基于支持向量机的网络风险评估方法的研究:网络信息安全风险评估与研究

时间：2019-04-15 03:28:53　来源：柠檬阅读网本文已影响人

　　摘要：统计学习理论（Statistical Learning Theory，SLT）是一种专门研究小样本情况下机器学习规律的理论，作为统计学习理论的VC维理论和结构风险最小化（Structure Risk Minimization，SRM）原则的具体实现算法支持向量机（support vector machinse，SVM），集优化、核（Kernel）、最佳推广能力等特点于一身，其出色的学习能力被广泛的关注并在各个领域广泛应用，系统介绍基于支持向量机的网络安全风险评估，给出其可行性、优越性及SVM评估模型，最后提出该研究发展方向与前景的预见。
　　关键词：统计学习；风险评估；支持向量机
　　中图分类号：F224文献标识码：A文章编号：1671－7597（2012）0110102－01
　　0 引言
　　互联网络时代的到来使得网络重要性和人们对其依赖也日益增强。网络安全问题也不容乐观。网络安全风险评估是保证网络安全的重要环节。基于人工智能的评估方法是近些年发展起来的，其评估结果较为客观和准确，克服了传统方法的缺陷，为网络安全评估拓展新的空间。支持向量机[1]就是其中一种，其学习能力强，解决了在神经网络方法中无法避免的局部极值问题，具有较好的泛化推广能力。
　　1 风险评估及支持向量机
　　1.1 网络风险评估。准确进行网络安全风险评估并预测其发展趋势成为保障各种网络服务安全急需解决的问题。网络安全风险评估[2]是指依据国家有关网络信息安全技术标准，对网络信息系统及由其处理、传输和存储的信息的保密性、完整性和可用性等安全属性进行科学评价的过程。风险计算是对通过对风险分析计算风险值的过程。风险分析中要涉及资产、威胁、脆弱性等基本要素，每个要素有各自的属性。
　　在完成了资产识别、威胁识别、脆弱性识别，以及对已有安全措施确认后，将采用适当的方法与工具确定威胁利用脆弱性导致安全事件发生的可能性，考虑安全事件一旦发生其所作用的资产的重要性及脆弱性的严重程度判断安全事件造成的损失对组织的影响，即安全风险。风险计算原理利用范式（1）给出：
　　风险值=R（A，T，V）=R（L（T，V），F（Ia，Va））（1）
　　其中，R表示安全风险计算函数；A表示资产；T表示威胁；V表示脆弱性；Ia表示安全事件所作用的资产重要程度；Va表示脆弱性严重程度；L表示威胁利用资产的脆弱性导致安全事件发生的可能性；F表示安全事件发生后产生的损失。
　　1.2 支持向量机理论。SVM是在统计学习理论基础上发展起来的，是根据Vapnik提出的结构风险最小化原则来提高学习机泛化能力的方法。SVM对小样本、非线性和高维特征具有很好的性能[4]。具有理论完备、适应性强、全局优化、训练时间短、泛化性能好等优点[6]。
　　假定训练数据可以被超平面
　　无错误地分开，且距离超平面最近的向量与超平面间的距离最大，则称这个超平面为最优超平面。而SVM的主要思想就是：通过某种事先选择的非线性映射将输入向量x映射到一个高维特征空间Z，在这个空间中构造最优分类超平面。SVM就是解决如何求解得到最优分类超平面及如何解决高维空间常遇到的维数灾难问题。而通过核函数方法向高维空间映射时并不增加计算复杂度，又可以有效克服维数灾难问题。
　　SVM中不同的核函数将形成不同的算法，对于在具体问题中核函数的选定和构造也是SVM中的研究内容之一。
　　2 支持向量机的评估方法
　　支持向量机可以较好的解决小样本、非线性模式识别、过拟合、高维数等问题，具有学习能力强，全局最优以及很好的泛化能力和结果简单等优点，应用于风险评估具有其可行性及优势[3，5]。
　　2.1 算法可行性。将SVM运用到风险评估中，对目标网络进行安全风险评估具有其可行性。支持向量机是专门针对有限样本情况的，目标是得到现有信息下的最优解。其次，支持向量机能将分类问题最终转化成一个二次寻优问题。最后，风险评估对问题解决方法的泛化能力及简单性要求较高。支持向量机能将实际问题通过非线性变换转到高维特征空间，在高维特征空间中构造线性判别函数使得原始空间具有了非线性判别函数的功能。在保证模型推广性的同时也消除了维数灾难的问题。
　　2.2 基于SVM的评估模型。随着SVM的广泛应用及对其深入研究，结合具体需求将SVM与其他算法相结合进行优化，出现一些新型的SVM方法。在对SVM参数优化方法也有相关深入的算法研究。本论文结合SVM实际应用模型与网络风险评估要求及流程，提出基于SVM的评估模型。评估模型主要分四部分：评估观测期、风险分析期、基于SVM的评估期、防护措施调整期。该模型采用周期循环的理念，可以得到目标网络实时的安全状况，更好的保证网络安全可靠。
　　基于SVM的评估期对评估指标进行归一处理，作为SVM的输入。对数据初始化后通过对训练数据进行机器学习，最终获得SVM的训练模型。然后运用模型对测试数据进行处理，得到测试集中样本的分类结果即评估结果。
　　3 结束语
　　网络安全评估成为解决网络安全问题以及网络优化的关键手段之一。支持向量机能较好地解决传统评估方法不能解决的非线性、高维和局部极小等实际问题，克服了神经网络的过拟合、局部最优的缺陷，成为网络安全领域的又一研究热点。该领域仍需完善和改进SVM算法，结合其他学科提高SVM训练速度、降低算法复杂度和运算量等。
　　
　　
　　参考文献：
　　[1]邓乃扬、田英杰，支持向量机理论、算法与拓展[M].北京：科学出版社，2009．
　　[2]黄光球、朱擎等，基于信息融合技术的动态安全态势评估模型[J].微计算机信息，2010，26（1-3）：27-29．
　　[3]党德鹏、孟真，基于支持向量机的信息安全风险评估[J].华中科技大学学报（自然科学版），2010，38（3）：46-49．
　　[4]殷志伟，基于统计学习理论的分类方法研究[D].哈尔滨：哈尔滨工程大学，2009．
　　[5]王伟，AHP和SVM组合的网络安全评估研究[J].计算机仿真，2011，28（3）：182-185．
　　[6]故亚祥、丁世飞，支持向量机研究进展[J].计算机科学，2011，38（3）：14-17．
　　
　　作者简介：
　　赵小萌（1987-），女，汉族，河北邯郸人，硕士在读，华北电力大学计算机系，研究方向：计算机网络及应用；张斌（1986-），男，汉族，河北石家庄人，硕士在读，华北电力大学计算机系，研究方向：计算机网络及应用；程晓荣（1963-），女，汉族，河北邯郸人，博士，教授，华北电力大学计算机系，研究方向：计算机网络应用。

相关热词搜索：向量 风险评估 支持方法

基于支持向量机的网络风险评估方法的研究:网络信息安全风险评估与研究

最新文章

热门文章