阅读文献总结2023

- 阅读文献
- - 基于卷积神经网络多源融合的网络安全态势感知模型

阅读文献

基于卷积神经网络多源融合的网络安全态势感知模型

题目	基于卷积神经网络多源融合的网络安全态势感知模型
	文章信息：
年份	2023
发文单位	山西财经大学
收录刊会	计算机科学（北大核心）
作者	刘秀娟
引用量	5
	摘要：
摘要目的	为了准确获取整个网络的安全态势
摘要方法	采用多源融合算法提升攻击识别准确率多源融合指采用指数加权的D-S融合方法有效地融合各决策引擎的输出结果决策引擎指以属性提炼生成的各探测器的核心属性数据为输入，以卷积神经网络为引擎识别各种攻击
摘要结果	多源融合算法可将攻击识别的准确率提升到92.76%
摘要结论	多源融合算法可以提高识别工具的准确率
	引言：
引言背景	网络带来了新的安全威胁
引言需要解决的问题	为了应对多样的网络攻击
引言已有研究不足	gan和li只进行了纵向对比，没有进行横向对比。 zhao召回率低 liu探测率还有进一步提升 qian依赖于前期学者态势值的计算结果的准确性 chang准确率低 he研究成果针对特定的情景，具有一定局限性 zhang攻击识别准确率低 li模型参数多达50213个
引言本文开展研究	（1）立足流量基本特征，选取netflow，snort和suricata这３个探测器来多方位地监测网络，提炼恶意活动的核心属性（2）聚焦攻击识别性能不足，通过CNN+多源融合，提升攻击识别能力（3）为了消除态势计算中主观因素的影响，采用层次化网络分析方法，客观高效地评估网络安全态势
	框架：
框架图
框架方法	（1）流量探测，netflow手机流量包，并发送到指定的服务器上。suricata和snort利用规则匹配，检测恶意流量（2）属性提炼，说了提取结果，但没有说提取的依据。数据预处理，数值化，归一化。（3）CNN获取各类攻击发生的概率。维度42维，较少，加池化层效果不佳，所以没加池化层。两层全连接层。relu激活函数。（4）多源融合，求第i种攻击的概率 $A_{i})=\frac{\prod_{x=1}^{j}m_{x}\left ( A_{i} \right ) ^{w_{i,x}}}{\sum_{i=1}^{n}\left ( \prod_{x=1}^{j}m_{x}\left ( A_{i} \right ) ^{w_{i,x}} \right )}$ j是证据源数目，n是攻击种类数目。公式的含义为收集所有证据源对第i种攻击的概率比上所有证据源对所有攻击的值。指数权值需要利用梯度下降算法迭代优化 (5)态势评估，根据snort对报警类型威胁等级划分的机理得到攻击威胁等级划分原则，利用权系数理论计算各类攻击的威胁值。攻击威胁值与攻击概率与攻击次数->服务态势值。服务态势值与服务用户数量与服务使用频率->主机态势值。主机态势值与主机用户数量与主机使用频率->网络态势值
框架评价指标	准确率(ACC) 、误报率(FPR) 、漏报率(FNR) 和误警率(FAR) 作为衡量指标。
框架案例对象	本节实验选用的数据集有165925条，占总数据集的64.39%。对经由属性提炼之后的数据集中的大样本Normal进行随机采样，其余样本类型进行全采样。训练集和测试集划分比例为 6:4，训练集 Normal 采样比例为 31.8%，测试集采样比例为 44.9%。，以5min作为一个时间窗口，共计112个时间窗口
	实验结果：
收获论点(结论)	决策级融合明显优于特征融合，特征融合优于各决策引擎的输出结果。决策级融合后攻击识别的准确率达到了 92.72%，攻击识别性能达到最优。
收获论据(消融实验图表)	图7图8表4
收获论据(对比实验图表)	表5
存在问题
研究展望
论文中有用的知识点
启发	1可以通过缝合其他内容弄一个新的自编码器,然后换一个分类算法,就可以做评估了
看完论文的疑问
句子积累	深入snort报警信息威胁等级划分机理，洞悉各类攻击原理，提炼威胁等级划分原则，以权系数理论量化威胁等级，采用层次化网络分析方法，客观高效地评估网络安全态势。属性提炼坚持全面覆盖、聚焦恶意活动、有效数值化非数值特征、合理归一化数值特征的原则，构造有助于提升识别攻击类型的核心属性。数据预处理主要包括非数值属性的数值化和数值属性的归一化。非数值属性的数值化包含两种常用的编码方式：One-HotEncoding和LabelEncoding。One-HotEncoding通常应用于类别之间没有顺序关系的特征；LabelEncoding通常应用于类别之间具有顺序关系的特征。基于本文非数值属性不存在显著性的顺序关系，采用One-HotEncoding 。 ReLU函数具有提升数据稀疏性、增强泛化能力、减轻参数依赖、防止梯度消失的优点。前向传播：根据输入输出结果，计算与真实值之间的误差。反向传播：根据误差调整网络的参数