申请/专利权人：四川长江环保技术有限公司

申请日：2023-12-08

公开（公告）日：2024-04-26

公开（公告）号：CN117938686A

主分类号：H04L41/147

分类号：H04L41/147;H04L41/16;G06N3/006

优先权：

专利状态码：在审-公开

法律状态：2024.04.26#公开

摘要：本发明涉及一种面向工控系统的网络安全态势获取与预测方法研究。针对工控网络安全态势预测精度低以及收敛速度慢的问题，提出了一种基于自适应粒子群优化的工控网络态势预测算法SAIPSO‑BiLSTM。先采取对立学习方法进行粒子群初始化以提升种群多样性，并引入高斯和柯西分布变异动态调整权值处理，以加快收敛速度。同时，引入相似度和聚集度结合莱维飞行的方法进行位置扰动便于及时跳出局部最优。其次，考虑到态势数据前后之间的关联性，本说明书采取BiLSTM模型进行训练，结合自适应粒子群算法对模型寻优以此实现态势预测。通过实验以及对比分析，本说明书提出的态势预测算法在收敛性速度以及准确率方面有一定程度的提升。

主权项：1.一种基于自适应粒子群优化的工控网络态势预测算法，其特征在于，所述方法包括以下步骤：步骤1、准备工作，选取合适的适应度函数，适应度函数对应有适应度值，其作用在于对粒子进行筛选，以此不断更新迭代，适应度值与算法的收敛性和复杂度是有关联的，因此，需要选择一个合适并简单的适应度函数，这在一定程度上降低算法的复杂度；步骤2、改进粒子群优化算法，这个阶段是内容的的主要工作，为了合理确定模型参数，提出一种自适应粒子群优化算法，首先使用对立学习策略实现粒子群初始化如图2，同时引入了一个具有随机系数的非线性变化惯性权值，通过自适应变化，可以实现全局搜索和局部搜索的联合优化，接着通过采取高斯与柯西分布对粒子群位置和速度进行动态调整，然后再根据Levy飞行位置扰动，重新更新粒子的位置，避免算法在后期陷入局部最优的困境；步骤3、BiLSTM模型训练，若未考虑态势时序数据前后之间的关联性，则会影响到预测的性能，因此，为了提高模型对态势的预测精度，将BiLSTM模型运用到态势预测，根据最优参数优化网络和结构参数，并利用IPSO算法实现，结合BiLSTM以此建立态势预测模型如图2；步骤4、态势预测阶段，对步骤3得到的最优参数作为BiLSTM的训练，预测未来网络安全态势的过程就是将测试集输入到训练好的BiLSTM模型中，从而得到最终的预测结果。

全文数据：

权利要求：

百度查询： 四川长江环保技术有限公司 基于自适应粒子群优化的工控网络态势预测算法

免责声明
1、本报告根据公开、合法渠道获得相关数据和信息，力求客观、公正，但并不保证数据的最终完整性和准确性。
2、报告中的分析和结论仅反映本公司于发布本报告当日的职业理解，仅供参考使用，不能作为本公司承担任何法律责任的依据或者凭证。

阅读全文 双屏查看 官方信息 专利公告 收藏专利 下载PDF 下载WORD