基于改进隐马尔可夫模型的云网络安全研究

郑友生

(泉州幼儿师范高等专科学校 信息教育技术中心，福建 泉州 362000)

在云计算和大数据高速发展的今天，信息安全、云平台防护等面临巨大威胁，如病毒入侵、DDoS攻击、黑客攻击等。从当前网络面临的威胁来看，传统的IDS、IPS等被动防御已不能满足网络安全防护需求，必须加强网络安全态势感知。在网络安全态势感知中，主要数据来源于日志文件、网络设备等。通过对这些数据的整合、关联分析，并结合态势评估算法，实现态势预测评估目的，以争取在网络攻击前规避或者是遏制部分威胁，达到保护和降低攻击的目的。而当前基于网络安全态势的评估中，比较常见的态势评估方法包括D-S证据理论[1]、朴素贝叶斯分类[2]、攻击图[3]、BP神经网络[4-5]等。李欣[8]将隐马尔可夫模型(Hidden Markov Model, HMM) 应用到云网络环境中，认为隐马尔可夫模型在实时评估网络状态方面具有无可比拟的优势，但存在模型参数匹配较难、评估准确率不高的问题。基于以上研究理论和实践，提出一种自适应聚群粒子群算法的HMM参数优化方法，以此对云网络安全态势进行评估。

1 隐马尔可夫模型描述与改进

1.1 隐马尔可夫模型的数学描述

韩晓露[6]、王彩玲[7]等认为，网络的安全状态与实际观察的安全事件并非一一对应，而是通过概率分布产生联系，即网络安全的序列可展示网络状态的变化。在云网络中，将云网络看成是由若干个节点过程。网络攻击者通过网络节点发起攻击，因此对云网络安全的评估，可看成是对节点的安全态势评估，其中通过设备可搜集到节点的漏洞、病毒和攻击信息，是观测序列。……