《電子技術應用》
您所在的位置：首頁 > 其他 > 設計應用 > 基于ADE-ABiGRU的物聯網安全態(tài)勢預測
基于ADE-ABiGRU的物聯網安全態(tài)勢預測
網絡安全與數據治理
彭興維1，袁凌云1,2
1 云南師范大學信息學院，云南昆明650500； 2 云南師范大學民族教育信息化教育部重點實驗室，云南昆明650500
摘要： 針對物聯網安全態(tài)勢預測的復雜性和多變性，提出一種基于ADEABiGRU的物聯網安全態(tài)勢預測模型。該模型融合了雙向門控循環(huán)單元、多頭注意力機制和殘差結構，并經由自適應差分進化算法調優(yōu)，增強了對復雜時序依賴性的捕捉和對數據的多維度分析能力。通過改進自適應差分進化算法的自適應機制，充分考慮時序數據特征，以提升全局搜索效率和局部逼近精度。在ToN_IoT數據集上的實驗結果表明，與傳統算法相比，該模型在MAPE、R2和MSE上均表現出色，展現出更高的預測準確性和穩(wěn)定性。
中圖分類號：TP393.08文獻標識碼：ADOI:10.19358/j.issn.2097-1788.2023.12.008
引用格式：彭興維，袁凌云.基于ADE ABiGRU的物聯網安全態(tài)勢預測［J］.網絡安全與數據治理，2023，42（12）：48-53.
Internet of Things security posture prediction based on ADE ABiGRU
Peng Xingwei 1，Yuan Lingyun 1,2
1 College of Information Science and Technology, Yunnan Normal University, Kunming 650500, China;2 Key Laboratory of Educational Information for Nationalities, Ministry of Education, Yunnan Normal University, Kunming 650500, China
Abstract： Addressing the complexity and variability in IoT security situation prediction, this paper proposes an ADEABiGRUbased IoT security posture prediction model. The model merges bidirectional gated recurrent units, multihead attention mechanisms, and residual structures, optimized through adaptive differential evolution to enhance its ability to capture complex temporal dependencies and analyze data across multiple dimensions. Refinement of the adaptive mechanism within the adaptive differential evolution algorithm ensures thorough consideration of temporal data characteristics, improving global search efficiency and local approximation accuracy. Experimental results on the ToN_IoT dataset show that the model outperforms traditional algorithms in terms of MAPE, R2, and MSE, demonstrating higher predictive accuracy and stability.
Key words : network security; posture prediction; bidirectional gated recurrent unit; multihead attention mechanism; differential evolution

引言

物聯網是由眾多智能設備與網絡連接組成的綜合網絡體系，旨在實現設備間的智能互聯和數據共享。隨著物聯網設備的普及，安全威脅亦在增加［1］。相對于傳統的安全措施，網絡安全態(tài)勢感知作為一種新方法，為網絡行為的宏觀理解和意圖辨識提供了創(chuàng)新視角，進而為網絡安全決策提供了有力支撐［2］。近年來，深度學習算法在多個領域均展現出了卓越的應用潛力［3］。許多研究者對深度學習算法進行優(yōu)化，提升其預測精準度。Wang等人［4］提出了一種基于長短期記憶網絡（Long ShortTerm Memory network, LSTM）和門控循環(huán)單元（Gated Recurrent Unit, GRU）的雙層模型預測算法。為了利用長期數據提升預測準確度，Zeng等人［5］在此基礎上提出了一種結合擴展平穩(wěn)小波變換和嵌套LSTM的預測模型。為增強物聯網安全性，Tan等人［6］提出了一種基于HoneyNet的方法，通過該方法成功監(jiān)控對手攻擊行為。Chen［7］通過結合模擬退火算法和混合層次遺傳算法優(yōu)化徑向基函數（Radial Basis Function, RBF）神經網絡，為網絡安全態(tài)勢預測提供了一種新的解決思路。曹波等人［8］引入了一種融合時域卷積神經網絡（Temporal Convolutional Network, TCN）和GRU的預測策略進一步提高預測精確度。


作者信息

彭興維1，袁凌云1,2

（1 云南師范大學信息學院，云南昆明650500；

2 云南師范大學民族教育信息化教育部重點實驗室，云南昆明650500）


文章下載地址：http://www.ccf-cncc2011.cn/resource/share/2000005876


weidian.jpg

此內容為AET網站原創(chuàng)，未經授權禁止轉載。