CN116346392B 基于Tranformer-CNN模型的网络安全态势预测方法、系统及其应用 （国网四川省电力公司电力科学研究院）

ConditionalGenerativeAdv基于Tranformer-CNN模型的网络安全态势本发明公开了基于Tranformer_CNN模型的后输出预测结果；Tranformer_CNN模型包括Transformer单元和CNN单元，所述Transformer算给CNN单元；所述CNN单元对Transformer单元提取出的关键信息进行再次运算，输出预测结2所述Tranformer_CNN模型包括Transformer单元和CNN单元，所述Transformer单元对所述Transformer单元包括编码组件、解码组件，其编码组件和解码组件headAttention层、2个Add&Norm层和前向传播网络，其中一个Add&Norm层的输入连接Muli_headAttention层输出连接前向传播网络，前向传播网络的输出连接另一个Add&所述Tranformer_CNN模型还包括全连接层，所述CNN单元输出的预测结果还输入全连2.根据权利要求1所述的基于Tranformer_CNN模型的网络安全态势预测方法，其特征S02、对步骤S01获取的网络安全态势数据进行预3.根据权利要求1所述的基于Tranformer_CNN模型的网络安全态势预测方法，其特征数据填充：根据网络攻击需要花费的最长时间为T，将长度不足T4.根据权利要求3所述的基于Tranformer_CNN模型的网络安全态势预测方法，其特征S004、结合t时间点各状态信息变量计算该时间t的网络安全态势评分3,score"=-1state⃞,J为状态信息变量的数量；5.根据权利要求4所述的基于Tranformer_CNN模型的网络安全态势预测方法，其特征安全态势数据state和预测标签，该预测标签即为网络安全态势评分score"。6.根据权利要求1_5任一所述的基于Tranformer_CNN模型的网络安全态势预测方法，数据预处理单元：用于对网络安全态势数据进行预处理，构建网络安全态势预测单元，包括Tranforme所述Transformer单元对网络安全态势数据样本进行运算，输出运算结果给CNN单元；所述Transformer单元包括编码组件、解码组件，其编码组件和解码组件headAttention层、2个Add&Norm层和前向传播网络，其中一个Add&Norm层的输入连接Muli_headAttention层输出连接前向传播网络，前向传播网络的输出连接另一个Add&8.根据权利要求7所述的基于Tranformer_CNN模型的网络安全态势预测系统，其特征数据填充单元：根据网络攻击需要花费的最长时间为T，将长度9.根据权利要求8所述的基于Tranformer_CNN模型的网络安全态势预测系统，其特征4记录从开始到攻击完成这一个时间过程T中每一个单位时间间隔t的网络各状态信息变量的取值stace",j为各状态信息变量的编号；结合t时间点各状态信息变量计算该时间t的网络安全态势评分score':将各网络攻击手段的状态信息变量stace"与网络安全态势评分拼接成样本将所有样本组合成一个样本矩5[0007]本发明的目的在于提供一种基于Tranformer_CNN模型的[0013]所述Tranformer_CNN模型包括Transformer单元和CNN单元，所述Transformer单元对网络安全态势数据样本进行运算，输出运算结果给CNN单元；所述CNN单元对6CNN输出的预测结果还输入全连接层进行数据整[0027]S003、记录第n种网络攻击手段Attackn下从开始到攻击完成这一个时间过程T中[0028]S004、结合t时间点各状态信息变量state",计算该时间t的网络安全态势评分score,",score,"=}-1state⃞',J为状态信息变量的数量；[0029]S005、将第n种网络攻击手段的状态信息变量与网络安全态势评分拼接成样本"=ts[0030]S006、判断网络攻击手段集合Attack(N)中的取值A个xp"与位置向量拼接在一起，就形成了网络安全态势数据[0034]在部分实施例中，所述Transformer单元的编码组件和解码组件的Multi_head[0035]本发明的又一目的在于提供基于Tranformer_CNN模型的7攻击完成这一个时间过程T中每一个单位时间间隔t的网络各状态信息变量的取值stae,",i为各状态信息变量的编号；结合t时间点各状态信息变量stace,".计算该时间t的网络安全态势评分score':将各网络攻击手段的状态信息变量stre,"与网络安全态势评分score'拼接成样本将所有样本x"组合成一个样本矩阵XN[0047]本发明的再一目的在于提供一种上述基于Tranformer_CNN模型的网络安全态势8[0052]图1为一种将基于Tranformer_CNN模型的网络安全态势预测系统用于电网的数据[0059]本实施例中的一种基于Tranformer_CNN的网络安全态势预测方法首先进行数据[0064]3)记录第n种网络攻击手段Attackn下从开始到攻击完成这一个时间过程T中每一个单位时间间隔t的网络各状态信息变量的取值state',j为各状态信息变量的编号；[0066]5)将第n种网络攻击手段的状态信息变量scate,"与网络安全态势评分score'拼9[0071]图1提供了一种将基于Tranformer_CNN模型的网络安全态势预测系统用于电网的后，这些位置的权重就会接近0，paddingmask实际上就是一个张量，每个张量都是一个n的方式，可以表示每个时刻的位置或者不同时刻之间的距离，总而言之，核心思想是在[0091]将与PaddingMaskn拼接在一起，形成一个完整的训练成网络安全态势数据实时样本，将网络安全态势数据实时样本输入Tranformer_CNN模型，[0094]所述Tranformer_CNN模型包括Transformer单元和CNN单元，所述Transformer单元对网络安全态势数据样本进行运算，提取关键信息输出给CNN单元；所述CNN单元对连接层linear2对数据的整合主要是施例引入transformer和CNN神经网络来进行关键信息的提取，以减小此问题带来的影响。时引入的模型也充分考虑到数据的特点，Transformer可以准确地提取长时间序列数据的络安全态势面板数据，对于所构建的面板数据中存在的问题，引入较新的Transformer和[0116]如图2所示，所述Tranformer_CNN模型包括Transformer单元、CNN单元和全连接层，所述CNN单元连接所述Transformer单元的解码组件，所述CNN单元的输出连接全连接[0117]所述Transformer单元对网络安全态势数据样本进行运算，提取关键信息输出给Muli_headAttention层输出连接前向传播网络，前向传播网络的输出连接另一个Add&Tranformer_CNN模型的网络安全态势预测系统还包括通过实验提取网络安全态势数据的≤n≤N；针对每个网络攻击手段Attac分score',score'=B/-1state':将各网络攻击手段的状态信息变量与网络安全态势评分拼接成样本将所有样本"组合成一个列长度的样本和位置编码被输入到Transformer中进行位置嵌入和其他特征提取，被送入播网络和另一个Add&Norm层处理后输出，Transformer单元的解码组件的Add&Norm层输出型后依次进行了数据编码(包括padding、paddingMask、Posi[0130]S11、获取网络安全态势数据，所述网络安全态势数据包括但不限于protocol_[0133]所述Tranformer_CNN模型包括Transformer单元、CNN单元和全连接层，所述经网络CNN输出的预测结果还输入全连接层进行