;然而,这个函数也有缺点,它很容易oversaturate并产生梯度消失现象,不能完成深度网络培训。其次,函数的输出的平均值不为0,从而影响梯度下降法的操作效率。

双相乙状结肠功能:双曲正切函数解决问题存在的一些单极s型函数;它会变换函数值从(0,1)域(−1,1);与原来的功能相比,收敛速度更快,和输出平均值为0,如图5。其函数表达式

神经网络是由神经元的基本单位。如果大量的神经元连接的拓扑结构按照一定的规则来形成一个并行分布式计算结构,结构的神经网络,我们知道它在日常生活中就形成了。之后,介绍了神经网络的几种典型结构根据神经网络连接模式。(1)单层感知器:单层感知器是最简单的神经网络之一弗兰克Rosenblatt提出于1957年,主要是二元分类问题的结构模型。单层感知器的功能和机制非常简单,可用于模型简单的逻辑功能与应用相对较少。输入层和感知层在图中n神经元节点,只负责外部信息的收集,但没有信息处理能力。输入层n输入信号,构成输入列向量X。输出层,称为处理层,是每个神经单元更具体的信息处理能力和输出组成的列向量Y。输入信号之间的连接权重和处理单元是由列向量W_j。(2)前馈网络:前馈神经网络是应用最广泛的神经网络结构模型。它有普遍的神经网络结构的典型特征;这个网络包括三层,输入层、隐藏层和输出层。在这个网络中,输入信号从输入层在一个方向上传播到输出层,每一层的神经元连接在前一层神经元,神经元之间没有连接在同一层,和整个网络没有反馈,如图6。(3)反馈式网络:反馈式神经网络建立另一个输入和输出之间的联系,也就是说,网络的输出层的信号是通过反馈回路重新输入到输入层。与前馈神经网络相比,该网络具有较强的计算能力和联想记忆能力。这类网络可以用于实时信号处理、系统控制和其他场景,需要根据系统状态实时调整。反馈式神经网络可以进一步分为完整反馈网络和partial-feedback网络。

神经网络的学习也指训练网络结构参数的过程,通过不断学习来调整和正确的网络时间的参数优化自己的性能和效率,从而达到平衡条件来适应外部环境的变化。神经网络的学习方法可以分为监督学习和无监督学习。神经网络的训练主要包括向前传播培训和向后传播培训。向前传播培训指的是整个过程神经网络的输入层,多个隐藏层,然后输出层的输出信号;向后传播的过程主要是指传递误差信号从输出层的输入层获得相反的顺序从后往前。反向传播主要是使用梯度下降法和误差反向传播(EBP)算法调整网络的权值。反过来,获得了系统误差通过比较输出信号与期望的输出信号,和后者的错误使用链层是一层一层地向前传播衍生品来获得每一层的误差信号,根据训练网络结构的调整,和整个过程的连续循环训练神经网络学习的过程。训练过程可以被人为地设置终止终止条件,通过设置最大迭代次数或通过选择网络收敛到一定程度。如果迭代次数设置太小,如图7,这可能会导致功能不收敛和不那么合适的神经网络;如果迭代次数设置太大,很容易导致函数overfit,导致推广不足。

3所示。实验结果分析

为了验证PSO-LSTM预测算法的收敛效率,RNN预测算法和LSTM预测算法相结合来训练在同一测试集和检查他们的误差收敛性能。三种算法的区别是描绘在图8。它可以发现RNN有巨大的初始误差,大幅波动误差收敛,收敛和长时间的最优误差值在培训过程中,要求250多个迭代。LSTM算法更多的隐藏层有一个较小的初始MSE和更快的比RNN收敛,要求150 - 200迭代,但随着更多的参数,很容易陷入局部最优的问题,和错误只是RNN的比这更好的整体性能。相比之下,PSO-LSTM算法从一个较小的误差,以及随后收敛速度明显比前两个好,更快的收敛时间和更高的稳定性。因此,可以认为在LSTM引入粒子群优化算法的神经网络确实可以提高网络的收敛性能。

为了验证PSO-LSTM预测算法的预测精度,分析了三种预测方法也和这里相比,和图9显示了规范化的姿势预测曲线的三个未来50天。观察组的物理信号强度下降随着时间的推移,而对照组则相反,并相应地增加。通过比较,发现三个预测算法有更好的预测影响安全状况在未来时期,但PSO-LSTM可以更好地跟踪和分析安全状况趋势,克服原算法本身的问题是容易陷入局部最优,这主要是由于快速PSO算法的全局搜索能力参数搜索和最快的速度选择最佳参数。

三种预测算法的实际预测详细测试。RNN网络,训练集上的测试点选择,和RNN残余分布如图10。分析之后,可以发现,前200个训练样本数据可以显示水平带模式的残差,但相应的误差允许范围是漂浮在−1和1之间。这是由于RNN预测算法的“遗忘”的问题在很长一段时间,和整体错误发现RNN培训下相对较大。NSSP而言,网络安全态势预测算法基于PSO-LSTM神经网络提出了解决问题的适用性差、精度低的传统网络安全态势预测算法。首先,递归神经网络(RNN)是用来预测安全形势,与“闸门”LSTM神经网络结构采用RNN解决内存不足的问题,简单的“遗忘”和梯度消失在训练过程中。解决了梯度消失通过合理控制输入信息比当前的内存信息,和训练预测结果明显改善。然而,很难选择的参数LSTM网络在训练过程中,它是容易陷入局部最优,因此介绍了粒子群优化算法实现快速全球最佳,减少训练时间,提高效率。PSO-LSTM预测算法的准确性和有效性提出了通过实验分析和比较。

培训后PSO-LSTM神经网络预测算法,分别测试在测试集和每个样本的相对误差。发现的准确性提出了预测算法的测试集略低于在训练集,但总体预测精度仍然是可以接受的,和平均相对误差稳定在5.07%左右(只列出30样品)。同时,测试集上的安全态势预测曲线绘制,和真正的价值的姿势比较的预测值PSO-LSTM算法,结果表明,本文提出的预测算法可以预测未来网络安全态势时期更好。较量,层次结构基于警戒态势评估模型验证和模糊推理提出了解决这一问题,当前网络安全态势评估模型只使用大量的IDS警报信息没有有效结合目标系统配置信息,资产价值的信息,和脆弱性信息。适合这个模型和评价体系指标确定;其次,警报基于多层模糊数学评价验证过程实现减少假警报的影响,使每个报警信息更有针对性,成功率和获得报警信息;然后,应用模糊推理过程实现非线性映射的三个报警元素合成警报姿态值;然后,报警姿态值通过不同层次的服务水平;最后,安全态势值定量计算在服务水平,主机层面,通过不同层次和网络系统级,威胁地位在每个水平分层的方式显示。评估模型可以获得更全面的评估信息,比传统的方法更准确的评估结果。

4所示。结论

在本文中,我们专注于网络安全形势预测和提出一个PSO-LSTM神经网络网络安全形势预测算法。粒子群优化(PSO)是一种进化计算技术(进化计算)。粒子群优化算法的基本思想是找到最优解通过个体之间的协作和信息共享。为了解决内存不足的问题和梯度的消失的递归神经网络(RNN);LSTM神经网络控制结构是用来合理控制输入信息比当前的内存信息,和梯度消失了。LSTM(长短期记忆)是专门设计来解决长期的问题。所有RNNs链形式的重复神经网络模块。在标准RNN,这个重复的结构模块只有一个非常简单的结构,例如双曲正切层。为了解决困难问题的参数选择LSTM网络和容易陷入局部最优,粒子群优化算法在网络训练快速达到全局最优,减少训练时间,提高效率。最后,实验分析三种预测算法相比,这证明PSO-LSTM预测算法的准确性和有效性,及其应用领域的态势预测具有良好的结果。

数据可用性

没有数据被用来支持本研究。

知情同意是获得所有个体参与者包括在这项研究中引用。

的利益冲突

作者宣称没有利益冲突。

引用

h . Shakhatreh a . h . Sawalmeh a Al-Fuqaha et al .,“无人机(uav):一项调查在民事程序和关键研究挑战,”IEEE访问7卷,第48634 - 48572页,2019年。视图:出版商的网站|谷歌学术搜索
y, z秦,m . Elkashlan y高,和l . Hanzo”加强物理层安全的非正交的多路访问在大规模网络中,“IEEE无线通信,16卷,不。3、1656 - 1672年,2017页。视图:出版商的网站|谷歌学术搜索
y Meidan m . Bohadana y Mathov et al .,“N-BaIoT-Network-Based检测物联网使用深autoencoders僵尸网络的攻击,“IEEE普适计算,17卷,不。3,2018,pp。12日至22日。视图:出版商的网站|谷歌学术搜索
a . y . Wu Khisti c·肖,g . Caire K.-K。黄,x高,“调查5 g无线网络的物理层安全技术和挑战,”IEEE在选定地区通讯》杂志上,36卷,不。4、679 - 695年,2018页。视图:出版商的网站|谷歌学术搜索
n . c .陈德良d·t·黄平君s锣et al .,“深度强化学习通信和网络的应用:一项调查,“IEEE通信调查和教程,21卷,不。4、3133 - 3174年,2019页。视图:出版商的网站|谷歌学术搜索
w·孟e . w . Tischhauser问:Wang y . Wang和j .汉”入侵检测符合区块链技术:审查时,“IEEE访问》第六卷,第10188 - 10179页,2018年。视图:出版商的网站|谷歌学术搜索
d . Kwon“深上优于网络异常检测的调查。”集群计算,22卷,不。1,第961 - 949页,2019。视图:出版商的网站|谷歌学术搜索
问:毛、f·胡问:,“深度学习的智能无线网络:一个全面的调查,“IEEE通信调查和教程,20卷,不。4、2595 - 2621年,2018页。视图:出版商的网站|谷歌学术搜索
a . Lei h•克鲁克香克,曹y, p . Asuquo c·p·a·Ogah和z的太阳,“Blockchain-based动态密钥管理异构智能交通系统,”IEEE物联网,4卷,不。6,1832 - 1843年,2017页。视图:出版商的网站|谷歌学术搜索
l .风扇x Lei:杨,t .问:Duong和g·k . Karagiannidis“保密合作网络过时的中继选择相关衰落通道上,“IEEE车辆技术,卷66,不。8,7599 - 7603年,2017页。视图:出版商的网站|谷歌学术搜索
d . b . Rawat s . r . Reddy,“软件定义网络架构、安全、能源效率:一项调查,“IEEE通信调查和教程,19卷,不。1,第346 - 325页,2017。视图:出版商的网站|谷歌学术搜索
瞿z, g, z . Liu”调查最新进展在车载网络安全,信任,和隐私,”IEEE智能交通系统,20卷,不。2、760 - 776年,2019页。视图:出版商的网站|谷歌学术搜索
b, a .刘、杨n和v . k . n .刘”在安全的非正交多重存取系统的设计,“IEEE在选定地区通讯》杂志上,35卷,不。10日,2196 - 2206年,2017页。视图:出版商的网站|谷歌学术搜索
r·安萨里,c . Chrysostomou s a·哈桑et al。”5 g D2D网络:技术,挑战,和未来前景,”IEEE系统杂志,12卷,不。4、3970 - 3984年,2018页。视图:出版商的网站|谷歌学术搜索
w . l . Al-Yaseen z . a . Othman, m z . a . Nazri”多层次混合支持向量机和极端学习机为入侵检测系统基于改进的k - means, "专家系统与应用程序卷,67年,第303 - 296页,2017年。视图:出版商的网站|谷歌学术搜索
n . Sultana n . Chilamkurti w·彭,r . Alhadad”调查SDN使用机器学习方法,基于网络入侵检测系统”对等网络和应用程序,12卷,不。2、493 - 501年,2019页。视图:出版商的网站|谷歌学术搜索
l . j . Chen Yang, M.-S。Alouini”,物理层安全合作诺玛系统。”IEEE车辆技术,卷67,不。5,4645 - 4649年,2018页。视图:出版商的网站|谷歌学术搜索
m·陈,y, g . Fortino j . Zhang和缘分,“认知网络的车辆,”计算机通信卷。120年,58 - 70、2018页。视图:出版商的网站|谷歌学术搜索
n . Neshenko e . Bou-Harb j . Crichigno g . Kaddoum甘尼n,“神秘物联网安全:一个详尽的调查对物联网的安全漏洞和第一次经验看网际网路规模物联网开发,“IEEE通信调查和教程,21卷,不。3、2702 - 2733年,2019页。视图:出版商的网站|谷歌学术搜索
k . Kalkan就“同名同姓,s . Zeadally。”保障物联网软件定义网络”,IEEE通讯杂志卷,56号9日,第192 - 186页,2018年。视图:出版商的网站|谷歌学术搜索
n z Bawany、j·a·沙姆西基地和k .沙拉”DDoS攻击检测和减轻使用SDN:方法、实践,和解决方案,“阿拉伯科学与工程》杂志上,42卷,不。2、425 - 441年,2017页。视图:出版商的网站|谷歌学术搜索
z, y, h . Zhang et al .,”命名数据网络安全支持的概述”IEEE通讯杂志卷,56号11日,第68 - 62页,2018年。视图:出版商的网站|谷歌学术搜索
c·c·拜尔斯,”雾计算建筑规则:用例,要求,和建筑技术fog-enabled物联网网络”IEEE通讯杂志,55卷,不。8日,14到20,2017页。视图:出版商的网站|谷歌学术搜索
k . Cabaj化,“软件定义networking-based加密ransomware检测使用HTTP流量特征,“计算机与电气工程卷,66年,第368 - 353页,2017年。视图:谷歌学术搜索
m . Egele g . Stringhini、c克鲁格尔和g .豇豆属“检测社交网络账户被盗,”IEEE可靠和安全的计算,14卷,不。4、447 - 460年,20170页。视图:出版商的网站|谷歌学术搜索

科学的规划