基于大数据技术的网络安全态势智能感知与预测模型研究及其支持应用

《Journal of Cyber Security and Mobility》：Research on a Network Security Situation Intelligent Awareness and Prediction Model Based on Big Data Technology and Its Supporting Applications

　　

摘要：

传统的网络安全态势感知方法难以处理高速多源数据流，因为它依赖于集中式的数据处理架构，导致实时性能较差且数据关联性弱。因此，构建一个能够实时融合多源数据、理解网络内部结构并具备类似专家认知推理能力的感知预测模型，对于实现主动的智能网络安全防御具有重要的理论意义。本研究假设，通过结合分布式流处理、网络结构模式分解和认知决策框架，可以构建出一个具有高精度感知和前瞻性预测能力的安全感知模型。该方法的核心是将上述组件整合到一个“数据结构认知”三层协作模型中：Kafka+Spark流处理层负责实时数据融合和特征提取；结构模态建模与分解（SMMD）层分析网络的功能拓扑以实现细粒度的态势解耦；估计记忆控制（EMC）认知层模拟专家评估、经验重用和预测决策的闭环过程。这种架构实现了数据驱动、结构理解与认知智能的深度耦合，不同于那些主要依赖单一数据维度或缺乏明确认知推理的现有态势感知框架。为了验证这一假设，设计并实施了几项实验。首先，基于Kafka+Spark构建了一个分布式流处理框架，以实现多源安全数据的实时融合和特征提取；其次，提出了一个结合EMC框架和SMMD的安全感知预测模型。

显示更多

1. 概述

随着云计算和物联网（IoT）等技术的普及，网络空间的结构变得越来越复杂，网络攻击也呈现出规模化、隐蔽性和智能化的新特征。传统的静态和被动防御系统无法应对日益严峻的安全挑战。因此，网络安全态势（NSS）感知技术已成为构建主动、弹性防御系统的核心[1]–[3]。其目标是从海量且动态的安全数据中实时理解和预测网络的整体安全状况，为准确高效的响应决策提供支持。目前，学术界和工业界在NSS感知方面进行了广泛研究。Chen Z提出了一种基于模拟退火算法和混合层次遗传算法优化的径向基函数（RBF）神经网络预测模型，以解决传统NSS感知方法中单一算法导致的预测精度问题。优化后的RBF网络在15个样本中的预测结果与实际值非常接近，表明该模型具有良好的预测效果，能为网络安全维护提供有效支持[4]。Oladosu S A等人提出了一种由人工智能驱动的统一概念安全框架，并融入了零信任原则，旨在应对现代混合云和本地信息技术基础设施日益增加的复杂性和互联性所带来的传统网络安全模型效能不足的问题。该框架能够以极高的准确性检测异常、识别脆弱性并优先处理风险，从而在潜在威胁升级之前迅速采取缓解措施[5]。Vimal V等人提出了一种基于认知协议网络的软件定义网络架构，该架构利用随机神经网络提取信息并进行去中心化决策，同时集成到SerIoT技术中以加强IoT的加密和访问控制，旨在解决因节点能量限制而导致的IoT安全性和能效问题。这种网络基础设施能够规避系统不可预测的连接和节点性能下降问题，并根据实际统计数据生成符合预定电路约束的端到端防盗解决方案[6]。Sheng C等人提出了一种基于新型密度启发式聚类的自生长攻击流量分类模型，并设计了一种有效的监控控制和数据采集（SCADA）网络流量表示方法。该方法旨在解决现有方法因攻击样本缺乏和实时要求高而难以有效分类SCADA网络流量的问题；在仅有正常SCADA网络流量的关键场景下，其性能优于当前先进的攻击流量分类方法[7]。