基于知识图谱（KG）和简约存储单元的网络安全态势预测方法

《Scientific Reports》：Network security situation prediction method based on KG and Parsimonious memory unit

　　

摘要

随着互联网的不断发展，其应用范围不断扩大，网络安全问题也日益突出。为了解决当前网络安全状况预测模型中预测时间过长和预测效率较低的问题，本研究首先构建了一个网络安全状况的知识图谱（KG）。随后，利用图卷积网络（GCN）和多层感知器（MLP）从该知识图谱中提取特征数据，作为后续预测模型的输入。再结合卷积反卷积神经网络（CBAM）和流式式磁通量测量单元（PMU）对网络安全状况进行预测。测试结果显示，在特征提取阶段，特征提取的准确率可达98.4%；经过优化的流式式磁通量测量单元的预测准确率为98.5%。根据所设计的模型，其预测准确率可达96.7%，预测时间仅需11.2毫秒，平均绝对误差（MAE）仅为0.081，表明该模型的预测效果良好。即使在网络流量扰动±30%、大规模广域网环境、20%的设备故障以及网络病毒攻击等复杂条件下，模型的预测准确率仍保持在90%以上。该研究方法能够有效预测网络安全状况，为管理者提供预警信息，降低网络风险。