前言：寻找写作灵感？中文期刊网用心挑选的计算平台下态势感知系统网络安全论文，希望能为您的阅读和创作带来灵感，欢迎大家阅读并分享。
针对前述内容，我们搭建了一个并行计算平台。平台由51台普通计算机构成，其中50台为工作节点（worker），1台为管理中心主机。以此作为系统的硬件平台。我们设计并实现了一个分布式计算系统作为并行计算软件平台，可分为以下两个模块：（1）分布式计算管理模块：负责任务的分配与管理、协调任务的执行，worker主机与管理主机之间的通信。（2）分布式计算引擎：负责执行具体任务。利用上述软件平台可在多核与多处理器主机或者局域网环境下解决密集的计算问题。在实际使用该平台时，我们将各个入侵检测节点和关键网络设备节点收集来的数据输入到并行计算平台管理主机中，管理主机会将所收集到的大量的数据分配给各worker节点，然后worker节点对数据进行预处理后返还给管理主机。
2并行网络态势评估过程
当管理主机从work主机获得处理完成的数据后，要继续分配攻击分类任务，分类的主要目的是区分网络数据的攻击类别，一般可分为：正常数据（normal）、Probe攻击、Dos攻击、R2L攻击和U2R攻击五大类。每一大类又细分为若干个小类。分类过程大致可以分为两步：（1）建立分类模型，常见的用于攻击分类的模型有BP神经网络，支持向量机，K邻近算法等。这些分类模型通过已有的网络数据建立输入与输出之间的统计关系，从中挖掘攻击的特征，从而区分不同的攻击类型。（2）利用已有数据样本和优化算法对分类模型进行训练。优化算法对于分类模型至关重要，合适的优化算法直接影响到分类结果的精度。目前主流的优化算法有遗传算法（GA），粒子群算法（PSO）以及差分进化算法（DE）等。并行环境下的网络安全态势感知系统的关键问题是，如何将上述模型的训练和优化过程分解并交给各worker并行实现，然后向管理主机返回最终的分类结果。文章选取SVM作为并行分类器，差分进化作为优化算法。并行SVM的基本形式是先将训练数据集划分成若干训练子集，然后在各个节点分别进行训练。由于SVM属于二分类器，故训练子集在划分时应该按照其中两种攻击类型划分，例如Normal和Dos划分为一类，Dos和Probe划分为一类，等等。所有分类器以无回路有向图（DAG）的逻辑形式组合到一起。每个SVM分类器都被按照不同的子集类别在worker节点独立训练，训练后的模型在接收新的测试数据时，会从图的顶点进入，然后被逐层分类直至得出最终的分类结果。当网络数据的类别确定后，就可以按照文献[4]提出的层次化方法，管理主机根据专家事先给定的类别权重，以加权求和的方式得出当前网络安全态势值。
3并行网络态势预测过程
如前所述，当收集到一段时间内的网络安全态势值后，就可以用来训练预测模型以预测未来网络安全态势。用于网络安全态势的预测模型也有很多种类，比较成熟的模型有：马尔科夫预测模型，grey预测模型、和径向基神经网络预测模型。与分类阶段类似，预测阶段的模型也需要分解任务以适应并行计算环境。文章选取文献[16]提出的并行径向基神经网络预测模型作为预测工具。在进行预测时，管理主机先把所有的历史态势值交给各个worker主机，然后每台worker主机通过差分进化算法优化径向基神经网络预测模型，预测结果提交至管理主机中进行融合。最后，安全态势预测值将以可视化的结果呈现给网络安全管理人员，以便其对网络宏观状况能迅速直观的了解。一个月内的网络安全态势预测值，其中横轴代表天数，竖轴代表网络安全态势的预测值，范围是[0，1]，值越高表示网络受到的威胁越大，当网络安全态势值大于某个阈值时，系统会自动发出报警。在运行系统一段时间后，实际的网络安全态势情况与预测结果基本吻合。
4结束语
文章设计并实现了并行环境下的网络安全态势感知系统，包含网络要素收集、网络态势评估及预测三个模块，并能根据预测值作出报警。该系统充分发挥了并行环境的优势，提升了网络安全感知系统的效率，使得管理人员可以提前获知网络受威胁的程度，并提前做好防范措施。实际应用的结果显示，所提出的系统能够在合理的时间内准确预测网络安全态势。
作者：高青波 胡冠宇 徐泽群 单位：长春工业大学应用技术学院
