船舶光纤通信系统的安全态势预测模型

李 建

(晋中信息学院 智能工程学院，山西 晋中 030800)

0 引 言

船舶航行时，光纤通信系统的安全问题至关重要。确保光纤通信系统安全运行的前提是安全态势预测[1]。通过安全态势预测，可及时发现光纤通信系统中存在的安全隐患，确保船舶航行时接收的信息不被篡改，提升航行的安全性[2–3]。安全态势预测模型的相关研究较多，张然等[4]通过改进模拟退火算法，优化BP 神经网络参数，通过优化后的BP 神经网络，建立光纤通信系统的安全态势预测模型，得到安全态势预测结果。该模型具备较优的稳定性，且收敛速度较快。杨宏宇等[5]通过熵关联度处理转换警报信息，得到态势值的时间样本序列；通过可变域空间，结合时间样本序列，得到安全态势预测初始值；通过时变加权马尔可夫链修正初始值，得到最终的安全态势预测结果。该模型的适应能力较强，且安全态势预测精度较高。但这2 个模型均存在信息来源单一、实时性差的问题。隐马尔可夫预测模型能够依据多种类型的信息，描绘光纤通信系统不同时间的安全态势，具有较优的实时性效果。为此，设计船舶光纤通信系统的安全态势预测模型，实时了解光纤通信系统安全态势的变化情况。

1 安全态势预测模型

1.1 船舶光纤通信系统

船舶光纤通信系统内的数据包含离散型与连续型2 种。为提升安全态势预测效果，需离散化连续型数据，得到离散型数据[6]。令船舶光纤通信系统连续型数据为X，其离散化结果为：

式中：Xi为第i个原始连续型数据；Xmax和Xmin分别为X的最大值、最小值；为离散化后的船舶光纤通信系统数据。利用式(1)将船舶光纤通信系统连续型数据离散化至[0 1]。

1.2 基于隐马尔可夫的安全态势预测模型

1.3 基于隐马尔可夫安全态势预测模型的参数学习

在安全态势预测模型中，P，G，D是未知参数，通过Baum-Welch 学习算法，在观测样本内不断学习，获取P，G，D的值。具体步骤如下：

其中，第j个隐藏状态Fj的概率为Pj；Fj转至第l个隐藏状态Fl的 转移概率为gjl；第k个样本的观测状态概率为dj(k)。

步骤2E-步。计算Fj在 时间t时与Fl在时间t+1时的概率ct(j,l)，公式如下：

其中， αt(j) 为正向概率；βt+1(l)为反向概率。

t时，安全态势预测模型是Fj的 概率为 γt(j)，公式如下：

步骤3M-步。在包含M个样本观测序列时，令个样本观测序列彼此无联系，且同步，则P，G，D在所有观测样本的全部时间观测序列O上取均值，重复计算，以达到收敛为止，计算公式如下：

1.4 安全态势预测模型的实现

通过隐马尔可夫模型，构造船舶光纤通信系统的安全态势预测模型，得到安全态势预测结果的具体步骤如下：

步骤1通过Viterbi 算法，解码获取O的全部隐状态F={F1,F2,···,FN}，即船舶光纤通信系统威胁维指数Q的隐状态序列F={F1,F2,···,Ft}。

步骤2通过Q的最后一个隐状态Ft，按照随机矩阵R，得到下一时刻，Ft变更成其余隐状态的概率，即船舶光纤通信系统威胁维指数的概率向量Q′。

步骤3通过转置矩阵Z，依据Q′，得到船舶光纤通信系统的安全态势U。

令t时 ，前t个 时间观测序列在Fj处结束时的累积概率是 θt(j)；通过Viterbi 算法，解码获取O的全部隐状态F={F1,F2,···,Ft}的步骤如下：

步骤1公式如下：

式中： ϕ1(j)为Fj的 前续状态；O1为船舶光纤通信系统观测样本的第一个时间观测序列。

步骤2迭代计算，公式如下：

步骤3结束计算，公式如下：

其中，Vt为Fj的最终输出概率。

步骤4状态序列回溯，公式如下：

其中，Ft为 最佳状态，即Q的最佳隐状态。Q的随机矩阵R是 通过H个 随机矩阵Rh的平均值组建而成，计算公式如下：

通过R与Ft获取下一时刻，Ft变更成其余隐状态的概率向量Q′=R·Ft。

依据Z，计算船舶光纤通信系统的安全态势D，计算公式如下：

2 实验分析

以某船舶的光纤通信系统为实验对象，以该光纤通信系统的2000 个数据为实验数据，选择其中一台主机为客户端，所有船舶通信的相关操作，均在这台主机上完成，并未该主机设置2 台电脑为攻击终端。利用本文方法对该船舶光纤通信系统的安全态势进行预测，确保光纤通信系统安全运行。光纤通信系统的安全等级如表1 所示。

利用本文模型对该船舶光纤通信系统内的连续型数据，进行离散化，以主机子网平均数据流为例，离散化结果如图1 所示。可知，本文模型可有效对主机子网平均数据流进行离散化处理，离散化后的数据流始终在0～1 波动，方便后续安全态势预测的操作。实验证明，本文模型可有效离散化处理船舶光纤通信系统的连续型数据。

图 1 主机子网平均数据流离散化结果Fig. 1 Average data dispersion results of host subnet

利用本文模型计算基于隐马尔可夫的安全态势预测模型中的未知参数P，G，D，以P与G的计算结果为例，未知参数计算结果如表2 与表3 所示。综合分析可知，本文模型可有效计算安全态势预测模型内的隐藏状态概率值，以及状态转移概率值，确定完预测模型的参数后，可依据本文模型进行船舶光纤通信系统安全态势预测。

表 1 光纤通信系统的安全等级Tab. 1 Security levels of optical fiber communication systems

表 2 隐藏状态的概率计算结果Tab. 2 Calculation results of hidden state probability

表 3 状态转移概率计算结果Tab. 3 Calculation results of state transition probability

利用本文模型预测该船舶光纤通信系统的安全态势，预测结果如图2 所示。可知，本文模型可有效预测船舶光纤通信系统安全态势，虽然本文模型的预测结果与实际安全态势有微小的差距，但船舶光纤通信系统的安全等级一致。在18:00 时，该光纤通信系统的安全等级是中，说明此时光纤通信系统受外界攻击的影响较大，在21:00 时，该光纤通信系统的安全态势值大，即安全态势等级最低，说明此时光纤通信系统内存在大量的严重攻击行为，需要及时解决攻击问题，确保光纤通信系统安全运行。其余时间安全态势值均低于0.4，说明光纤通信系统正常运行，或受外界攻击的影响较小，即此时光纤通信系统运行的安全性较高。实验证明，本文模型可精准预测安全态势。

图 2 船舶光纤通信系统安全态势预测结果Fig. 2 Security situation prediction results of ship optical fiber communication system

3 结 语

精准预测安全态势，可帮助船舶操作人员实时了解光纤通信系统的安全状况，及时发现光纤通信系统内存在的攻击行为，并加以制止，提升光纤通信系统运行的安全性。为此，设计船舶光纤通信系统的安全态势预测模型，利用隐马尔可夫实时性较强的优势，构建安全态势预测模型，提升安全态势预测精度。