[发明专利]模型训练方法、网络态势预测方法、装置、设备及介质

说明书

本发明公开了一种模型训练方法、网络态势预测方法、装置、设备及介质，包括：确定各个样本时间段的网络安全态势值；根据处理方式，对各个样本时间段的网络安全态势值进行处理，形成网络安全态势训练样本集；将网络安全态势训练样本集输入经由PSO算法优化的初始SVM模型中，获取各训练预测值与对应的实际值的误差；根据各训练预测值与对应的实际值的误差，确定训练样本集中的补丁训练样本；根据补丁训练样本，对初始SVM模型进行训练得到补丁SVM模型；根据训练样本集中的除补丁训练样本之外的剩余的正常训练样本，对初始SVM模型进行训练得到全局SVM模型。该模型训练方法训练效率较高并且训练出的SVM模型的准确性较高。

技术领域

本发明实施例涉及网络安全领域，尤其涉及一种模型训练方法、网络态势预测方法、装置、设备及介质。

背景技术

大数据时代下，各类信息资源实现高效率、高质量传输，极大提升数据运行效率。但网络体系在运营过程中，存在相应的漏洞，为黑客、病毒等提供可乘之机，同时也令计算机用户的个人隐私信息暴露在网络视野下。如用户丢失的数据信息价值较高，则将加大经济损失风险。此类问题也是当前网络安全体系中的一种缺失现象。鉴于网络通信行业的重要性，国家部门已经出台相应的网络安全条例，并加大网络安全技术的研发，为人们建构安全系数较高的网络通信环境，保证社会经济的稳态发展。网络安全态势的预测是优化网络安全的策略。通过对已收集的网络安全数据进行对比分析，来预测下一阶段电力通信网络的安全态势，将大大降低网络被攻击的概率，提升电力通信网络的整体性能。

虽然针对网络安全态势感知和预测的模型和方法有很多，但往往存在模型的适应性不够灵活等原因，导致将其直接用于电力通信网络安全态势感知时预测结果的准确度不够高。

发明内容

本发明提供一种模型训练方法、网络态势预测方法、装置、设备及介质，以解决目前电力通信网络安全态势感知时预测结果的准确度不够高的技术问题。

第一方面，本发明实施例提供一种模型训练方法，包括：

根据各个样本时间段的网络关键信息数据，确定各个样本时间段的网络安全态势值；

根据预设的处理方式，对所述各个样本时间段的网络安全态势值进行处理，形成网络安全态势训练样本集；

将所述网络安全态势训练样本集输入经由粒子群优化PSO算法优化的初始支持向量机SVM模型中，获取各训练预测值与对应的实际值的误差；

根据各所述训练预测值与对应的实际值的误差，确定所述训练样本集中的补丁训练样本；

根据所述补丁训练样本，对初始SVM模型进行训练，得到补丁SVM模型；

根据所述训练样本集中的除所述补丁训练样本之外的剩余的正常训练样本，对所述初始SVM模型进行训练，得到全局SVM模型。

第二方面，本发明实施例提供一种网络态势预测方法，包括：

根据各个历史时间段的网络关键信息数据，确定各个历史时间段的网络安全态势值；

根据预设的处理方式，对所述各个历史时间段的网络安全态势值进行处理，形成网络安全态势历史集；

确定所述网络安全态势历史集对应的目标SVM模型；其中，所述目标SVM模型为采用如第一方面所述的模型训练方法得到补丁SVM模型或者全局SVM模型；

将所述网络安全态势历史集输入所述目标SVM模型中，得到所述目标SVM模型输出的下一阶段的网络安全态势预测集；

根据预设的处理方式的逆处理方式，对所述下一阶段的网络安全态势预测集进行处理，得到下一阶段的网络安全态势最终预测集。

第三方面，本发明实施例提供一种模型训练装置，包括：