LGF-Net：一种用于预测物联网环境中网络安全态势的可靠模型

《Computer Networks》：LGF-Net: A reliable model for predicting network security situation in the IoT environment

　　

摘要 物联网（IoT）是一种极具前景的计算范式，它利用传感设备和特定协议将万物接入互联网，从而实现智能识别、定位、远程控制和在线监控等功能。尽管优势明显，但物联网仍因遭受恶意攻击而面临严重的安全问题。为了准确预测攻击，网络安全态势预测（NSSP）已在物联网领域得到广泛应用。为实现物联网中可靠的 NSSP，本文设计了一种基于线性门控未来预测网络（LGF-Net）的新型 NSSP 方法。具体而言，我们首先设计了一种名为 LGF-Net 的神经网络模型，该模型采用分层线性编码器 - 解码器，从历史物联网流量数据中逐步提取并重构多级时间特征。同时，门控块用于调节相应编码器层与解码器层之间传输的特征信息，并引入双残差信息补偿机制，以便对表征不足的信息进行进一步处理，并聚合由不同模块生成的残差表征。随后，我们利用 LGF-Net 提出了一种面向物联网的 NSSP 方法。通过未来预测器集成不同解码层级的输出，我们的方法能够挖掘历史网络流量与未来网络安全态势之间的时间相关性，从而准确预测未来的态势数值和趋势。凭借 LGF-Net 的多级特征学习和信息补偿能力，我们的方法能够减少预测误差并提高物联网 NSSP 的可靠性。同时，我们基于 Bot-Iot 数据集、NSL-KDD 数据集和 UNSW-NB15 数据集对我们的方法进行了模拟并测试了其预测性能。测试结果表明，与一些现有的类似方法相比，我们的方法具有更优越的性能表现。

引言 物联网（IoT）是一种基于互联网、无线传感器网络、传统电信网络等信息载体，使所有可独立寻址的通用物理对象实现互连的网络 [1]。通常，物联网具备三个重要特征，即通用对象的设备化、自主终端的互连以及无处不在服务的智能化 [2]。在物联网环境中，每件物品都关联有一个标签，随后利用传感设备和特定协议基于该标签接入互联网，从而实现智能识别、定位、跟踪和监督 [3]。如今，物联网已广泛应用于多种领域（例如智能交通、智能家居、智能农业、智能工厂），并正在深刻改变日常的工作、学习和生活方式 [4]。同时，物联网具有广阔的市场前景，据报道全球物联网市场规模将在 2030 年达到 3.89735 万亿美元 [5]。

尽管优势众多，但物联网也必然面临安全挑战，主要原因有以下两点。一方面，在物联网环境中存在大量分布式的设备和用户 [6]。据预测，全球物联网设备数量将超过 290 亿 [7]，且全球物联网连接数将在 2030 年达到 250 亿 [8]，这将给攻击者提供更多且更佳的入侵物联网机会。另一方面，物联网通常利用无处不在的无线网络将物体接入互联网，这可能使物联网网络环境具备开放性和脆弱性。因此，攻击者更容易入侵物联网并破坏网络环境 [9], [10]。总体而言，物联网不断遭受非诚信用户和恶意黑客的攻击。因此，安全问题已成为阻碍物联网稳定发展和广泛应用的核心因素 [11]。

为保障物联网安全，网络安全态势预测（NSSP）已在物联网环境中得到广泛部署。通俗地说，NSSP 利用预测模型分析历史数据（如历史安全事件记录、系统日志、审计分析结果等）和实时信息（如服务运行状态、安全策略配置等），进而预测未来网络安全事件的发生可能性、影响范围和严重程度 [12]。通过利用 NSSP 技术，网络安全管理人员可以提前识别潜在攻击，并有效制定相应的预防措施，从而极大减少由网络安全事件造成的损失 [13]。由于具有诸多显著优势，NSSP 已被广泛应用，并成为金融、政府、能源和医疗等多个领域保护网络安全与可靠性的核心技术之一。

尽管现有的 NSSP 方法取得了令人瞩目的成果，但在处理物联网流量时仍面临若干局限性 [14]。循环模型（如 GRU 和 LSTM）能够捕获时间依赖性，但历史信息被反复压缩进隐藏状态，这可能削弱早期特征并增加顺序计算成本。基于 CNN 和基于 TCN 的方法在提取局部模式方面有效，但重复的特征压缩或独立的分解过程可能会丢弃细微的时间信息。基于注意力和基于 Transformer 的方法改进了全局依赖建模，但通常引入了额外的计算和内存开销 [15]。此外，大多数现有方法并未显式地恢复分层特征变换过程中丢失的信息。这些局限性使得它们难以同时保留短期和长期时间模式、控制特征损失，并保持对大规模和高维物联网流量的可接受效率。

因此，本文的目标是基于历史流量观测，准确且高效地预测物联网网络安全态势的未来演化。给定在观察窗口内收集的多维流量记录，预测模型需学习其时间依赖性，并估算未来预测时域内的安全态势值。主要挑战在于如何在减少信息损失并保持可接受计算效率的同时，保留短期流量变化和长期演化模式。为了解决上述问题，我们设计了线性门控未来预测网络（LGF-Net），该网络采用分层编码器 - 解码器提取不同层级的特征，利用门控块调节跨层信息传输，并引入双残差信息补偿机制以保留模型学习过程中的有用信息。

本文研究了一个严峻但具有意义的问题，即为物联网环境设计准确且高效的 NSSP 方法。为实现上述目标，我们设计了一种名为 LGF-Net 的新型神经网络模型，并据此提出了一种 NSSP 方法，该方法能有效提升预测性能。因此，本文的主要贡献和创新点如下三点。

* 我们设计了一种新颖的时间序列预测模型，称为 LGF-Net。该模型采用分层线性编码器 - 解码器提取多级时间特征，利用门控块调节跨层级特征传输，并引入双残差信息补偿机制以在分层学习过程中保留有用信息。不同解码层的输出通过未来预测器进一步融合，以增强模型的表征和预测能力。
* 为提升物联网环境中的安全态势预测性能，我们利用 LGF-Net 提出了一种新型 NSSP 方法。通过挖掘历史网络流量数据与未来网络安全态势之间的多级信息相关性，同时减少模型学习和训练阶段的特征损失，我们所提出的方法能够准确分类物联网网络安全等级，并在物联网背景下对未来网络安全态势做出准确预测。
* 我们基于时间复杂度分析证明了所提方法的有效性。同时，我们部署了一个原型实现，在其中模拟了基于 LGF-Net 的 NSSP 方法，并与一些类似方法进行了整体性能对比。测试结果表明，我们的基于 LGF-Net 的 NSSP 方法在 Bot-Iot 数据集、NSL-KDD 数据集和 UNSW-NB15 数据集上均取得了优越的整体性能。

本文是对之前研究工作的扩展，该工作曾发表于《网空模拟与评估国际会议》[16]。与之前的会议版本相比，本文的主要改进如下。首先，我们在第 1 节增强了研究背景和研究进展。随后，我们分别在第 3 节和第 4 节改进了方法论及基于 LGF-Net 的 NSSP 方法。同时，我们在第 5 节增加了计算复杂度对比。最后，我们扩展了第 6 节的实验内容。

2025 年，Tao 等人 [17] 构建了一个指标体系，可应用于网络安全态势评估（NSSA）和 NSSP。Zhang 等人 [18] 结合 CNN、LSTM 和反向传播（BP）来提取态势元素以实现 NSSA。Yang 等人 [19] 通过构建一种新的深度学习模型，即深度自动编码器 - 深度神经网络（AEDNN），实现了 NSSA。Yang [20] 指出网络安全风险主要由软件漏洞引起。同时，为了评估信息物理电力系统的风险，他们通过攻击路径图设计了一种新的风险评估模型。Yang 等人 [21] 通过攻击行为分类实现了 NSSA，并通过实验结果证明了该方法的有效性和准确性。为减少模型训练过程中的特征损失，Liu 等人 [22] 设计了一种基于精简记忆单元（PMU）的新型神经网络算法，称为双向 PMU（BiPMU），可用于实现 NSSA 并提升评估性能。2024 年，为了评估 NSSA 的等级，Yu [23] 设计了一种多目标决策模型。Zhao 等人 [24] 设计了一种用于无人机群网络的 NSSA 模型，该模型能有效提取多尺度及高维数据特征，从而提高评估准确率。2025 年，Zhang 等人 [18] 首先改进了黑翅鸢算法，并将其与交叉双通道模型结合以评估网络安全态势。尽管上述方法能够实现高效且准确的 NSSA，但它们无法提前实现 NSSP [25]。

为了实现 NSSP，Zhang 和 Liu [26] 使用卷积神经网络（CNN）来预测网络安全态势，即他们优化了 Elman 神经网络作为评估模块。此外，他们在公开数据集上测量了性能。为保护智慧城市安全，Li 等人 [27] 提出了一种 NSSP 方法，其中利用特征分离来缓解过拟合问题，并利用双注意力机制学习数据特征。Hu 等人 [28] 结合 CNN、注意力机制和双向门控循环单元（BiGRU）以实现准确的 NSSP。2024 年，Xu 等人 [29] 提出了一种新颖的方法，可通过图卷积网络（GCNs）和多模态转换同时实现 NSSA 和 NSSP。Yang 等人 [30] 设计了一种基于分解融合的 NSSP 方法，其中提出了一种计算态势值的新算法，并通过人工智能模型实现了态势预测。Xiao 等人 [31] 研究了如何使用深度学习来实现 NSSA 和 NSSP，并提出了一种能提高准确率的新方法。2025 年，Huang 等人 [32] 使用多个外部变量优化时间序列预测模型，并据此实现 NSSP。同时，他们提供了实验结果和分析以展示该方法的有效性和实用性。Li 等人 [33] 结合多种注意力机制来预测态势并减少预测误差。

为预测电力系统中的态势等级，Wang 等人 [34] 结合 CNN 和 LSTM 设计了一种新的态势感知（SA）方法，该方法可同时表征时间特征和空间特征。Zhao 等人 [35] 利用分支注意力增强了 NSSP 模型并提高了准确率。2024 年，Zhang 等人 [36] 结合时间卷积网络（TCN）和变分模态分解（VMD）设计了一种新的预测模型。随后，他们在两个公开数据集（CIC-IDS2017 和 UNSW-NB15）上验证了其有效性。Zhao 等人 [37] 提出了一种新颖的 NSSP 方案。在该方案中，他们利用 slap 群算法选择最优超参数，并使用 GResNeSt 增强了 CNN。为保护物联网网络安全，Yi 等人 [38] 应用 PatchTST 网络设计了一种 NSSP 方法。实验结果表明他们的方法可以减少预测误差。为实现主动防御，Chen [39] 结合 TCN 和 Transformer 提出了一种 NSSP 方法，该方法不仅能减少预测误差，还能提高效率。

为了提升 NSSP 的性能，Zhang 等人 [40] 利用 VMD 降低非平稳性，并在多个通道中提取频域特征。总体而言，上述 NSSP 方法可以大致分为两组。第一组包括基于循环、图、注意力和 Transformer 的方法 [26], [28], [29], [31], [32], [33], [34], [35], [38], [39]。循环模型在捕捉时间依赖性方面效果显著，而基于图和注意力机制的模型能够增强对全局特征相关性的建模能力。基于 Transformer 的模型则进一步提升了长距离依赖关系的建模能力。然而，循环结构会反复将历史信息压缩到隐藏状态中，并依赖于顺序计算，而基于注意力和 Transformer 的结构通常会带来额外的计算和内存开销。此外，这些方法大多主要依赖高级表示进行预测，这可能会削弱局部时间细节。第二组与 LGF-Net 更相关，因为这些方法同样考虑了特征分离、分解和融合、多尺度表示或残差特征学习 [27], [30], [36], [37], [40]。这些方法能够提升非平稳和多成分流量模式的表示能力。然而，特征分解、特征提取和情景预测通常在分开的阶段进行，所得到的组件通过预定义的融合操作进行组合。因此，在分解或层次化特征转换过程中丢弃的信息无法由后续网络层显式处理。这些局限性使得它们难以在保持可接受效率的同时，兼顾大规模物联网交通数据中的局部时间变化和高阶演变模式。本文其余部分组织如下：在第 2 节，我们介绍预备知识，并在第 3 节中提出 LGF-Net 模型。然后，在第 4 节中，我们提供针对物联网环境的 NSSP 方法。接下来，我们在第 5 节中提供计算复杂度比较，并在第 6 节中实现我们的方法以进行性能评估。最后，在第 7 节中，我们简要讨论其优势并总结我们的方法。文章节选 预备知识 在本部分，我们提供 U-Net 和残差网络的预备知识。方法论 准确预测物联网网络流量的核心在于提取序列特征并处理复杂的时序变化。为了实现上述核心任务，我们设计了一种新的神经网络模型，即 LGF-Net。具体而言，LGF-Net 包含三个模块组件：线性 U-Net 编码器-解码器（LU-Net）、门控模块和未来预测器，如图 2 所示。受 U-Net 分层编码器-解码器结构的启发，LU-Net LGF-Net 基础的 NSSP 方法 在本节中，我们首先定义物联网环境中的 NSSP，然后提出基于 LGF-Net 的 NSSP 方法。实验与评估 在本节中，我们实现了基于 LGF-Net 的 NSSP 方法并测量整体性能。结论 在本文中，我们研究了准确且高效的 NSSP 方法设计，并提出了一种基于 LGF-Net 的新型 NSSP 方法用于物联网环境。具体而言，我们首先结合 U-Net 和 ResNet 设计了一种新的神经网络模型，即 LGF-Net，该模型包含线性 U-Net 编码器-解码器、门控模块和未来预测器。然后，我们使用该 LGF-Net 模型提出了适用于物联网环境的新 NSSP 方法。我们的方法充分学习和刻画了内部特征。CRediT 作者贡献声明 Yueling Liu: 写作 – 审阅与编辑，写作 – 初稿，软件，方法论，调查，形式化分析，数据整理。Changsong Yang: 写作 – 审阅与编辑，验证，监督，项目管理，方法论，资金获取。Yingcong Lan: 可视化，验证，软件，数据整理。Chunhai Li: 可视化，监督，项目管理。Yong Ding: 监督，项目管理，资金获取，概念设计。利益冲突声明 作者声明没有已知的财务利益或个人关系可能影响本文所述工作。致谢 我们感谢编辑和匿名审稿人提供宝贵时间和有益建议。同时，本文得到了中国国家关键研发计划（2023YFB3107300）、中国国家自然科学基金（62562021）以及广西自然科学基金（2024GXNSFAA010453, 2025GXNSFGA069004）的支持。Yueling Liu|Changsong Yang|Yingcong Lan|Chunhai Li|Yong Ding