CN118590885B 一种网络安全态势感知方法、计算机设备及存储介质 （河北师范大学）

感知模型包括依次连接的BiLSTM网络、改进的的ResNeXt网络为：采用动态蛇形卷积替换ResNeXt中残差模块的普通卷积。本发明提高了2根据所述当前网络流量数据，基于网络安全态势感知模型，对当前获取网络安全数据集；所述网络安全数据集中包括多个网络对所述网络安全数据集中的网络流量数据进行预处理，得到训练样本采用所述训练样本集，对网络安全态势感知模型进行迭代训练，直3通过双重注意力网络分别学习所述综合特征向量在空间上的依赖关系及通道上的依将所述双重注意力特征展开为一维张量后通过全连接层进行分通过双重注意力网络分别学习所述综合特征向量在空间上的依赖关系及通道上的依通过空间注意力模块学习所述综合特征向量在空间上的依赖关系，得到空间依赖特通过通道注意力模块学习所述综合特征向量在通道上的依赖关系，得到通道依赖特分别将所述第一特征向量、所述第二特征向量及所述第三特征向量重塑为二维特征，对所述第三二维特征与所述二维空间注意力图的转置进行矩阵乘将所述第四二维特征进行转置后与所述第四二维特征相乘，再经过Softmax函数得到将所述二维通道注意力图进行转置后，与所述第四二维特征4处理器执行时实现权利要求1_8中任一项所述的网络安全态5拦截、破解、传输干扰、配置问题、搭便车和拒绝服务攻击等。传统上，入侵检测系统[0003]网络安全态势感知(NetworkSecuritySituationalAwareness，NSSA)旨在实时6安全态势感知模型基于BiLSTM网络、采用动态蛇形卷积改进的ResNeXt网络和双重注意力7[0032]如图2所示，所述网络安全态势感知模型包括依次连接的BiLSTM网络、改进的[0033]BiLSTM网络能够有效处理序列数据并捕捉其重要特征；改进的ResNeXt网络能够[0035](1)获取网络安全数据集。所述网络安全数据集中包括多个网络流量数据及每个[0039]协议：表示数据包使用的网络协议，如传输控制协议(TransmissionControl网络用于对输入数据进行深度特征提取和分类。接着将BiLSTM网络和改进的ResNeXt网络8[0050]将网络安全态势感知模型的输出与类别标签进行比较，根据预测正确的样本数[0054]BiLSTM网络处理UNSW-NB15数据集中的序列数据。网络流量数据通常是按时间顺t＝jt+kt；9xt积一方面能够自由地贴合结构学习特征，另一方面能够在约束条件下不偏离目标结构太[0076]为了使卷积核能够更灵活地关c＝{0,1,2,3,4}表示[0094]将BiLSTM网络和改进的ResNeXt网络的输出进行融合，以综合利用它们学到的不第三二维特征(C×N)与所述二维空间注意力图S(N×N)的转置进行矩阵乘法运算，并乘以N)。然后将所述第四二维特征集进行转置(N×C)后与所述第四二维特征相乘，再经过j为综合特征向量中第j个位置的特征。[0107]具体地，将空间依赖特征和通道通道依赖特征先进行元[0109]本发明使用的网络安全态势感知模型基于BiLSTM网络、改进的ResNeXt网络和双[0110]为了验证实施例1中的网络安全态势感知方法，下面利用CICIDS2017数据集进行CICIDS2017(CanadianInstituteforCybersecurityIntrusionDetectionSystems[0117]①首先输入到BiLSTM网络中，输入数据的形状为[batch_size,max_len,n_class表示每个时间步的特征维度。在前向计算过程中，输入数据经过多层的双向LSTM[0118]②将上述得到的输出特征输入改进后的ResNeXt网络中。输入数据首先通过一个[0120]③将BiLSTM网络和改进的ResNeXt网络的输出拼接在一起，形成一个综合特征向非易失性和易失性存储器中的至少一种。非易失性存储器可包括只读存储器(Read_(ReRAM)、磁变存储器(MagnetoresistiveRandomAccessMemory，MRAM)、铁电存储器(StaticRandomAccessMemory，SRAM)或动态随机存取存储器(DynamicRandomA