基于ＴＣＮ-ＢｉＬＳＴＭ_的网络安全态势预测

第４５卷　第１１期２０２３年１１月
系统工程与电子技术
ＳｙｓｔｅｍｓＥｎｇｉｎｅｅｒｉｎｇａ
ｎｄＥｌｅｃｔｒｏｎｉｃｓＶｏｌ．４５　Ｎｏ．１１
Ｎｏｖｅｍｂｅｒ２０２３
文章编号：１００１ ５０６Ｘ（２０２３）１１ ３６７１ ０９　网址：ｗｗｗ．ｓｙ
ｓ ｅｌｅ．ｃｏｍ收稿日期：２０２２０５０３；修回日期：２０２２０８１２；网络优先出版日期：２０２２０９２２。

网络优先出版地址：ｈｔｔｐ：
∥ｋｎｓ．ｃｎｋｉ．ｎｅｔ／ｋｃｍｓ／ｄｅｔａｉｌ／１１．２４２２．ＴＮ．２０２２０９２２．０９１２．００２．ｈｔｍｌ基金项目：国家自然科学基金（６２００２３６２）；国防自然科学基金（６１７０３４２６）；陕西省高校科协青年人才托举计划（２０１９０３８）
；中国陕西省创新能力支持计划（２０２０ＫＪＸＸ ０６５）资助课题 通讯作者．
引用格式：孙隽丰，李成海，曹波．基于ＴＣＮ ＢｉＬＳＴＭ的网络安全态势预测［Ｊ］．系统工程与电子技术，２０２３，４５（１１）：３６７１ ３６７９．
犚犲犳犲狉犲狀犮犲犳狅狉犿犪狋：ＳＵＮＪＦ，ＬＩＣＨ，ＣＡＯＢ．ＮｅｔｗｏｒｋｓｅｃｕｒｉｔｙｓｉｔｕａｔｉｏｎｐｒｅｄｉｃｔｉｏｎｂａｓｅｄｏｎＴＣＮ ＢｉＬＳＴＭ［Ｊ］．ＳｙｓｔｅｍｓＥｎｇｉｎｅｅｒｉｎｇ
ａｎｄＥｌｅｃｔｒｏｎｉｃｓ，２０２３，４５（１１）：３６７１ ３６７９．
基于犜犆犖 犅犻犔犛犜犕的网络安全态势预测
孙隽丰１，
２， ，李成海１，曹　波１（１．空军工程大学防空反导学院，陕西西安７１００５１；
２．中国人民解放军第９４９９４部队，江苏南京２１００００）
摘　要：针对现有网络安全态势预测模型预测精确度低和收敛速度慢的问题，
提出一种基于时域卷积网络（ｔｅｍｐｏｒａｌｃｏｎｖｏｌｕｔｉｏｎｎｅｔｗｏｒｋ，ＴＣＮ）和双向长短期记忆（ｂｉ ｄｉｒｅｃｔｉｏｎａｌｌｏｎｇｓｈｏｒｔ ｔｅｒｍｍｅｍｏｒｙ，ＢｉＬＳＴＭ）网络的预测方法。

首先，将ＴＣＮ处理时间序列问题的优势应用到态势预测上学习态势值的序列特征；随后，引入注意力机制动态调整属性的权值；然后，利用ＢｉＬＳＴＭ模型学习态势值的前后状况，以提取序列中更多的信息进行预测；利用粒子群优化（ｐａｒｔｉｃｌｅｓｗａｒｍｏｐｔｉｍｉｚａｔｉｏｎ，ＰＳＯ）算法进行超参数寻优，提升预测能力。

实验结果表明，所提预测方法的拟合度可达０．９９９５，
其拟合效果和收敛速度均优于其他模型。

关键词：网络安全；态势预测；时域卷积网络；双向长短期记忆网络；粒子群优化；注意力机制中图分类号：ＴＰ３９３ 文献标志码：Ａ 犇犗犐：１０．１２３０５／ｊ．
ｉｓｓｎ．１００１ ５０６Ｘ．２０２３．１１．３６犖犲狋狑狅狉犽狊犲犮狌狉犻狋狔狊
犻狋狌犪狋犻狅狀狆狉犲犱犻犮狋犻狅狀犫犪狊犲犱狅狀犜犆犖 犅犻犔犛犜犕ＳＵＮＪｕｎｆｅｎｇ１，２， ，ＬＩＣｈｅｎｇ
ｈａｉ１，ＣＡＯＢｏ１（１．犃犻狉犇犲犳犲狀狊犲犪狀犱犃狀狋犻犿犻狊狊犻犾犲犛犮犺狅狅犾，犃犻狉犉狅狉犮犲犈狀犵犻狀犲犲狉犻狀犵犝狀犻狏犲狉狊犻狋狔，犡犻’
犪狀７１００５１，犆犺犻狀犪；２．犝狀犻狋９４９９４狅犳狋犺犲犘犔犃，犖犪狀犼
犻狀犵２１００００，犆犺犻狀犪） 犃犫狊狋狉犪犮狋：Ｉｎｏｒｄｅｒｔｏｓｏｌｖｅｔｈｅｐｒｏｂｌｅｍｓｏｆｌｏｗｐｒｅｄｉｃｔｉｏｎａｃｃｕｒａｃｙａｎｄｓｌｏｗｃｏｎｖｅｒｇｅｎｃｅｓｐｅｅｄｏｆｅｘｉｓｔｉｎｇ
ｎｅｔｗｏｒｋｓｅｃｕｒｉｔｙｓ
ｉｔｕａｔｉｏｎｐｒｅｄｉｃｔｉｏｎｍｏｄｅｌｓ，ａｐｒｅｄｉｃｔｉｏｎｍｅｔｈｏｄｂａｓｅｄｏｎｔｅｍｐｏｒａｌｃｏｎｖｏｌｕｔｉｏｎｎｅｔｗｏｒｋ（ＴＣＮ）ａｎｄｂｉ ｄｉｒｅｃｔｉｏｎａｌｌｏｎｇｓｈｏｒｔ ｔｅｒｍｍｅｍｏｒｙ（ＢｉＬＳＴＭ）ｎｅｔｗｏｒｋｉｓｐｒｏｐｏｓｅｄ．Ｔｈｉｓｍｅｔｈｏｄｆｉｒｓｔｌｙａｐｐ
ｌｉｅｓｔｈｅａｄｖａｎｔａｇｅｓｏｆＴＣＮｉｎｄｅａｌｉｎｇｗｉｔｈｔｉｍｅｓｅｒｉｅｓｐｒｏｂｌｅｍｓｔｏｔｈｅｓｅｑｕｅｎｃｅｃｈａｒａｃｔｅｒｉｓｔｉｃｓｏｆｌｅａｒｎｉｎｇｐｏｔｅｎｔｉａｌｖａｌｕｅｓｉｎｓｉｔｕａｔｉｏｎｐｒｅｄｉｃｔｉｏｎ，ｔｈｅｎｉｎｔｒｏｄｕｃｅｓｔｈｅａｔｔｅｎｔｉｏｎｍｅｃｈａｎｉｓｍｔｏｄｙｎａｍｉｃａｌｌｙａｄｊｕｓｔｔｈｅｗｅｉｇｈｔｓｏｆａｔｔｒｉｂｕｔｅｓ．Ｓｅｃｏｎｄｌｙ，
ｔｈｅｐｒｏｐｏｓｅｄｍｅｔｈｏｄｕｓｅｓｔｈｅｓｔａｔｕｓｂｅｆｏｒｅａｎｄａｆｔｅｒｌｅａｒｎｉｎｇｐｏｔｅｎｔｉａｌｖａｌｕｅｓｏｆＢｉＬＳＴＭｍｏｄｅｌｔｏｅｘｔｒａｃｔｍｏｒｅｉｎｆｏｒｍａｔｉｏｎｆｒｏｍｔｈｅｓｅｒｉｅｓｆｏｒｐｒｅｄｉｃｔｉｏｎ．Ｐａｒｔｉｃｌｅｓｗａｒｍｏｐ
ｔｉｍｉｚａｔｉｏｎ（ＰＳＯ）ａｌｇｏｒｉｔｈｍｉｓｕｓｅｄｔｏｏｐｔｉｍｉｚｅｔｈｅｈｙｐｅｒｐａｒａｍｅｔｅｒｓｔｏｉｍｐｒｏｖｅｔｈｅｐｒｅｄｉｃｔｉｏｎａｂｉｌｉｔｙ．Ｔｈｅｅｘｐｅｒｉｍｅｎｔａｌｒｅｓｕｌｔｓｓｈｏｗｔｈａｔｔｈｅｆｉｔｔｉｎｇｄｅｇｒｅｅｏｆｔｈｅｐｒｏｐｏｓｅｄｐｒｅｄｉｃｔｉｏｎｍｅｔｈｏｄｃａｎｒｅａｃｈ０．９９９５，ａｎｄｉｔｓｆｉｔｔｉｎｇｅｆｆｅｃｔａｎｄｃｏｎｖｅｒｇｅｎｃｅｓｐｅｅｄａｒｅｂｅｔｔｅｒｔｈａｎｏｔｈｅｒｍｏｄｅｌｓ．
犓犲狔狑狅
狉犱狊：ｎｅｔｗｏｒｋｓｅｃｕｒｉｔｙ；ｓｉｔｕａｔｉｏｎｐｒｅｄｉｃｔｉｏｎ；ｔｅｍｐｏｒａｌｃｏｎｖｏｌｕｔｉｏｎｎｅｔｗｏｒｋ（ＴＣＮ）；ｂｉ ｄｉｒｅｃｔｉｏｎａｌｌｏｎｇｓｈｏｒｔ ｔｅｒｍｍｅｍｏｒｙｎｅｔｗｏｒｋ（ＢｉＬＳＴＭ）；ｐａｒｔｉｃｌｅｓｗａｒｍｏｐ
ｔｉｍｉｚａｔｉｏｎ（ＰＳＯ）；ａｔｔｅｎｔｉｏｎｍｅｃｈａｎｉｓｍ０　引　言随着网络环境日益复杂，网络安全问题已经成为当前时代国家重点关注的问题之一，网络安全态势预测任务应运而生。

预测网络未来的安全态势可以为网络防御提供指
导，从而降低网络攻击所带来的不利影响。

近年来，各行各业都将引入人工智能作为行业发展的方向，网络安全态势预测任务也不例外。

其中，将神经网络
Copyright ©博看网. All Rights Reserved.
　·３６７２　·
系统工程与电子技术第４５卷 应用到网络安全态势预测领域已成为当前研究者们所重点关注的方向。

相比传统方法，神经网络可以有效地逼近和拟合非线性时间序列数据，在态势预测领域取得了较好的效果。

文献［１］
提出了一种基于经验模式分解和改进粒子群优化（ｐａｒｔｉｃｌｅｓｗａｒｍｏｐ
ｔｉｍｉｚａｔｉｏｎ，ＰＳＯ）算法优化双向门控循环单元神经网络的网络安全态势预测方法，该方法对网络安全态势数据序列进行经验模式分解后分别建立预测
模型，
最终将预测结果进行叠加，取得了较高的预测精度。

文献［２］提出了一种网络安全态势预测方法，该方法利用门控循环单元（ｇａｔｅｒｅｃｕｒｒｅｎｔｕｎｉｔ，ＧＲＵ）对样本的特征进行降维后，输入Ｔｒａｎｓｆｏｒｍｅｒ提取具有时序关系的特征，降低了训练时间，提升了预测精度。

文献［３］提出了一种改进遗传ＰＳＯ算法优化极限学习机的网络安全态势预测方法，该方法对遗传ＰＳＯ算法进行改进，虽然收敛速度加快，但是样本数目和滑动窗口数的设置对预测精度有很大影响。

文献［４］提出了一种基于改进的综合学习的ＰＳＯ（ｃｏｍｐｒｅ ｈｅｎｓｉｖｅｌｅａｒｎｉｎｇＰＳＯ，ＣＬＰＳＯ）
算法优化径向基函数（ｒａｄｉａｌｂａｓｉｓｆｕｎｃｔｉｏｎ，ＲＢＦ）神经网络的网络安全态势预测方法，该方法利用改进的ＣＬＰＳＯ算法对ＲＢＦ神经网络的聚类半径进行优化，使得模型准确性更高，收敛效果更好。

文献［５］
提出了一种基于注意力机制的ＧＲＵ神经网络安全态势预测方法，该方法融合了ＧＲＵ和注意力机制，并用
ＰＳＯ算法进行超参数寻优，
在网络安全态势预测中取得了较好的效果。

为更好地学习网络安全各要素之间的关系对态势预测的影响，本文提出一种网络安全态势预测方法，该方法的主要贡献如下：
（１）利用时域卷积网络（ｔｅｍｐｏｒａｌｃｏｎｖｏｌｕｔｉｏｎｎｅｔｗｏｒｋ，ＴＣＮ）在时间维度上学习网络态势值的序列特征；（２）引入注意力机制突出对态势值影响较大的特征，提升态势值的预测精度，并加快模型的收敛速度；（３）引入双向长短期记忆（ｂｉ ｄｉｒｅｃｔｉｏｎａｌｌｏｎｇｓｈｏｒｔ ｔｅｒｍｍｅｍｏｒｙ，ＢｉＬＳＴＭ）网络进一步学习数据的前后状况以提取特征，并得到该时刻的网络安全态势值；
（４）通过ＰＳＯ算法优化网络模型的超参数，提升模型的预测精度，降低预测误差。

１　基于犜犆犖 犅犻犔犛犜犕的网络安全态势预测方法１．１　模型构建
该方法的网络模型主要包括４个部分：输入层、ＴＣＮ编码器层、注意力层和ＢｉＬＳＴＭ预测层，具体结构如图１所示。

图１　基于ＴＣＮ ＢｉＬＳＴＭ预测方法的网络模型
Ｆｉｇ．
１　ＮｅｔｗｏｒｋｍｏｄｅｌｂａｓｅｄｏｎＴＣＮ ＢｉＬＳＴＭｐｒｅｄｉｃｔｉｏｎｍｅｔｈｏｄ （１）输入层选取国家互联网应急中心［６］的安全数据作为实验数据，每周进行态势评估得到态势值，将态势值进行归一化处理、滑动窗口处理，将其转换为时间步长×输入维度的形式。

数据重构以滑动窗口狊＝５为例，数据重构结果如表１所示。

表１　数据重构结果犜犪犫犾犲１　犚犲狊狌犾狋狊狅犳犱犪狋犪狉犲犮狅狀狊狋狉狌犮狋犻狅狀输入样本输出样本ＳＡ１，ＳＡ２，ＳＡ３，ＳＡ４，ＳＡ５ＳＡ６
ＳＡ２，ＳＡ３，ＳＡ４，ＳＡ５，ＳＡ６ＳＡ７
ＳＡ２５１，ＳＡ２５２，ＳＡ２５３，ＳＡ２５４，ＳＡ２５５ＳＡ２５６ （２）ＴＣＮ编码器层ＴＣＮ是Ｂａｉ等［７］于２０１８年提出的，主要用于时序数据处理。

ＴＣＮ与普通一维卷积相比添加了两个操作［８９］：因果卷积和空洞卷积，并在各网络层之间使用残差连接，在对序列特征进行提取的同时，避免了梯度消失或爆炸现象的
产生。

其因果卷积与空洞卷积结构如图２（ａ）所示，残差模块如图２（ｂ）所示。

本文将ＴＣＮ引入网络安全态势预测任务中，其因果卷积的应用可以有效地保证态势信息从未来到过去不出现“泄露”现象，进而保证数据的完整性。

而空洞卷积的应用则可使ＴＣＮ以较少层数拥有较大的感受野，从而接收更长的历史数据；ＲｅＬＵ激活函数、Ｄｒｏｐ
ｏｕｔ和恒等映射网络能够有效抑制网络过拟合现象，从而提高网络
Copyright ©博看网. All Rights Reserved.
　第１１期孙隽丰等：基于ＴＣＮ ＢｉＬＳＴＭ的网络安全态势预测·３６７３　·
　学习速度和准确率。

具体而言，假设对于一个输入狓∈犚狀的一维序列和一个卷积核犳：｛０，…，犽－１｝→犚，
对序列中的元素狊的空洞卷积运算犉被定义为
犉（狊）＝（狓·犱犳）（狊）＝∑犽－１犻＝０
犳（犻）·狓狊－犱·犻（１）式中：犱是膨胀因子；犽是卷积核大小；狊－犱·犻表示过去看的方向。

在使用空洞卷积时，犱通常会随着网络层数犻的深度呈指数型增加，即犱＝犗（２犻），确保感受野增大的同时覆盖输入时间序列的所有有效输入。

图２　ＴＣＮ网络模型Ｆｉｇ．２　ＮｅｔｗｏｒｋｍｏｄｅｌｏｆＴＣＮ由于ＴＣＮ的感受野依赖于网络深度狀、卷积核大小犽和膨胀因子犱，残差连接的引入可以使ＴＣＮ的感受野在网络深度很深的情况下依旧稳定，其残差模块由网络犉和输入狓组成：狅＝Ａｃｔｉｖａｔｉｏｎ（狓＋犉（狓））（２）
（３）注意力层深度学习中的注意力机制［１０］的主要作用为从大量信息中筛选出对当前任务目标最为重要的信息，凸显出重要特征的作用。

本文引入注意力机制，对ＴＣＮ中不同时刻输出的向量权重进行计算，可以有效地突出对态势值影响较大的特征。

数据经ＴＣＮ提取特征后输出犜，将其输入到注意力层
中得到初始状态向量犪狋，之后将其赋予权重系数α狋，得到最
终输出的状态向量犢，
具体计算过程如下：犲狋＝ｔ
ａｎｈ（狑狋犪狋＋犫狋）（３）α狋＝ｅｘｐ（犲狋）∑狋犻＝１犲狋（４）犢＝∑狀
狋＝１
α狋犪狋
（５）式中：犲狋代表犪狋对应的能量值；狑狋、犫狋分别代表第狋个特征向量所对应的权重系数和偏置。

（４）ＢｉＬＳＴＭ网络预测层
为解决传统循环神经网络的梯度爆炸或消失问题，１９９７年，Ｓｃｈｍｉｄｈｕｂｅｒ等［１１］提出长短期记忆（ｌｏｎｇｓ
ｈｏｒｔ ｔｅｒｍｍｅｍｏｒｙ，ＬＳＴＭ）
网络，通过门控机制实现信息选择性的传递，其内部结构如图３所示。

图３　ＬＳＴＭ基本结构
Ｆｉｇ．
３　ＢａｓｉｃｓｔｒｕｃｔｕｒｅｏｆＬＳＴＭ其中，犳狋表示遗忘门；犻狋表示输入门；狅狋表示输出门；狓狋表示当前时刻的输入信息；犺狋－１和犺狋分别表示上一时刻和当前时刻的细胞输出值；犮狋－１和犮狋分别表示上一时刻和当前时刻的记忆单元；σ表示ｓｉｇｍｏｉｄ激活函数；狋表示ｔａｎｈ激活函数。

输入门犻狋用于控制细胞信息更新的程度。

犮～狋＝ｔ
ａｎｈ（犠犮·［犺狋－１，狓狋］＋犫犮）（６）犻狋＝σ（
犠狋·［犺狋－１，狓狋］＋犫犻）（７） 遗忘门犳狋用于控制从细胞状态中丢弃的信息。

犳狋＝σ（犠犳·［犺狋－１，狓狋］＋犫犳）（８）犮狋＝犳狋 犮狋－１＋犻狋 犮～狋
（９） 输出门狅狋用于控制细胞输出值的信息量。

狅狋＝σ（犠狅·［犺狋－１，狓狋］＋犫狅）（１０）
犺狋＝狅狋 ｔａｎｈ（犮狋）
（１１）式中：犠和犫分别代表权重矩阵和偏置项。

Copyright ©博看网. All Rights Reserved.
　·３６７４　·
系统工程与电子技术第４５卷 在网络安全态势预测任务中，当前时刻网络的状况往往与之前之后都有关联，若单一地使用ＴＣＮ模型，则无法获取从后到前的信息。

为提升预测效果，本文引入ＢｉＬ ＳＴＭ网络［１２１３］进行网络安全态势预测。

ＢｉＬＳＴＭ由正向和反向ＬＳＴＭ叠加而成，其结构如图４所示。

图４　ＢｉＬＳＴＭ网络模型Ｆｉｇ．４　ＮｅｔｗｏｒｋｍｏｄｅｌｏｆＢｉＬＳＴＭ正向和反向ＬＳＴＭ网络分别对正向输入和逆向输入的态势值进行计算，得到隐藏层状态输出珤犎＝｛犺犔１，犺犔２，…，犺犔狋｝与珣犎＝｛犺犚狋，犺犚狋－１，…，犺犚１
｝
，而后将正向和反向的隐藏层状态输出的向量进行拼接，得到ＢｉＬＳＴＭ网络层的最终输出：犎＝｛珤犎，珣犎｝（１２）１．２　模型训练优化算法本文提出的ＴＣＮ ＢｉＬＳＴＭ模型中采用Ｒａｎｇｅｒ２１优化算法［１４１５］，通过求解代价函数的最优化问题来求解模型的参数。

Ｒａｎｇｅｒ２１将ＡｄａｍＷ［１６］和ＬｏｏｋＡｈｅａｄ［１７］等８个组件结合在一起，既结合了ＡｄａｍＷ能够获取更好泛化性能
的优点，又融合了其他组件的各项优点。

Ｒａｎｇｅｒ２１的具体算法如算法１所示。

算法１　Ｒａｎｇｅｒ２１优化算法输入　训练集输出　最优模型１　参数：随机目标函数为犳狋（θ），学习率为η，权重衰减因子λ＝１０－４，衰减速率β０＝０．９、β１＝０．９、β２＝０．９９９、βｌｏｏｋａｈｅａｄ＝０．５，用于数值稳定的小常数ε＝１０－８、εｃｌｉｐｐｉｎｇ＝１０－３，自适应梯度裁剪阈值τｃｌｉｐｐｉｎｇ＝１０－２，更新频率犽ｌｏｏｋａｈｅａｄ＝５，迭代次数为狋ｍａｘ，学习率预热迭代次数狋ｗａｒｍｕｐ＝０．２２×狋ｍａｘ，学习率慢化迭代次数狋ｗａｒｍｄｏｗｎ＝０．２８×狋ｍａｘ
２　模型初始化：
设置模型参数θ０为近似０的随机值３　参数更新４　初始化一阶动量：犿０←０
５　初始化二阶动量：狏０←０６　初始化二阶最大动量：狏ｍａｘ←０
７　ｆｏｒ狋←１ｔｏ狋ｍａｘｄｏ
８　从训练集中采集包含犿个样本｛狓（１），…，狓（犿）｝的小批量，对应目标为狔（犻）９　计算梯度：犵狋←Δ
犳狋（θ狋－１）１０　梯度裁剪：ｆｏｒ狉∈ｒｏｗｓ（犵狋）
ｄｏ１１ ｉｆ‖犵狉狋
‖ｍａｘ（‖θ狉狋‖，εｃｌｉｐｐｉｎｇ
）＞τｃｌｉｐｐｉｎｇｔｈｅｎ１２ 犵狉狋←τｃｌｉｐｐｉｎｇｍａｘ（‖θ狉狋‖，εｃｌｉｐｐｉｎｇ）‖犵狉狋‖
犵狉狋１３ ｅｎｄｉｆ
１４ ｅｎｄｆｏｒ１５　梯度中心化：犵狋＝犵狋－ｍｅａｎ（犵狋）
１６　更新一阶动量估计：犿狋←β１犿狋－２＋（１－β１）犵狋１７　修正偏差：犿＾狋←（１＋β０）犿狋－β０犿狋－１１－β狋
１１８　更新二阶动量估计：狏狋←β２狏狋－１＋（１－β２）犵２狋
１９　更新二阶最大动量估计：狏ｍａｘ←ｍａｘ（狏狋，狏ｍａｘ）
２０　修正偏差：狏＾狋←狏ｍａｘ１－β狋２２１　更新矢量：狌狋←犿＾狋
（１＋β０）２＋β２槡０（狏＾狋＋槡ε）２２　自动调整学习率：η狋＝ｍｉｎ１，ｍａｘ１－β２２·狋，狋狋ｗａｒｍｕ（
）ｐ，狋ｍａｘ－狋狋（）
ｗａｒｍｄｏｗｎη２３　权重衰减：犱狋＝η狋ｍｅａｎ（狏＾狋槡）λ１－１‖θ狋－１（）
‖θ狋－１
２４　应用更新：θ狋←θ狋－１－η狋狌狋－η狋犱狋２５　ＬｏｏｋＡｈｅａｄ：ｉｆ狋％犽ｌｏｏｋａｈｅａｄ＝＝０ｔｈｅｎ２６ 犾狋／犽←βｌｏｏｋａｈｅａｄ犾狋／犽－１＋（１－βｌｏｏｋａｈｅａｄ）θ狋２７ θ狋←犾狋／犽
２８ ｅｎｄｉｆ２９　ｅｎｄｆｏｒ１．３　犘犛犗算法优化模型超参数在实际应用中，超参数选取的不同将会对模型训练结果产生影响。

本文采用ＰＳＯ算法［１８］对模型中的５个超参
数：ＢｉＬＳＴＭ神经元数ｌｎ１、ｌｎ２和ｌｎ３、批处理大小ｂａｔｃｈ＿ｓｉｚｅ、优化器的学习率ｌｒ进行寻优，以找到模型参数的最优解，具体算法详见算法２。

算法２　ＰＳＯ算法输入　训练集输出　最优模型１　参数配置：种群大小为５，迭代次数为３０，
惯性权重狑为０．６，学习因子犮１、犮２为０．５，狉１、狉２为（０，１）的
随机数２　生成种群粒子：（ｌｎ１，ｌｎ２，ｌｎ３，ｂａｔｃｈ＿ｓｉｚｅ，ｌｒ）３　初始化粒子的位置：狓０犻，犑←［狓０犻，１，狓０犻，２，狓０犻，３，狓０犻，４，狓０犻，５］４　初始化粒子的速度：狏０犻，犑←［狏０犻，１，狏０犻，２，狏０犻，３，狏０犻，４，狏０犻，５］５　设置粒子的适应度函数：
模型的损失函数６　计算每个粒子的初始适应值７　将初始的适应值作为每个粒子的局部最优解。

计算并保存每一次迭代每个粒子的最优位置。

第犱次迭代中各个粒子的最优位置为犘犱犻，犑←［狆犱犻，１，狆犱犻，２，狆犱犻，３，狆犱犻，４，狆犱犻，５
］Copyright ©博看网. All Rights Reserved.
　第１１期孙隽丰等：基于ＴＣＮ ＢｉＬＳＴＭ的网络安全态势预测·３６７５　·
８　截至第犱次迭代找到最优值，将其作为全局最优解的
初值，并记录其位置犵犱犑←［犵犱１，犵犱２，犵犱３，犵犱４，犵犱５］
９　更新粒子的速度：
狏犱＋１犻，犼←狑狏犱犻，犼＋犮１狉１（狆犱犻，犼－狓犱犻，犼）＋犮２狉２（犵犱犼－狓犱犻，犼）
１０　更新粒子的位置：狓犱＋１犻，犼←狓犱犻，犼＋狏犱＋１犻，犼
１１　重新计算每个粒子的适应度函数并更新个体最佳位置和群体最佳位置
１２　当迭代次数或粒子的适应度函数趋于稳定时停止，将群体最佳位置的粒子作为本次求得的最优参数组合１．４　网络安全态势预测方法的预测步骤
基于ＴＣＮ ＢｉＬＳＴＭ的网络安全态势预测方法主要步骤如下：
步骤１　获取数据集，读取数据并进行清洗，随后进行归一化处理、滑动窗口处理，并划分出训练集和测试集。

步骤２　初始化ＰＳＯ中的相关参数，设定待优化的粒子中每个维度的取值范围及粒子群算法的适应度函数，通过粒子群算法获得最优参数赋予模型。

步骤３　将预处理后的训练集送往参数优化后的ＴＣＮ ＢｉＬＳＴＭ网络进行训练。

首先利用ＴＣＮ学习态势值的序列特征，之后引入注意力机制动态调整属性的权值，然后利用ＢｉＬＳＴＭ学习态势值的前后状况以提取序列中的更多信息，最后将训练好的模型保存下来。

步骤４　将测试集送入步骤３，以最终保存的ＴＣＮ ＢｉＬＳＴＭ网络进行预测，得到预测态势值，并分析结果。

２　实验仿真
２．１　实验数据获取与环境配置
采用国家互联网应急中心发布的安全态势周报数据作为实验基础。

本文选取该网站发布的自２０１２年第３０期至２０２２年第１６期（共计５０９期）的态势周报数据为基础进行实验验证，其数据主要从５个角度进行评估。

为了直观体现网络安全态势，本文采用文献［１９］提到的态势评估方法进行量化，根据对网络安全威胁的程度高低分配不同权重，权重分配结果具体如表２所示，之后计算每周的态势值：
ＳＡ＝∑５犻＝１ＮＴ犻ＮＴ犻ｍａｘ·ω犻（１３）式中：ＮＴ犻代表某周某种网络安全威胁的数量（犻代表安全威胁的种类）；ＮＴ犻ｍａｘ代表选取的５０９期数据中该种安全威胁的最大数量；ω犻代表其对应的权重。

经计算，网络安全态势值如图５所示。

表２　网络安全威胁权重分配
犜犪犫犾犲２　犠犲犻犵犺狋狅犳犮狔犫犲狉狊犲犮狌狉犻狋狔狋犺狉犲犪狋狊
境内感染网络病毒的主机数量境内被篡
改网站的
总数
境内被
植入后门的
网站总数
境内网站的
仿冒页面
数量
新增信息
安全漏洞
数量
０．３００．２５０．１５０．１５０．１５
图５　网络安全态势值
Ｆｉｇ．５　Ｃｙｂｅｒｓｅｃｕｒｉｔｙｓｉｔｕａｔｉｏｎｖａｌｕｅｓ
ＴＣＮ ＢｉＬＳＴＭ模型及所做的所有实验均在Ｔｅｎｓｏｒ Ｆｌｏｗ深度学习框架下进行，具体实验环境如表３所示。

表３　实验环境配置
犜犪犫犾犲３　犈狓狆犲狉犻犿犲狀狋犪犾犲狀狏犻狉狅狀犿犲狀狋犮狅狀犳犻犵狌狉犪狋犻狅狀
实验环境具体配置
操作系统Ｗｉｎｄｏｗｓ１１
ＣＰＵＩｎｔｅｌ（Ｒ）Ｃｏｒｅ（ＴＭ）ｉ５ １１３００Ｈ＠３．１０ＧＨｚ３．１１ＧＨｚ内存１６ＧＢ
硬盘５００ＧＢ
开发框架ＴｅｎｓｏｒＦｌｏｗ２．８．０
开发语言Ｐｙｔｈｏｎ３．９．１２
２．２　实验数据预处理
数据归一化可以将特征的方差减少到一定的范围，减少异常值的影响，提升模型的收敛速率。

本文采用ｍｉｎ ｍａｘ归一化的方法将特征数据规范到－１和１之间，其计算公式如下所示：
狓′＝狓－ｍｉｎ（狓）
ｍａｘ（狓）－ｍｉｎ（狓）（１４）式中：狓′为狓映射到区间［－１，１］的数据；ｍｉｎ（狓）和ｍａｘ（狓）是数据集中的最小值和最大值。

２．３　实验设置与评价标准
为验证所提ＴＣＮ ＢｉＬＳＴＭ态势预测算法的性能，本文设置多组实验。

实验１：不同优化算法分析
实验２：不同池化方式分析
实验３：模型超参数优化
实验４：不同模型预测精度对比
实验５：拟合度对比
实验６：收敛性分析
为评价本文所提预测模型的效果，选取平均绝对误差（ｍｅａｎａｂｓｏｌｕｔｅｅｒｒｏｒ，ＭＡＥ）、均方误差（ｍｅａｎｓｑｕａｒｅｅｒｒｏｒ，ＭＳＥ）以及拟合优度决定系数（ｔｈｅｃｏｅｆｆｉｃｉｅｎｔｏｆｄｅｔｅｒｍｉｎａ ｔｉｏｎ，犚２）３个参数作为评价指标［２０］，评价指标的计算公式如下：
ＭＡＥ＝１犖∑犖犻＝１狔犻－狔＾犻（１５）
Copyright©博看网. All Rights Reserved.
　·３
６７６　·系统工程与电子技术
第４５卷
ＭＳＥ＝１犖∑犖
犻＝１
（狔犻－狔＾犻）２（１６）犚２＝
∑犖犻＝１
（狔犻－狔－
）（狔＾
犻－狔＾－
犻［］）
２
∑犖
犻＝１（狔犻－狔－）［］２∑犖
犻＝１
（狔＾犻－狔＾－犻）［］２（１７）
式中：狔犻代表某样本的真实值；狔
＾犻代表某样本的预测值；犖代表样本个数；狔－犻代表真实值的平均值；狔＾－犻代表预测值的
平均值。

２．４　实验结果分析２．４．１　不同优化算法分析为验证本文选用的Ｒａｎｇ
ｅｒ２１算法的有效性，将其自适应矩估计（ａｄａｐｔｉｖｅｍｏｍｅｎｔｅｓｔｉｍａｔｉｏｎ，Ａｄａｍ）［２１］、随机梯度下降（ｓｔｏｃｈａｓｔｉｃｇｒａｄｉｅｎｔｄｅｃｅｎｔ，ＳＧＤ）［２２］、自适应梯度（ａｄａｐｔｉｖｅｇｒａｄｉｅｎｔ，Ａｄａｇ
ｒａｄ）［２３］优化算法进行对比实验，不同优化算法预测对比结果如图６所示。

Copyright ©博看网. All Rights Reserved.
　第１１期孙隽丰等：基于ＴＣＮ ＢｉＬＳＴＭ的网络安全态势预测
·３６７７　·
　表５　优化后的模型参数设置
犜犪犫犾犲５　犗狆狋犻犿犻狕犲犱犿狅犱犲犾狆犪狉犪犿犲狋犲狉狊犲狋狋犻狀犵狊模型参数参数设置优化算法Ｒａｎｇｅｒ２１学习率０．００１ＴＣＮ卷积核４
膨胀因子１／２／４ＢｉＬＳＴＭ神经单元数１４６／３５２／２６０
批处理大小２２２
２．４．４　预测精度对比
为有效对比本文所提模型与其他模型预测能力的差别，本文设置以下实验：在相同的实验条件下设置滑动窗口数ｓ＝５，分别用ＴＣＮ ＢｉＬＳＴＭ、ＬＳＴＭ、ＧＲＵ［２８］、ＢｉＬＳＴＭ、自适应输入选择的ＬＳＴＭ（ＬＳＴＭｗｉｔｈａｄａｐｔｉｖｅｉｎｐ
ｕｔｓｅ ｌｅｃｔｉｏｎ，ＡＩＳ ＬＳＴＭ）［２９］、Ａｔｔｅｎｔｉｏｎ ＧＲＵ［５］、Ａｔｔｅｎｔｉｏｎ ＢｉＬ
ＳＴＭ［３０］这７种模型进行预测，
得到预测值与真实值对比图如图８所示；不同模型评价指标如表６所示。

图８　不同模型预测的态势值对比
Ｆｉｇ．
８　Ｃｏｍｐａｒｉｓｏｎｏｆｓｔａｔｕｓ’ｖａｌｕｅｏｆｐｒｅｄｉｃｔｉｏｎｒｅｓｕｌｔｓｆｒｏｍｄｉｆｆｅｒｅｎｔｍｏｄｅｌｓ
表６　不同模型评价指标对比
犜犪犫犾犲６　犆狅犿狆犪狉犻狊狅狀狅犳犲狏犪犾狌犪狋犻狅狀犻狀犱犻犮犪狋狅狉狊狅犳犱犻犳犳犲狉犲狀狋犿狅犱犲犾狊
模型ＭＡＥＭＳＥＴＣＮ ＢｉＬＳＴＭ０．０００９６９０．０００００２ＬＳＴＭ０．００６４２６０．００００５８ＧＲＵ０．００６６９２０．００００６９ＢｉＬＳＴＭ０．００５３８００．００００３４ＡＩＳ ＬＳＴＭ０．００５１７７０．００００３４Ａｔｔｅｎｔｉｏｎ ＧＲＵ０．００４７１７０．００００３５Ａｔｔｅｎｔｉｏｎ ＢｉＬＳＴＭ０．００５５６４０．００００３４
从图８可以看出，所有模型均可达到预测效果，而本文
所提ＴＣＮ ＢｉＬＳＴＭ预测模型融合了ＴＣＮ和ＢｉＬＳＴＭ在提取时间序列之间关系的特性，同时融入了注意力机制，预测结果更加准确。

从表６可以看出，本文所提ＴＣＮ ＢｉＬＳＴＭ预测模型的误差值最小，相比其他模型有很大的优势。

与ＬＳＴＭ模型相比，ＭＡＥ降低了８４．９％，ＭＳＥ降低了９６．６％；与ＧＲＵ模型相比，ＭＡＥ降低了８５．５％，ＭＳＥ降低了９７．１％；与ＢｉＬＳＴＭ模型相比，ＭＡＥ降低了８２．０％，ＭＳＥ降低了９４．１％；与ＡＩＳ ＬＳＴＭ模型相比，ＭＡＥ降低了８１．３％，
ＭＳＥ降低了９４．１％；与Ａｔｔｅｎｔｉｏｎ ＧＲＵ模型相比，ＭＡＥ降
低了７９．５％，ＭＳＥ降低了９４．３％；与Ａｔｔｅｎｔｉｏｎ ＢｉＬＳＴＭ模
型相比，ＭＡＥ降低了８２．６％，ＭＳＥ降低了９４．１％。

结果表明，ＴＣＮ ＢｉＬＳＴＭ模型对于网络安全态势值的预测较为有效，且相比其他模型预测精度较高。

２．４．５　拟合度对比
为进一步验证本文所提ＴＣＮ ＢｉＬＳＴＭ模型的有效性，对不同模型拟合度进行对比，如表７所示。

表７　不同模型拟合度对比犜犪犫犾犲７　犆狅犿狆犪狉犻狊狅狀狅犳犳犻狋狋犻狀犵犱犲犵
狉犲犲狅犳犱犻犳犳犲狉犲狀狋犿狅犱犲犾狊模型犚２ＴＣＮ ＢｉＬＳＴＭ０．９９９５２３ＬＳＴＭ０．９８２７９６ＧＲＵ０．９７９４０７ＢｉＬＳＴＭ０．９８９８５３ＡＩＳ ＬＳＴＭ０．９８９８０１Ａｔｔｅｎｔｉｏｎ ＧＲＵ０．９８９７０１Ａｔｔｅｎｔｉｏｎ ＢｉＬＳＴＭ０．９８９９９０
从表７可以看出，在相同模型中引入注意力机制后，模
型拟合度明显提高，证明了引入注意力机制可以提升模型的预测精度。

ＴＣＮ ＢｉＬＳＴＭ模型的拟合度相较其他６种模型最高，拟合度相比其他６种模型均提升了１．０％以上，进一步证明了本文所提ＴＣＮ ＢｉＬＳＴＭ预测模型所得到的预测曲线相较其他模型更加准确。

同时，也证明了ＴＣＮ ＢｉＬＳＴＭ预测模型在预测态势值时的有效性和准确性。

２．４．６　收敛性分析
图９给出了模型训练误差随迭代步数变化的曲线图。

从图９可以看出，在相同模型中引入注意力机制后，模型收
Copyright ©博看网. All Rights Reserved.
　·３６７８　·
系统工程与电子技术第４５卷 敛速度明显变快，证明了加入注意力机制可以提升模型的收敛速度；本文所提ＴＣＮ ＢｉＬＳＴＭ预测模型在收敛速度和
收敛精度上均优于其他模型，证明了本文所提模型能够充分学习时序数据的特征，
效果较好。

图９　误差值随迭代次数的变化曲线Ｆｉｇ．９　Ｃｕｒｖｅｏｆｅｒｒｏｒｖａｌｕｅｓｗｉｔｈｔｈｅｎｕｍｂｅｒｏｆｉｔｅｒａｔｉｏｎｓｔｅｐｓ３　结束语本文将ＴＣＮ和ＢｉＬＳＴＭ网络进行了融合，
并引入注意力机制及ＰＳＯ算法，提出了一种基于ＴＣＮ ＢｉＬＳＴＭ的网络安全态势预测方法，将ＴＣＮ处理时间序列问题的优势与ＢｉＬＳＴＭ能够学习序列前后状况的优势结合起来，更好地提取态势值的序列特征。

之后引入注意力机制，为属性分配不同的权值，并利用ＰＳＯ算法对模型进行超参数寻优，提升了预测能力。

本文通过不同优化算法分析实验、不同池化方式分析实验模型超参数优化实验、预测精度对比实验、拟合度对比实验、收敛性分析实验证明了模型在处理网络安全态势数据时具有的较强的特征提取能力、较高的预测精度和预测效率，验证了本文模型的有效性。

参考文献［１］ＺＨＡＮＧＢ，ＪＩＳＰ，ＸＵＪＥ，ｅｔａｌ．Ｎｅｔｗｏｒｋｓｅｃｕｒｉｔｙｓ
ｉｔｕａｔｉｏｎｐｒｅｄｉｃｔｉｏｎｍｏｄｅｌｂａｓｅｄｏｎＥＭＤａｎｄＥＬＰＳＯｏｐ
ｔｉｍｉｚｅｄＢｉＧＲＵｎｅｕｒａｌｎｅｔｗｏｒｋ［ＥＢ／ＯＬ］．［２０２２０４２６］．ｈｔｔｐｓ：∥ｄｏｉ．ｏｒｇ／１０．２１２０３／ｒｓ．３．ｒｓ ７７８１３６／ｖ１．
［２］赵冬梅，李志坚．基于Ｔｒａｎｓｆｏｒｍｅｒ的网络安全态势预测［Ｊ］．
华中科技大学学报（自然科学版），２０２２，５０（５）：４６５２．
ＺＨＡＯＤＭ，ＬＩＺＪ．Ｎｅｔｗｏｒｋｓｅｃｕｒｉｔｙｓ
ｉｔｕａｔｉｏｎｐｒｅｄｉｃｔｉｏｎｂａｓｅｄｏｎＴｒａｎｓｆｏｒｍｅｒ［Ｊ］．ＪｏｕｒｎａｌｏｆＨｕａｚｈｏｎｇＵｎｉｖｅｒｓｉｔｙｏ
ｆＳｃｉｅｎｃｅａｎｄＴｅｃｈｎｏｌｏｇｙ（
ＮａｔｕｒａｌＳｃｉｅｎｃｅＥｄｉｔｉｏｎ），２０２２，５０（５）：４６５２．［３］唐延强，李成海，王坚，等．ＩＧＡＰＳＯ ＥＬＭ：一种网络安全态势预测模型［Ｊ］．电光与控制，２０２２，２９（２）：３０３５．ＴＡＮＧＹＱ，ＬＩＣＨ，ＷＡＮＧＪ，ｅｔａｌ．ＩＧＡＰＳＯ ＥＬＭ：ａｎｅｔ ｗｏｒｋｓｅｃｕｒｉｔｙｐ
ｏｓｔｕｒｅｐｒｅｄｉｃｔｉｏｎｍｏｄｅｌ［Ｊ］．Ｅｌｅｃｔｒｏ ＯｐｔｉｃｓａｎｄＣｏｎｔｒｏｌ，２０２２，２９（２）：３０３５．［４］ＬＩＲＸ，ＬＩＦ，ＷＵＣＷ，ｅｔａｌ．Ｒｅｓｅａｒｃｈｏｎｖｅｈｉｃｌｅｎｅｔｗｏｒｋｓｅ ｃｕｒｉｔｙｓ
ｉｔｕａｔｉｏｎｐｒｅｄｉｃｔｉｏｎｂａｓｅｄｏｎｉｍｐｒｏｖｅｄＣＬＰＳＯ ＲＢＦ［Ｊ］．ＪｏｕｒｎａｌｏｆＰｈｙｓｉｃｓ：ＣｏｎｆｅｒｅｎｃｅＳｅｒｉｅｓ，２０２１，１７５７（１）：０１２１４８．［
５］何春蓉，朱江．基于注意力机制的ＧＲＵ神经网络安全态势预测方法［Ｊ］．系统工程与电子技术，２０２１，４３（１）：２５８２６６．ＨＥＣＲ，ＺＨＵＪ．Ａｎａｔｔｅｎｔｉｏｎｍｅｃｈａｎｉｓｍ ｂａｓｅｄｓｅｃｕｒｉｔｙｐ
ｏｓｔｕｒｅｐ
ｒｅｄｉｃｔｉｏｎｍｅｔｈｏｄｆｏｒＧＲＵｎｅｕｒａｌｎｅｔｗｏｒｋｓ［Ｊ］．ＳｙｓｔｅｍｓＥｎｇｉ ｎｅｅｒｉｎｇａ
ｎｄＥｌｅｃｔｒｏｎｉｃｓ，２０２１，４３（１）：２５８２６６．［６］中国互联网信息中心．２０１２至２０２２年网络安全信息与动态周
报［ＥＢ／ＯＬ］．［２０２２０４２０］．ｈｔｔｐｓ：∥ｗｗｗ．ｃｅｒｔ．ｏｒｇ．ｃｎ／ｐｕｂ ｌｉｓｈ／ｍａｉｎ／ｉｎｄｅｘ．ｈｔｍｌ．ＮａｔｉｏｎａｌＩｎｔｅｒｎｅｔＥｍｅｒｇｅｎｃｙＣｅｎｔｅｒ．Ｗｅｅｋｌｙｒｅｐ
ｏｒｔｏｎｎｅｔｗｏｒｋｓｅｃｕｒｉｔｙｉ
ｎｆｏｒｍａｔｉｏｎｆｒｏｍ２０１２ｔｏ２０２２［ＥＢ／ＯＬ］．［２０２２０４２０］．ｈｔｔｐｓ：∥ｗｗｗ．ｃｅｒｔ．ｏｒｇ．ｃｎ／ｐ
ｕｂｌｉｓｈ／ｍａｉｎ／ｉｎｄｅｘ．ｈｔｍｌ．［７］ＢＡＩＳ，ＫＯＬＴＥＲＪＺ，ＫＯＬＴＵＮＶ．Ａｎｅｍｐｉｒｉｃａｌｅｖａｌｕａｔｉｏｎｏｆｇｅｎｅｒｉｃｃｏｎｖｏｌｕｔｉｏｎａｌａｎｄｒｅｃｕｒｒｅｎｔｎｅｔｗｏｒｋｓｆｏｒｓｅｑ
ｕｅｎｃｅｍｏｄ ｅｌｉｎｇ［ＥＢ／ＯＬ］．［２０２２０４２３］．ｈｔｔｐｓ：∥ａｒｘｉｖ．ｏｒｇ／ａｂｓ／１８０３．０１２７１．［８］ＨＥＷＡＧＥＰ，ＢＥＨＥＲＡＡ，ＴＲＯＶＡＴＩＭ，ｅｔａｌ．Ｔｅｍｐｏｒａｌｃｏｎｖｏ ｌｕｔｉｏｎａｌｎｅｕｒａｌ（ＴＣＮ）ｎｅｔｗｏｒｋｆｏｒａｎｅｆｆｅｃｔｉｖｅｗｅａｔｈｅｒｆｏｒｅｃａｓｔｉｎｇｕｓｉｎｇｔ
ｉｍｅ ｓｅｒｉｅｓｄａｔａｆｒｏｍｔｈｅｌｏｃａｌｗｅａｔｈｅｒｓｔａｔｉｏｎ［Ｊ］．ＳｏｆｔＣｏｍ ｐｕｔｉｎｇ，２０２０，２４（２１）：１６４５３１６４８２．［９］ＺＨＡＮＧＲＪ，ＳＵＮＦ，ＳＯＮＧＺＷ，ｅｔａｌ．Ｓｈｏｒｔ ｔｅｒｍｔｒａｆｆｉｃ
ｆｌｏｗｆｏｒｅｃａｓｔｉｎｇｍｏｄｅｌｂａｓｅｄｏｎＧＡ ＴＣＮ［Ｊ］．ＪｏｕｒｎａｌｏｆＡｄｖａｎｃｅｄＴｒａｎｓｐｏｒｔａｔｉｏｎ，２０２１，２０２１：１３３８６０７．［１０］
ＨＵＤ．ＡｎｉｎｔｒｏｄｕｃｔｏｒｙｓｕｒｖｅｙｏｎａｔｔｅｎｔｉｏｎｍｅｃｈａｎｉｓｍｓｉｎＮＬＰｐｒｏｂｌｅｍｓ［Ｃ］∥Ｐｒｏｃ．ｏｆＳＡＩＩｎｔｅｌｌｉｇｅｎｔＳｙｓｔｅｍｓＣｏｎｆｅｒ ｅｎｃｅ，２０１９：４３２４４８．［
１１］ＨＯＣＨＲＥＩＴＥＲＳ，ＳＣＨＭＩＤＨＵＢＥＲＪ．Ｌｏｎｇｓｈｏｒｔ ｔｅｒｍｍｅｍｏｒｙ［Ｊ］．ＮｅｕｒａｌＣｏｍｐｕｔａｔｉｏｎ，１９９７，９：１７３５１７８０．［１２］ＰＲＩＨＡＴＮＯＡＴ，ＮＵＲＣＡＨＹＡＮＴＯＨ，ＡＨＭＥＤＭＦ，ｅｔａｌ．
ＦｏｒｅｃａｓｔｉｎｇＰＭ２．５ｃｏｎｃｅｎｔｒａｔｉｏｎｕｓｉｎｇａｓｉｎｇｌｅ ｄｅｎｓｅｌａｙｅｒＢｉＬＳＴＭｍｅｔｈｏｄ［Ｊ］．Ｅｌｅｃｔｒｏｎｉｃｓ，２０２１，１０（１５）：１８０８．［１３］ＰＥＮＧＴ，ＺＨＡＮＧＣ，ＺＨＯＵＪＺ，ｅｔａｌ．Ａｎｉｎｔｅｇｒａｔｅｄｆｒａｍｅ ｗｏｒｋｏｆｂｉ ｄｉｒｅｃｔｉｏｎａｌｌｏｎｇ ｓｈｏｒｔｔｅｒｍｍｅｍｏｒｙ（Ｂ
ｉＬＳＴＭ）ｂａｓｅｄｏｎｓｉｎｅｃｏｓｉｎｅａｌｇｏｒｉｔｈｍｆｏｒｈｏｕｒｌｙｓｏｌａｒｒａｄｉａｔｉｏｎｆｏｒｅ ｃａｓｔｉｎｇ［Ｊ］．Ｅｎｅｒｇｙ，２０２１，２２１：１１９８８７．［１４］ＷＲＩＧＨＴＬ，ＤＥＭＥＵＲＥＮ．Ｒａｎｇｅｒ２１：ａｓｙｎｅｒｇｉｓｔｉｃｄｅｅｐｌｅａｒｎｉｎｇｏｐｔｉｍｉｚｅｒ［ＥＢ／ＯＬ］．［２０２２０４２３］．ｈｔｔｐｓ：∥ａｒｘｉｖ．ｏｒｇ／ａｂｓ／２０１６．１３７３１．［１５］ＬＩＵＬＹ，ＪＩＡＮＧＨＭ，ＨＥＰＣ，ｅｔａｌ．Ｏｎｔｈｅｖａｒｉａｎｃｅｏｆｔｈｅａｄａｐｔｉｖｅｌｅａｒｎｉｎｇｒａｔｅａｎｄｂｅｙｏｎｄ［ＥＢ／ＯＬ］．［２０２２０４２３］．ｈｔｔｐｓ：∥ａｒｘｉｖ．ｏｒｇ／ａｂｓ／１９０８．０３２６５．［１６］ＬＯＳＨＣＨＩＬＯＶＩ，ＨＵＴＴＥＲＦ．Ｄｅｃｏｕｐｌｅｄｗｅｉｇｈｔｄｅｃａｙｒｅｇｕ ｌａｒｉｚａｔｉｏｎ［ＥＢ／ＯＬ］．［２０２２０４２３］．ｈｔｔｐｓ：∥ａｒｘｉｖ．ｏｒｇ／ａｂｓ／１７１１．０５１０１．［
１７］ＺＨＡＮＧＭＲ，ＬＵＣＡＳＪ，ＨＩＮＴＯＮＧ，ｅｔａｌ．Ｌｏｏｋａｈｅａｄｏｐｔｉｍｉ ｚｅｒ：ｋｓｔｅｐｓｆｏｒｗａｒｄ，１ｓｔｅｐｂ
ａｃｋ［ＥＢ／ＯＬ］．［２０２２０４２３］．ｈｔｔｐｓ：∥ａｒｘｉｖ．ｏｒｇ
／ａｂｓ／１９０７．０８６１０．［１８］ＣＡＲＬＩＳＬＥＡ，ＤＯＺＩＥＲＧ．Ａｎｏｆｆ ｔｈｅ ｓｈｅｌｆＰＳＯ［Ｃ］∥Ｐｒｏｃ．ｏｆｔｈｅＷｏｒｋｓｈｏｐｏ
ｎＰａｒｔｉｃｌｅＳｗａｒｍＯｐｔｉｍｉｚａｔｉｏｎ，２００１．［１９］ＭＵＮＫＨＤＡＬＡＩＬ．Ａｎｅｎｄ ｔｏ ｅｎｄａｄａｐｔｉｖｅｉｎｐ
ｕｔｓｅｌｅｃｔｉｏｎｗｉｔｈCopyright ©博看网. All Rights Reserved.
　第１１期孙隽丰等：基于ＴＣＮ ＢｉＬＳＴＭ的网络安全态势预测
·３６７９　·
　ｄｙｎａｍｉｃｗｅｉｇｈｔｓｆｏｒｆｏｒｅｃａｓｔｉｎｇｍｕ
ｌｔｉｖａｒｉａｔｅｔｉｍｅｓｅｒｉｅｓ［Ｊ］．ＩＥＥＥＡｃｃｅｓｓ，２
０１９，７：９９０９９９９１１４．［２０］ＷＡＮＧＧ．Ｃｏｍｐａｒａｔｉｖｅｓｔｕｄｙｏｎｄｉｆｆｅｒｅｎｔｎｅｕｒａｌｎｅｔｗｏｒｋｓｆｏｒｎｅｔｗｏｒｋｓｅｃｕｒｉｔｙｓｉｔｕａｔｉｏｎｐｒｅｄｉｃｔｉｏｎ［Ｊ］．ＳｅｃｕｒｉｔｙａｎｄＰｒｉｖａｃｙ，
２０２１，４（１）：ｅ１３８．
［２１］ＪＡＩＳＩＫＭ，ＩＳＭＡＩＬＡＲ，ＮＩＳＡＳＱ．Ａｄａｍｏｐｔｉｍｉｚａｔｉｏｎａｌｇｏｒｉｔｈｍｆｏｒｗｉｄｅａｎｄｄｅｅｐｎｅｕｒａｌｎｅｔｗｏｒｋ［Ｊ］．Ｋｎｏｗｌｅｄｇ
ｅＥｎｇｉｎｅｅｒｉｎｇａ
ｎｄＤａｔａＳｃｉｅｎｃｅ，２０１９，２（１）：４１４６．［２２］ＷＡＮＧＹＪ，ＺＨＯＵＰＹ，ＺＨＯＮＧＷＹ．ＡｎｏｐｔｉｍｉｚａｔｉｏｎｓｔｒａｔｅｇｙｂａｓｅｄｏｎｈｙｂｒｉｄａｌｇｏｒｉｔｈｍｏｆＡＤＡＭａｎｄＳＧＤ［Ｃ］∥ＭＡＴＥＣＷｅｂｏｆＣｏｎｆｅｒｅｎｃｅｓ，２０１８，２３２：０３００７．［２３］ＬＹＤＩＡＡ，ＦＲＡＮＣＩＳＳ．Ａｄａｇｒａｄ ａｎｏｐ
ｔｉｍｉｚｅｒｆｏｒｓｔｏｃｈａｓｔｉｃｇ
ｒａｄｉｅｎｔｄｅｓｃｅｎｔ［Ｊ］．ＩｎｔｅｒｎａｔｉｏｎａｌＪｏｕｒｎａｌｏｆＩｎｆｏｒｍａｔｉｏｎａｎｄＣｏｍｐｕｔｉｎｇＳ
ｃｉｅｎｃｅ，２０１９，６（５）：５６６５６８．［２４］ＹＵＤ，ＷＡＮＧＨ，ＣＨＥＮＰ，ｅｔａｌ．Ｍｉｘｅｄｐｏｏｌｉｎｇｆｏｒｃｏｎｖｏｌｕ ｔｉｏｎａｌｎｅｕｒａｌｎｅｔｗｏｒｋｓ［Ｃ］∥Ｐｒｏｃ．ｏｆｔｈｅＩｎｔｅｒｎａｔｉｏｎａｌＣｏｎｆｅｒ ｅｎｃｅｏｎＲｏｕｇｈＳｅｔｓａｎｄＫｎｏｗｌｅｄｇｅＴｅｃｈｎｏｌｏｇｙ，２０１４：３６４３７５．［２５］ＢＯＵＲＥＡＵＹＬ，ＰＯＮＣＥＪ，ＬＥＣＵＮＹ．Ａｔｈｅｏｒｅｔｉｃａｌａｎａｌｙｓｉｓｏｆｆｅａｔｕｒｅｐｏｏｌｉｎｇｉｎｖｉｓｕａｌｒｅｃｏｇｎｉｔｉｏｎ［Ｃ］∥Ｐｒｏｃ．ｏｆｔｈｅ２７ｔｈＩｎｔｅｒｎａ ｔｉｏｎａｌＣｏｎｆｅｒｅｎｃｅｏｎＭａｃｈｉｎｅＬｅａｒｎｉｎｇ，２０１０：１１１１１８．［２６］ＮＡＧＩＪ，ＤＵＣＡＴＥＬＬＥＦ，ＤＩＣＡＲＯＧＡ，ｅｔａｌ．Ｍａｘ ｐｏｏｌｉｎｇｃｏｎｖｏｌｕｔｉｏｎａｌｎｅｕｒａｌｎｅｔｗｏｒｋｓｆｏｒｖｉｓｉｏｎ ｂａｓｅｄｈａｎｄｇｅｓｔｕｒｅｒｅｃｏｇ
ｎｉｔｉｏｎ［Ｃ］∥Ｐｒｏｃ．ｏｆｔｈｅ２０１１ＩＥＥＥＩｎｔｅｒｎａｔｉｏｎａｌＣｏｎｆｅ ｒｅｎｃｅｏｎＳｉｇｎａｌａｎｄＩｍａｇｅＰｒｏｃｅｓｓｉｎｇＡｐｐ
ｌｉｃａｔｉｏｎｓ，２０１１：３４２３４７．［２７］ＷＡＮＧＳＨ，ＫＨＡＮＭＡ，ＧＯＶＩＮＤＡＲＡＪＶ，ｅｔａｌ．Ｄｅｅｐｒａｎｋ ｂａｓｅｄａｖｅｒａｇｅｐｏｏｌｉｎｇｎｅｔｗｏｒｋｆｏｒＣＯＶＩＤ １９ｒｅｃｏｇ
ｎｉｔｉｏｎ［Ｊ］．Ｃｏｍｐｕｔｅｒｓ，Ｍａ
ｔｅｒｉａｌｓ＆Ｃｏｎｔｉｎｕａ，２０２２，７０（２）：２７９７２８１３．［２８］ＬＩＣＳ，ＴＡＮＧＧ，ＸＵＥＸＭ，ｅｔａｌ．Ｓｈｏｒｔ ｔｅｒｍｗｉｎｄｓｐｅｅｄｉｎ ｔｅｒｖａｌｐｒｅｄｉｃｔｉｏｎｂａｓｅｄｏｎｅｎｓｅｍｂｌｅＧＲＵｍｏｄｅｌ［Ｊ］．ＩＥＥＥ
Ｔｒａｎｓ．ｏｎＳｕｓｔａｉｎａｂｌｅＥｎｅｒｇｙ，２
０１９，１１（３）：１３７０１３８０．［２９］ＭＵＮＫＨＤＡＬＡＩＬ，ＭＵＮＫＨＤＡＬＡＩＴ，ＰＡＲＫＫＨ，ｅｔａｌ．Ａｎｅｎｄ ｔｏ ｅｎｄａｄａｐｔｉｖｅｉｎｐｕｔｓｅｌｅｃｔｉｏｎｗｉｔｈｄｙｎａｍｉｃｗｅｉｇｈｔｓｆｏｒｆｏｒｅｃａｓｔｉｎｇｍｕｌｔｉｖａｒｉａｔｅｔｉｍｅｓｅｒｉｅｓ［Ｊ］．ＩＥＥＥＡｃｃｅｓｓ，２０１９，７：９９０９９９９１１４．［３０］ＤＵＪ，ＣＨＥＮＧＹＹ，ＺＨＯＵＱ，ｅｔａｌ．ＰｏｗｅｒｌｏａｄｆｏｒｅｃａｓｔｉｎｇｕｓｉｎｇＢ
ｉＬＳＴＭ ａｔｔｅｎｔｉｏｎ［Ｊ］．ＩＯＰＣｏｎｆｅｒｅｎｃｅＳｅｒｉｅｓ：ＥａｒｔｈａｎｄＥｎｖｉｒｏｎｍｅｎｔａｌＳｃｉｅｎｃｅ，２０２０，４４０（３）：０３２１１５．
作者简介
孙隽丰（１９９５—）
，男，硕士研究生，主要研究方向为网络安全态势预测。

李成海（１９６６—），男，教授，硕士，主要研究方向为网络安全态势感知、嵌入式操作系统。

曹　波（１９９８—）
，男，硕士研究生，主要研究方向为网络安全态势感知。

Copyright ©博看网. All Rights Reserved.。