一种基于改进多目标萤火虫算法的蜜点部署方法与流程

本发明涉及网络安全，尤其涉及一种基于改进多目标萤火虫算法的蜜点部署方法。背景技术：：：1、随着信息技术的发展，网络电力系统的安全重要性日益突出，网络攻击会导致系统停电故障，造成经济损失，甚至会使敏感信息泄露，因此，研究网络攻击的防御方法，对守护网络安全具有重要的意义。2、在现有技术中，蜜罐技术作为一种主动防御技术，能够引诱攻击者对蜜罐进行攻击，保护其他网络设备免受损害，但随着网络安全防御技术的发展，攻击者的攻击手段也在不变演化与进步，导致蜜罐技术难以有效捕获零日漏洞攻击和高级持续性攻击等新型攻击。面对电力系统中的庞大的业务规模和种类多样的环境，在资源有限的情况下对所有业务进行全真的伪装成难度极大，攻击者容易分析出蜜罐系统和真实业务之间的细微差别，增加了蜜罐被绕过的可能性，使蜜罐的防御性能下降，从而加大了网络攻击对电力系统的威胁程度，因此，亟需提供一种方案改善上述问题。技术实现思路1、本发明的目的在于提供一种基于改进多目标萤火虫算法的蜜点部署方法，用以改善现有蜜罐技术难以有效捕获零日漏洞攻击和高级持续性攻击导致网络防御效率低的问题。2、本发明提供的一种基于改进多目标萤火虫算法的蜜点部署方法采用如下的技术方案：3、映射并编码电力系统中网络节点和蜜点的位置后生成二维栅格地图；4、获取所述二维栅格地图中每个网络节点的探查信息和攻击动作信息后生成攻击图，并基于所述攻击图获取真实蜜点位置信息，其中，所述攻击图由多条攻击边和多个网络节点组成；5、组合所述探查信息和攻击动作信息后获取组合信息，将所述组合信息分解为多个目标模态分量，并为每个目标模态分量建立对应的初始预测模型；6、基于所述探查信息、攻击动作信息和真实蜜点位置信息建立训练集；7、基于非线性调整因子和自适应邻域获得改进后的多目标萤火虫算法，并基于所述训练集和改进后的多目标萤火虫算法分别对多个所述初始预测模型进行训练，获取多个训练好的预测模型，并基于所述训练好的预测模型输出预测蜜点位置信息。8、本发明提供的一种基于改进多目标萤火虫算法的蜜点部署方法的有益效果在于，第一，本发明将输入的信号采用变分模态分解技术分解为多个模态分量，可以有效提取频率特征，减少噪声干扰，从而更好的理解和分析信号特征；第二，为每个模态分量建立对应的初始预测模型，可以更好的理解每个模态的特征，并为初始预测模型内的遗忘门添加1-tanh函数和窥视孔，能从攻击动作信息中捕获更多的攻击信号特征，提高模型预测的准确度；第三，利用非线性调整因子和自适应邻域对传统的萤火虫算法进行改进，获得改进后的萤火虫算法，提高了算法的收敛速度和萤火虫种群的搜索能力；第四，利用训练集和改进后的萤火虫算法对初始预测模型进行训练，获取训练好的蜜点部署预测模型，提高了蜜点部署预测模型的预测精度；第五，利用训练好的蜜点部署预测模型，能够预测攻击者的攻击路径并确定最佳蜜点部署位置，持续追踪攻击者，为电力系统安全提供保障。9、可选的，所述二维栅格地图内编码位置信息的数学表达式为：10、；11、其中，表示第个栅格在方向的编码信息；表示第个栅格在方向的编码信息；表示每行的栅格总数；表示取模运算；表示向上取整。12、可选的，将所述组合信息分解为多个目标模态分量的过程，包括：13、基于组合信息构造约束变分问题，并将所述约束变分问题进行无约束变分转换为增广拉格朗日函数；14、对所述增广拉格朗日函数的靶点进行交替寻优后获取多个目标模态分量。15、可选的，所述改进后的多目标萤火虫算法，包括：16、基于所述真实蜜点位置信息和预测蜜点位置信息建立适应度函数；17、初始化改进萤火虫算法的参数和萤火虫的种群位置，并设定当前迭代次数和最大迭代次数，所述参数由目标数，决策变量维度，种群规模，最大迭代次数，光吸收系数，萤火虫间的最大吸引力，步长因子组成；18、基于适应度函数计算萤火虫种群中每个萤火虫个体的适应度函数值，并计算萤火虫和萤火虫的曼哈顿距离；19、当前迭代次数小于最大迭代次数时，基于所述曼哈顿距离获取邻域范围，并基于萤火虫个体的适应度函数值和非线性调整因子对邻域范围内萤火虫的位置进行迭代更新，直至当前迭代次数大于或者等于最大迭代次数时停止更新。20、可选的，所述邻域范围的数学表达式为：21、；22、其中，表示萤火虫的邻域范围；表示萤火虫和萤火虫的曼哈顿距离；表示萤火虫种群的大小；表示萤火虫种群规模的维度。23、可选的，所述对邻域范围内萤火虫的位置进行迭代更新的数学表达式为：24、；25、其中，表示萤火虫种群，表示萤火虫被萤火虫支配，分别表示萤火虫和萤火虫的适应度函数值，表示非线性调整因子，表示第次迭代萤火虫所属的空间位置，和分别表示萤火虫和在第次迭代所属的空间位置，表示萤火虫之间的最大吸引力，表示萤火虫和之间的曼哈顿距离，表示光吸收系数，表示步长因子，表示服从高斯分布、均匀分布的随机数向量，是通过将所有目标随机加权得到种群中的最优个体。26、可选的，所述非线性调整因子的数学表达式为：27、；28、其中，为当前迭代次数，表示最大迭代次数。29、可选的，所述适应度函数为三目标优化函数，其数学表达式为：30、<mstyledisplaystyle="true"mathcolor="#000000"><mo>{</mo><mtable><mtr><mtd><msub><mi>f</mi><mi>rm</mi></msub><mi>=</mi><msqrt><mfrac><mn>1</mn><mi>n</mi></mfrac><mstyledisplaystyle="true"><munderover><mo>∑</mo><mrow><mi>i</mi><mi>=</mi><mn>1</mn></mrow><msub><mi>n</mi><mi>s</mi></msub></munderover><mrow><mi>(</mi><msub><mi>y</mi><mi>i</mi></msub><mi>−</mi><msub><mover><mi>y</mi><mostretchy="true">̃</mo></mover><mi>i</mi></msub><msup><mi>)</mi><mn>2</mn></msup></mrow></mstyle></msqrt></mtd></mtr><mtr><mtd><mtablecolumnalign="left"><mtr><mtd><msub><mi>f</mi><mi>ma</mi></msub><mi>=</mi><mfrac><mn>1</mn><mi>n</mi></mfrac><mstyledisplaystyle="true"><munderover><mo>∑</mo><mrow><mi>i</mi><mi>=</mi><mn>1</mn></mrow><msub><mi>n</mi><mi>s</mi></msub></munderover><mrow><mfrac><mrow><mi>|</mi><msub><mi>y</mi><mi>i</mi></msub><mi>−</mi><msub><mover><mi>y</mi><mostretchy="true">̃</mo></mover><mi>i</mi></msub><mi>|</mi></mrow><mrow><mi>|</mi><msub><mi>y</mi><mi>i</mi></msub><mi>|</mi></mrow></mfrac><mi>×</mi><mn>100</mn><mi>%</mi></mrow></mstyle></mtd></mtr><mtr><mtd><msub><mi>f</mi><msup><mi>r</mi><mn>2</mn></msup></msub><mi>=</mi><mrowbevelled="true"><mstyledisplaystyle="true"><munderover><mo>∑</mo><mrow><mi>i</mi><mi>=</mi><mn>1</mn></mrow><msub><mi>n</mi><mi>s</mi></msub></munderover><mrow><mi>(</mi><msub><mi>y</mi><mi>i</mi></msub><mi>−</mi><msub><mover><mi>y</mi><mostretchy="true">¯</mo></mover><mi>i</mi></msub><mi>)</mi></mrow></mstyle><mostretchy="true">/</mo><mrow><mi>[</mi><mstyledisplaystyle="true"><munderover><mo>∑</mo><mrow><mi>i</mi><mi>=</mi><mn>1</mn></mrow><msub><mi>n</mi><mi>s</mi></msub></munderover><mrow><mi>(</mi><msub><mi>y</mi><mi>i</mi></msub><mi>−</mi><msub><mover><mi>y</mi><mostretchy="true">¯</mo></mover><mi>i</mi></msub><mi>)</mi></mrow></mstyle><mi>−</mi><mstyledisplaystyle="true"><munderover><mo>∑</mo><mrow><mi>i</mi><mi>=</mi><mn>1</mn></mrow><msub><mi>n</mi><mi>s</mi></msub></munderover><mrow><mi>(</mi><msub><mi>y</mi><mi>i</mi></msub><mi>−</mi><msub><mover><mi>y</mi><mostretchy="true">̃</mo></mover><mi>i</mi></msub><mi>)]</mi></mrow></mstyle></mrow></mrow></mtd></mtr></mtable></mtd></mtr></mtable></mstyle>；31、其中，表示训练集内的训练样本数；表示真实蜜点位置信息；表示预测蜜点位置信息；表示蜜点部署的平均状况，表示由均方根误差构建的第一适应度函数，表示由平均绝对百分比误差构建的第二适应度函数，表示由决定系数构建的第三适应度函数。32、可选的，所述初始预测模型由带有窥视孔的遗忘门、特征提取单元、输入门和输出门组成，其中，所述特征提取单元用于根据函数对带有窥视孔的遗忘门的输出值进行特征提取，获取攻击特征信息；所述窥视孔用于确立攻击动作的类型和蜜点位置后，建立所述攻击动作和蜜点位置的长期依赖关系。33、可选的，所述攻击特征信息的数学表达式为：34、；35、其中，表示攻击特征信息，表示组合信息。当前第1页12当前第1页12