基于人工神经网络的计算机网络攻击预测模型

赵金梦 张静 苏蓓蓓 刘新渝 尚智婕

【摘 要】为提高计算机网络攻击预测结果的精准度，文章开展基于人工神经网络的计算机网络攻击预测模型构建方法的研究，根据计算机网络传输信息的正向传输方向，提取计算机网络节点信息，并对其进行预处理，在此基础上设计基于网络节点的计算机网络攻击预测模型架构，引进人工神经网络训练模型，计算模型预测结果损失值，进行模型中神经元反向传输预测结果的收敛，完成对计算机网络攻击预测模型的设计，提升模型预测结果的精度。对比实验证明：预测模型在使用中的期望结果偏差值<0.05，符合市场对计算机网络攻击预测模型的应用要求。

【关键词】人工神经网络;计算机网络;攻击;预测模型

【中图分类号】TP183 【文献标识码】A 【文章编号】1674-0688（2022）02-0037-03

0 引言

网络技术的多元化发展，为产业科技研究指明了新的方向，但与此同时，也使得网络攻击呈现多样性的特点。终端设备没有及时做好网络攻击预测，导致网络大型瘫痪或大规模安全事故屡见不鲜。为了降低网络攻击对计算机设备安全、稳定运行的侵扰，一些技术单位选择在终端计算机设备上安装防火墙、防病毒软件等对计算机的运行进行安全防护，但此类防护措施安全等级较低，无法抵御外界一些类型复杂的攻击，对于网络黑客或高等级网络病毒，防火墙在计算机中形同虚设[1]。因此，市场上急需一种可实现对计算机网络攻击进行有效预测的模型，通过对入侵计算机的程序、身份或行为的识别，掌握计算机中用户的登录目的。目前，大多应用于此方面的技术包括人工智能技术、AR技术、云计算技术等，这些新型技术的提出在一定程度上为计算机的安全持续运行提供了保障。

文献[2]提出复合网络攻击下离散时间多智能体系统（DMASs）的云端预测控制设计，引入云端模拟攻击机制补偿观测器和预测控制器所用的控制输入不一致的情形，将带有预测控制机制的DMASs建模为依赖于阈值误差的时滞系统模型。文献[3]提出一种基于DoS攻击的分布式事件触发的无模型预测补偿能量优化管理控制方法。将微电网中的每个部分看作一个智能体并考虑了通信带宽受限问题，提出一种基于输入输出数据的无模型预测控制算法，利用跟踪攻击前时刻的供需不匹配功率预测补偿当前时刻及其后多个时刻的智能体功率数据缺失。

如今，大部分技术的研究仍局限在理论层面，并且一些技术会受到外界网络环境等因素的限制，存在参数调度受阻、优化困难、计算量大、预测结果与实际结果存在偏差等问题。为解决上述问题，本研究提出基于人工神经网络的计算机网络攻击预测模型，按照节点次序进行信息提取，将节点的预处理过程划分为数值化处理与归一化处理两个步骤，通过线性处理方法进行数据导入的处理与批准。基于网络节点，实现计算机网络攻击预测模型架构，引进人工神经网络，对模型预测值进行收敛，筛查结果数据中的重叠数值，输出其余数值，根据数值映射的网络节点，导出计算机网络节点，将此节点作为预测的攻击节点，以此完成对计算机网络攻击预测模型的设计。实验证明，本研究设计的基于人工神经网络的计算机网络攻击预测模型在使用中的期望结果偏差值<0.05。

1 基于人工神经网络的计算机网络攻击预测模型

1.1 计算机网络节点的提取与预处理

为了提高模型对计算机网络攻击预测结果的准确性，需要在建模前对计算机网络节点信息进行提取，完成提取后，进行节点信息的预处理，确保节点信息可以作为模型训练与预测的参照数据。提取节点时，根据计算机网络传输信息的正向传输方向，按照节点次序进行信息提取，完成接单信息的提取后，将节点的预处理过程划分为数值化处理与归一化处理两个步骤[2]。处理的目的是为预测模型提供一个标准化的训练集合，在进行数值化处理时，需要设定一个数值导入标准，将标准作为处理的依据再进行数值的依次导入，完成处理后，进行数据的筛选与筛查。对符合标准的节点数据，可以直接在前端进行导入;对不符合标准的节点数据，可以通过线性处理方法进行数据导入的处理与批准。

在进行数据归一化处理时，需要先对计算机网络节点数据进行属性映射，完成映射后，提取映射空间内的连续型数据集与离散型数据集，将数据集合按照特征规范进行线性划分[3]。通过此种方式，可以得到多个不同类型的计算机节点信息，实现对节点数据的预处理。

1.2 基于网络節点的计算机网络攻击预测模型架构

完成上述相关研究后，在计算机前端输入网络节点信息，对接映射处理结果，开发计算机网络攻击预测模型框架。计算机网络攻击预测模型架构如图1所示。

从图1可以看出，预测模型共由3个主要模块构成，分别为处理模块、训练模块与预测模块。其中，处理模块的主要作用是进行计算机网络节点信息的预处理与集中处理，完成处理后的节点信息被导入训练模块，此模块主要用于仿真分析节点信息，通过对训练结果的不断收敛，得到一个精准度相对较高的预测值[3]。完成收敛处理后，信息被导入预测模块，此模块用于对接训练结果与计算机网络，对接后发生数值匹配行为，匹配后倘若识别到数值在收敛范围内时，可以认为数值对应的节点存在被攻击的趋势。

1.3 基于人工神经网络的模型预测结果收敛

完成对模型架构的开发与设计后，引进人工神经网络，对模型预测值进行收敛[4]。为了确保训练后的模型可以实现对计算机网络攻击的精准预测，可按图2所示的步骤进行预测结果训练时损失值的计算。

在掌握模型训练时的损失值后，按照人工神经网络具有的层次化特点，在网络结构层中随机选择一个固定数值的神经元作为训练模型中预测结果训练的输入值，训练时参照网络维度，对神经元进行4个维度的参数设置，每次设置参数值，设定输入值的高度与宽度对应的值为1.0与122.0。在此基础上，按照网络的正向传播方式，进行神经元卷积层输入值的卷积计算，此时可设定每一个卷积层对应的特征均为网络权值特征（网络节点被攻击时的特征），在输出结果与激活函数中输入Relu公式，公式表达式如下：

上式中：为神经元经过卷积处理后的结果值;l为人工神经网络卷积层数;j为神经元序列号;σ为可实现激活网络节点的函数;w为函数中参数权重值;b为偏置权重值;y为人工神经网络层数。按照上述计算公式，将跨层的神经元进行聚合处理，对应每一个神经元的特征值均会经过池化层，根据不同神经元的权重进行收敛过程中预测结果冗余值的筛查处理，保留其中的有效值，以此种方式能确保收敛模型预测结果的精度達到预设需求[5]。

完成对模型神经元正向预测结果的收敛后，按照相同的处理步骤，进行模型中神经元反向传输预测结果的收敛，完成正向与反向的同步处理后，对接正向预测值与反向预测值，筛查结果数据中的重叠数值，输出其余数值，根据数值映射的网络节点，导出计算机网络节点，将此节点作为预测的攻击节点完成对计算机网络攻击预测模型的设计。

2 对比实验

为了检验设计的预测模型在实际应用中具有一定有效性，可实现对计算机网络攻击的有效预测，本研究设计了对比实验。

本次实验选择某大型计算机企业作为试点单位，它主营计算机开发、生产、技术研发等工程项目，但由于近年来企业内部计算机常受到外部攻击，导致其近期的营业收益持续下降。为了解决或降低外界攻击对企业计算机网络运行造成的影响，企业技术人员开发了基于Optimized-AG的攻击预测模型。此次实验以本研究中的建模方法作为实验方法，以企业现用的建模方法作为对照方法。实验前，获取企业近一个月的被攻击的网络数据作为训练样本，将数据分别从本文模型与传统模型的前端进行导入。为了提高模型的计算机效率，缩短模型训练数据的时间，设定企业计算机的操作系统为Linux，经过多次对样本数据的迭代与小范围参数组合搭配，确定了模型的学习率在0.1时，对网络攻击的预测效果呈现最佳。

为了更加直观地展示模型对计算机网络攻击结果的预测，选择一个期望值作为模型检验结果，将期望值表示为ε，期望值是通过模型多次训练后得到的。期望值计算公式如下：

公式（3）中：k表示为模型与样本数据的训练与迭代次数;x表示为攻击行为发生的概率;p表示为随机变量取值范围。按照正则化理论进行上述公式的计算，量化计算结果，得到模型的期望值为1.0，考虑到此次实验无法排除企业内部计算机运行中外部设备与环境对实验的干扰，因此可设定ε的有效范围在±0.05。

根据现有的数据，分别使用基于人工神经网络的预测模型、基于Optimized-AG的预测模型、文献[3]提出的一种基于DoS攻击的分布式事件触发的无模型预测补偿能量优化管理控制模型，对企业计算机网络攻击预测模型进行检验。完成检验后，选择网络中期望值波动较大的节点进行模型检验，输出检验结果后，将其与ε±0.05进行比对，当期望值ε∈[ε±0.05]时，证明模型在实际应用中的达成效果与期望结果一致，当预测结果[ε±0.05]时，证明模型检验结果与期望结果存在偏差。基于此种理论，输出模型检验过程中波动值较大的训练节点值，将其统计成表格计算机网络节点攻击预测值见表1。

从表1中的实验结果可以看出，进行设计模型的检验时，基于人工神经网络预测模型得到的望值均符合ε∈[ε±0.05]，可以认为本模型在使用中的效果与期望结果一致;而在传统的预测模型中，基于Optimized-AG预测模型仅有节点2、节点3的期望值符合[ε±0.05]，其余检验结果与期望结果之间的偏差较大;基于DoS攻击的分布式事件触发的无模型预测补偿能量优化管理控制模型仅有节点5的期望值符合[ε±0.05]，其余检验结果与期望结果之间偏差较大。综合上述实验得出最终的实验结论：相比传统的预测模型，本研究设计的基于人工神经网络的计算机网络攻击预测模型经过检验后，模型在使用中的期望结果偏差值<0.05，符合此项目单位对计算机网络攻击预测模型的应用需求。

3 结语

本研究提出了一种基于人工神经网络的计算机网络攻击预测模型构建方法，提取计算机网络节点，并对提取结果进行预处理，采用人工神经网络对模型预测结果进行收敛，完成此次研究后，通过对比实验证明了设计的预测模型在使用中的期望结果偏差值<0.05，符合项目单位对计算机网络攻击预测模型的应用需求。但是，要想将此模型在市场进行推广与应用，还需要在后期的研究中尝试从多个角度进行模型性能的检验与完善。

参 考 文 献

[1]张华，龙灿.热模式分析结合网络自适应跳变算法的超密集网络攻击预测方法[J].计算机应用与软件，2020，37（6）：288-296.

[2]贾新春，张媛，池小波，等.复合网络攻击下离散时间多智能体系统的云端预测控制[J].山西大学学报（自然科学版），2020，43（3）：499-507.

[3]李瑶虹，黄伟，孙贝贝，等.拒绝服务攻击下基于分布式事件触发一致性预测补偿的微电网能量优化管理[J].现代电力，2021，38（2）：178-186.

[4]刘鑫蕊，常鹏，孙秋野.基于XGBoost和无迹卡尔曼滤波自适应混合预测的电网虚假数据注入攻击检测[J].中国电机工程学报，2021，41（16）：5462-5476.

[5]王辉，戴田旺，茹鑫鑫，等.基于Optimized-AG的节点攻击路径预测方法[J].吉林大学学报（理学版），2019，57（4）：917-926.