本发明专利技术提供了一种基于贝叶斯正则化的智能网络安全系统、装置及存储介质，涉及人工智能与网络安全技术领域。本发明专利技术通过人工智能分析模块内部的子模块实时监测识别网络安全攻击与漏洞并消除或隔离，预测可能存在的网络安全威胁，给出预警提示和实时防护措施，尽可能地避免用户在接触数据信息后受到影响，为授权用户提供安全可靠的网络环境；基于贝叶斯正则化的人工智能神经网络算法模型，可避免在实际应用场景中训练算法模型的过度拟合问题，提高判别网络安全威胁、漏洞与攻击的准确性；通过反馈补偿模块使神经网络算法的训练不局限于历史数据集，同时通过实时网络安全数据集进行反馈更新，使神经网络模型贴近实际网络环境。使神经网络模型贴近实际网络环境。使神经网络模型贴近实际网络环境。
【技术实现步骤摘要】
基于贝叶斯正则化的智能网络安全系统、装置及存储介质
[0001]本专利技术涉及人工智能与网络安全
，尤其涉及一种基于贝叶斯正则化的智能网络安全系统、装置及存储介质。
技术介绍
[0002]自国家对网络安全概念加强重视以来，网络安全问题已经成为社会关注的问题。当前，以人工智能等为代表的信息技术日新月异，与此同时，网络攻击、网络窃密与网络诈骗频频出现，网络安全的风险正在被新兴技术不断放大，甚至危害到社会的方方面面。
[0003]尽管现有的网络安全防护技术与手段很多，例如各类杀毒软件和防火墙等，能够拦截大部分的恶意网络入侵。然而，目前想要做到高效率的对整个互联网环境进行网络安全的预测与实时防护，还是比较费时费力的。
[0004]随着国家对网络安全的重视，网络安全防护显得尤其重要。传统的安全防护体系对于如今快速发展的网络环境，已经不再适用；对于现阶段而言，需要更全面、时效性更强的分析算法。
[0005]为了改善现有的网络信息安全环境，基于贝叶斯正则化的智能化网络安全系统应时而生。基于贝叶斯正则化的智能化网络安全系统是一种能够通过历史网络信息数据分析并分离出可疑的网络安全攻击、漏洞或威胁，同时能够实时防护整个网络环境的能力与措施。
[0006]如申请号为CN201911023727.0的专利技术专利申请，便提供了一种基于贝叶斯网络的网络安全态势预测方法、装置、终端设备及计算机可读存储介质。其中，该方法包括：获取阶段告警事件以及阶段告警事件独立发生的先验概率，根据阶段告警事件生成有向无环图，基于有向无环图构建贝叶斯网络，根据贝叶斯网络计算在前一阶段告警事件发生的条件下当前阶段告警事件发生的后验概率，显示每一项阶段告警事件对应的后验概率。该申请实施例能够很好地适应网络安全态势预测过程中的不定性，达到对网络安全态势进行准确预测的效果。
[0007]但是，该申请网络安全态势预测仍是基于历史数据进行的，无法做到对各威胁网络安全的新型要素进行全面的覆盖，此外，保障网络安全我们不仅需要进行态势预测，更需要进行实时监测、实时防护和实时加密，但是，该申请未就这些问题提出解决方案。
[0008]因此，有必要提供一种新的基于贝叶斯正则化的智能网络安全系统来解决上述技术问题。
技术实现思路
[0009]为解决上述技术问题，本专利技术提供一种基于贝叶斯正则化的智能网络安全系统，包括数据收集模块、训练模块、人工智能分析模块、反馈补偿模块、数据库加密存储模块和可视化模块。
[0010]具体的，所述数据收集模块通过人工和/或机器方式对网络安全数据进行收集、筛
选、预处理、分类和标记操作，得到各类训练数据集。
[0011]具体的，所述训练模块通过神经网络模型进行部署并分别使用各类训练数据集进行训练，得到对应的人工智能算法。
[0012]具体的，所述人工智能分析模块通过将各类人工智能算法进行组建，得到各内部子模块；所述各内部子模块用于对网络环境进行网络安全实时监测、网络安全攻击实时识别和对网络安全漏洞进行消除/隔离。
[0013]具体的，所述反馈补偿模块通过捕捉人工智能分析模块的实时监测数据记录异常数据，得到反馈修正数据；所述反馈修正数据用于对人工智能分析模块进行反馈修正训练，使神经网络模型接近实际网络环境。
[0014]具体的，所述数据库加密存储模块用于为各模块提供数据存储空间，并对存储数据进行加密处理。
[0015]具体的，所述可视化模块用于汇总各类网络安全数据信息，并将整理的数据对授权用户进行可视化展示。
[0016]作为更进一步的解决方案，所述数据库加密存储模块中设置有网络安全历史信息数据库，所述网络安全历史信息数据库用于存储已标记与分类的网络安全攻击、漏洞和病毒；所述数据收集模块通过爬虫程序获取授权用户计算机系统中网络安全历史信息并通过网络安全历史信息数据库进行分类与标记；完成分类与标记后保存至网络安全历史信息数据库中。
[0017]作为更进一步的解决方案，所述训练模块的搭建包括基于BP反向传播的神经网络的搭建训练过程和贝叶斯正则化修正过程。
[0018]作为更进一步的解决方案，所述基于BP反向传播的神经网络的训练性能函数是误差函数MSE，即:
[0019][0020]其中，E
D
代表误差平方总和均值；n是样本集的数量；x
i
是指网络输入；t
i
指与网络输入相对应的目标输出。
[0021]作为更进一步的解决方案，所述贝叶斯正则化修正过程即正则化处理神经网络模型的参数，贝叶斯正则化修正模型：
[0022][0023]其中，A、B为事件，P即为事件发生的概率；(A|B)表示在事件B已经发生的情况下发生事件A，(B|A)则表示在事件A已经发生的情况下发生事件B；
[0024]贝叶斯正则化方法对BP神经网络误差函数进行过拟合修正后，得到：
[0025]F＝αE
w
+βE
D
[0026][0027]其中，F指神经网络的权重误差函数；E
w
是神经网络中所有权值的平方和均值；m是神经网络连接权值的总数；w
i
是神经网络的连接权值；α与β为目标函数的参数；
[0028]根据贝叶斯正则化修正模型，得到归一化因子P(D|α,β,M),其中M代表整个神经网络的构架；
[0029][0030]通过正则项与归一化因子，推导出贝叶斯正则化的训练框架为：
[0031][0032]Z
F
(α,β)＝Z
D
(β)Z
W
(α)
[0033]其中，Z
F
(α,β)是关于α和β的与权重w无关的函数。
[0034]作为更进一步的解决方案，所述人工智能分析模块的内部子模块包括实时监测模块、防护模块和预测模块；
[0035]所述实时监测模块将实时对所有授权用户计算机系统的网络使用情况进行监测、防护与预测；若存在一个已知类型的网络安全攻击、漏洞、病毒和各类非法访问记录，即代表数据信息异常；首先将异常数据传送至所述反馈补偿模块以用于反馈修正训练，再将异常数据送往所述数据库加密存储模块，以进行可视化展示；所述实时防护模块根据网络安全规则对异常数据进行消除或隔离；所述预测模块根据神经网络算法特征分析发现未知的异常或非法数据，将一同汇总经过所述数据库加密存储模块进行加密，并在所述可视化模块中对授权用户进行展示并预警。
[0036]作为更进一步的解决方案，所述数据库加密存储模块用于为各模块提供数据存储空间，并对存储数据进行非对称加密处理；非对称加密处理后的数据仅允许信任的设备或个人读取相关信息；授权用户能通过可视化模块查看数据库加密存储模块内各类网络安全性能分析汇总。
[0037]作为更进一步的解决方案，所述可视化模块能对各模块数据进行快速汇总、智能化分析结果、可视化显示、网络环境管理、相关网络安全攻击与漏洞本文档来自技高网...
【技术保护点】
【技术特征摘要】
1.一种基于贝叶斯正则化的智能网络安全系统，其特征在于，包括数据收集模块、训练模块、人工智能分析模块、反馈补偿模块、数据库加密存储模块和可视化模块；所述数据收集模块通过人工和/或机器方式对网络安全数据进行收集、筛选、预处理、分类和标记操作，得到各类训练数据集；所述训练模块通过神经网络模型进行部署并分别使用各类训练数据集进行训练，得到对应的人工智能算法；所述人工智能分析模块通过将各类人工智能算法进行组建，得到各内部子模块；所述各内部子模块用于对网络环境进行网络安全实时监测、网络安全攻击实时识别和对网络安全漏洞进行消除/隔离；所述反馈补偿模块通过捕捉人工智能分析模块的实时监测数据记录异常数据，得到反馈修正数据；所述反馈修正数据用于对人工智能分析模块进行反馈修正训练，使神经网络模型接近实际网络环境；所述数据库加密存储模块用于为各模块提供数据存储空间，并对存储数据进行加密处理；所述可视化模块用于汇总各类网络安全数据信息，并将整理的数据对授权用户进行可视化展示。2.根据权利要求1所述的一种基于贝叶斯正则化的智能网络安全系统，其特征在于，所述数据库加密存储模块中设置有网络安全历史信息数据库，所述网络安全历史信息数据库用于存储已标记与分类的网络安全攻击、漏洞和病毒；所述数据收集模块通过爬虫程序获取授权用户计算机系统中网络安全历史信息并通过网络安全历史信息数据库进行分类与标记；完成分类与标记后保存至网络安全历史信息数据库中。3.根据权利要求1所述的一种基于贝叶斯正则化的智能网络安全系统，其特征在于，所述训练模块的搭建包括基于BP反向传播的神经网络的搭建训练过程和贝叶斯正则化修正过程。4.根据权利要求3所述的一种基于贝叶斯正则化的智能网络安全系统，其特征在于，所述基于BP反向传播的神经网络的训练性能函数是误差函数MSE，即:其中，E
D
代表误差平方总和均值；n是样本集的数量；x
i
是指网络输入；t
i
指与网络输入相对应的目标输出。5.根据权利要求4所述的一种基于贝叶斯正则化的智能网络安全系统，其特征在于，所述贝叶斯正则化修正过程即正则化处理神经网络模型的参数，贝叶斯正则化修正模型：其中，A、B为事件，P即为事件发生的概率；(A|B)表示在事件B已经发生的情况下发生事件A，(B|A)则表示在事件A已经发生的情况下发生事件B；贝叶斯正则化方法对BP神经网络误差函数进行过拟合修正后，得到：F＝αE
w
+βE
D
【专利技术属性】
技术研发人员：李洪赭，李赛飞，徐斯润，
申请(专利权)人：西南交通大学，
类型：发明
国别省市：
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。