基于ADE-ABiGRU的物联网安全态势预测
网络安全与数据治理
彭兴维1，袁凌云1,2
1 云南师范大学信息学院，云南昆明650500； 2 云南师范大学民族教育信息化教育部重点实验室，云南昆明650500
摘要： 针对物联网安全态势预测的复杂性和多变性，提出一种基于ADEABiGRU的物联网安全态势预测模型。该模型融合了双向门控循环单元、多头注意力机制和残差结构，并经由自适应差分进化算法调优，增强了对复杂时序依赖性的捕捉和对数据的多维度分析能力。通过改进自适应差分进化算法的自适应机制，充分考虑时序数据特征，以提升全局搜索效率和局部逼近精度。在ToN_IoT数据集上的实验结果表明，与传统算法相比，该模型在MAPE、R2和MSE上均表现出色，展现出更高的预测准确性和稳定性。
中图分类号：TP393.08文献标识码：ADOI:10.19358/j.issn.2097-1788.2023.12.008
引用格式：彭兴维，袁凌云.基于ADE ABiGRU的物联网安全态势预测［J］.网络安全与数据治理，2023，42（12）：48-53.
引用格式：彭兴维，袁凌云.基于ADE ABiGRU的物联网安全态势预测［J］.网络安全与数据治理，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 ADEABiGRUbased IoT security posture prediction model. The model merges bidirectional gated recurrent units, multihead 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; multihead attention mechanism; differential evolution
引言
物联网是由众多智能设备与网络连接组成的综合网络体系，旨在实现设备间的智能互联和数据共享。随着物联网设备的普及，安全威胁亦在增加［1］。相对于传统的安全措施，网络安全态势感知作为一种新方法，为网络行为的宏观理解和意图辨识提供了创新视角，进而为网络安全决策提供了有力支撑［2］。近年来，深度学习算法在多个领域均展现出了卓越的应用潜力［3］。许多研究者对深度学习算法进行优化，提升其预测精准度。Wang等人［4］提出了一种基于长短期记忆网络（Long ShortTerm Memory network, LSTM）和门控循环单元（Gated Recurrent Unit, GRU）的双层模型预测算法。为了利用长期数据提升预测准确度，Zeng等人［5］在此基础上提出了一种结合扩展平稳小波变换和嵌套LSTM的预测模型。为增强物联网安全性，Tan等人［6］提出了一种基于HoneyNet的方法，通过该方法成功监控对手攻击行为。Chen［7］通过结合模拟退火算法和混合层次遗传算法优化径向基函数（Radial Basis Function, RBF）神经网络，为网络安全态势预测提供了一种新的解决思路。曹波等人［8］引入了一种融合时域卷积神经网络（Temporal Convolutional Network, TCN）和GRU的预测策略进一步提高预测精确度。
作者信息
彭兴维1，袁凌云1,2
（1 云南师范大学信息学院，云南昆明650500；
2 云南师范大学民族教育信息化教育部重点实验室，云南昆明650500）
文章下载地址：https://www.chinaaet.com/resource/share/2000005876
此内容为AET网站原创，未经授权禁止转载。