[发明专利]一种基于多通道SAE-AdaBoost的电力物联网网络安全态势评估方法

权利要求书

1.一种基于多通道SAE-AdaBoost的电力物联网网络安全态势评估方法，其特征在于：

步骤1：网络安全态势指标划分为多个通道T₁,T₂,...,T_n；

步骤2：对于每一个通道，SAE通过隐含层将每一个无标签训练样本k维矢量x′映射成m维的编码矢量x^h，以得到高维数据的低维表示x^h；

步骤3：对于通道T_i训练数据集其中表示经步骤2降维后的样本点，x^h降维后的数据，x是指通道划分后的指标数据，y_i表示样本对应的类别，取值为{-1，1}，为“1”时表示此通道对应的安全事件会发生，AdaBoost算法从训练数据中不断改变样本的权重，串行学习到一系列的弱学习器，并将这些弱学习器线性组合为一个强学习器，使用这个强学习器对其对应的通道进行评估；

步骤4：AHP综合考虑通道之间的相对重要性，融合多个通道的评估结果，得到整体网络安全态势；

步骤1包括以下步骤：

对网络安全环境产生影响的网络安全问题划分为n个通道：T₁,T₂,...,T_n；

根据各个指标和安全问题之间的对应关系，将整体态势指标划分到以上n个通道；

步骤2包括以下步骤：

S2.1：对每个通道T_i的指标数据X^Ti＝{x₁,x₂,...,x_n}进行归一化，采用最小-最大值标准法，将通道T_i指标数据的大小范围缩小到[0,1]之间：

其中x代表指标数据；

S2.2：对通道T_i指标数据进行编码：通过隐含层将每一个无标签训练样本k维矢量x′映射成m维的编码矢量x^h，以得到高维数据的低维表示x^h；

步骤3具体包括：

步骤3.1:D_m＝(w_m1,w_m2,...,w_mN)表示第m个弱分类器样本的权重，初始化样本点的权重为：D₁＝(w₁₁,w₁₂,...,w_1N),

步骤3.2:对于m＝1,2,...,M，使用带有权重D_m的样本训练一个弱学习器G_m(x)；

步骤3.3:计算弱学习器G_m(x)的分类误差：

步骤3.4:由前向分步算法，弱分类器G_m(x)的系数为：

步骤3.5:更新第m+1个弱学习器样本的权重分布:

D_m+1＝(w_m+1,1,w_m+1,2,...,w_m+1,N)

其中，

其中，

其中，Z_m是规范化因子，主要作用是将w_mi的值规范到0-1之间，使得

步骤3.6:使用各个弱分类器的系数加权将所有弱分类器进行线性组合，得到最终的强分类器：

步骤4具体包括以下步骤：

步骤4.1：基于通用漏洞评分系统(CVSS)制定风险事件影响值评价表：

步骤4.2：结合S1中表格，确定每个通道T_i对应的安全事件的C、I、A值，并计算通道T_i的影响值

步骤4.3：结合S1中表格，从机密性、完整性、可用性三个维度，利用成对比较法构造通道的成对比较矩阵：

其中a_ij表示通道T_i相对于通道T_j的重要程度；

步骤4.4：计算特征根λ，并进行一致性检验：Aw＝λw

定义一致性指标：n代表通道个数；

定义一致性比率：

其中RI为随机一致性指标，当一致性比率CR＜0.1时，A的不一致程度在容许范围之内，有满意的一致性，通过一致性检验，用其归一化特征向量作为权向量，否则要重新构造成对比较矩阵A；

步骤4.5：利用通过检验的特征根λ，计算权向量w，将所有通道加权融合得到整体网络安全态势：

其中，I(t)是一个通用函数，当参数t为真时，输出为1；当参数为t为假时，输出为0，G^Ti(x^h)的含义是Ti对应的强分类器。