[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

说明书

本发明涉及信息系统网络安全态势的评价领域，提供了一种基于多通道SAE‑AdaBoost的电力物联网网络安全态势评估方法，目的在于解决现有方法评估方法精度差，泛化误差大的问题。主要方案包括步骤1：网络安全态势指标划分为多个通道T₁，T₂，Λ，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：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。

技术领域

本发明涉及信息系统网络安全态势的评价领域，具体来说是一种基于多通道架构结合稀疏自编码器和AdaBoost集成学习算法对电力物联网网络安全态势进行综合评价的方法。

背景技术

最近几年，随着电力物联网的不断发展，接入设备种类日益增多，电力物联网结构日益复杂，使电力行业信息网络的复杂性及不确定性不断增加，电力物联网的信息安全防护面临巨大挑战。因此，对系统整体网络安全态势的监管要求也将不断提高，传统的网络安全态势评估手段将无法满足复杂系统的高效而精准的评估需求。为了提升电力物联网的网络安全保障能力，准确而客观地评价电力信息网络安全态势，有效地指导信息系统安全、高效、经济地运行，一种能够综合系统各类网络安全指标并实现自动评估的电力物联网网络安全态势评估方法就显得尤为重要。

在分析对象各态势指标并进行综合网络安全态势评估方面，申请号为CN201910432976.9、名称为“一种基于SAE+BPNN的网络安全态势评估方法”的发明专利公开了一种网络安全态势的综合评价方法，该发明属于网络安全态势评估领域，其中的综合评估方法主要思路如下：对提取到的指标数据进行归一化处理；将归一化处理后的指标数据输入训练完成的深度自编码神经网络，以对归一化后的指标数据进行降维处理；将降维处理后的指标数据输入至训练完成的BP神经网络，以对网络安全态势进行评估。该评价方法通过将稀疏自编码器与BP神经网络相结合,解决了评估数据维度过大会导致模型构建的复杂度较高的问题，为网络安全态势评估提供了一种评估效率较高的方案。

虽然上述技术方法考虑到原有BPNN方法的技术缺陷，采用了SAE(稀疏自编码器)与BPNN(反向传播神经网络)相结合进行网络安全态势评估的思想，克服了模型评估数据维度过大会导致模型构建的复杂度较高的问题。但是，在具体使用的技术方法上，该专利使用的还是最传统的神经网络算法，这类方法没有考虑到指标和安全问题之间的对应关系，忽略了不同类指标的所代表的网络安全问题不同，导致产生不同类指标混合的特征，对整体特征造成干扰。对于像电力物联网这样的安全问题因素较多的企业级信息系统而言，传统的神经网络算法在整体系统网络安全态势评估方面还是存在一定局限性的；再者，传统的神经网络算法容易发生过拟合，从而导致模型精度下降。

发明内容

本发明的目的在于解决现有方法没有考虑到指标和安全问题之间的对应关系，忽略了不同类指标的所代表的网络安全问题不同，导致产生不同类指标混合的特征，对整体特征造成干扰，从而导致现有评估方法精度差，泛化误差大的问题。

为了解决上述技术问题，本发明采用以下技术方案：

本发明提供了一种基于多通道SAE-AdaBoost的电力物联网网络安全态势评估方法，包括以下步骤：

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；