(19)中华 人民共和国 国家知识产权局 (12)发明 专利申请 (10)申请公布号 (43)申请公布日 (21)申请 号 202111382821.2 (22)申请日 2021.11.22 (71)申请人 桂林电子科技大 学 地址 541004 广西壮 族自治区桂林市七 星 区金鸡路1号 (72)发明人 杨昌松　刘梓毅　柳悦玲　肖俊　 宋博文　 (74)专利代理 机构 桂林文必达专利代理事务所 (特殊普通 合伙) 45134 代理人 白洪 (51)Int.Cl. G06K 9/62(2022.01) H04L 9/40(2022.01) (54)发明名称 一种基于BIPMU的无线网络网络安全态势评 估方法 (57)摘要 本发明涉及网络安全技术领域， 尤其涉及一 种基于BIPMU的无线网络网络安全态势评估方 法， 通过双向简约记忆单元构建训练模型， 进行 时间序列数据的特征学习和表征并提供理论分 析， 与传统的循环神经网络相比， 该方法不仅考 虑了过去传输的信息， 还考虑了未来传输的信 息， 全面有效地管理时间序列数据的短期和长期 依赖间的潜在联系， 同时通过 获取网络安全的相 关要素来分析和判断网络安全状态， 提高了网络 安全态势评估的有效性。 权利要求书1页 说明书8页 附图5页 CN 114330487 A 2022.04.12 CN 114330487 A 1.一种基于BIPMU的无线网络网络安全态 势评估方法， 其特 征在于， 包括下列步骤： 构建评估数据集； 将所述评估数据集划分为训练集和 测试集， 并将所述训练集输入训练模型进行训练； 将所述测试集的评估元 素输入到已训练好的训练模型， 获得态 势值； 比较所述态 势值和真实值， 验证模型有效性。 2.如权利要求1所述的基于BIPMU的无线网络网络安全态 势评估方法， 其特 征在于， 所述评估数据集由原始网络流量数据集进行初始化和预处理后， 再通过自定指标体系 构建。 3.如权利要求1所述的基于BIPMU的无线网络网络安全态 势评估方法， 其特 征在于， 所述训练模型是基于双向简约记忆单元构建的循环神经网络， 包括两个不同的简约记 忆单元。 4.如权利要求1所述的基于BIPMU的无线网络网络安全态 势评估方法， 其特 征在于， 所述训练模型进行循环训练的训练周期需要在输入时指定 。 5.如权利要求1所述的基于BIPMU的无线网络网络安全态 势评估方法， 其特 征在于， 所述态势值根据网络安全态势值的取值划分不同范围， 包括安全、 低风险、 中度风险、 高风险和紧急情况。权　利　要　求　书 1/1 页 2 CN 114330487 A 2一种基于BIPMU的无 线网络网络安全态势评估方 法 技术领域 [0001]本发明涉及网络安全技术领域， 尤其涉及一种基于BIPMU的无线网络网络安全态 势评估方法。 背景技术 [0002]目前， 网络安全态势评估(Net work security situation  assessment,NSSA)的研 究取得了很大进展。 现有的NSSA方法主要包括基于数理统计的评估方法、 基于知识推理的 评估方法和基于机器学习的评估方法。 然而， 随着无线网络技术的不断发展和网络域安全 事件的增多， 评估 数据集呈现出大规模、 高维的特点。 此外， 评估数据集往往是时序性的， 这 给现有的NS SA方法带来了挑战。 [0003]由于无线网络的快速 发展， 它们的数据通常呈现为大规模、 高维的数据。 这使得现 有的数理统计方法在应用于当前的NSSA时往往会出现大规模、 复杂的计算， 降低了评估的 准确性。 同时， 数据的庞大规模和数据的复杂性影响了专家经验的判断。 这使得知识推理方 法在应用于当前的NSSA时越发力不从心。 虽然， 传统的机器学习 方法可以在一定程度上缓 解上述问题。 然而， 随着5G时代的到来， 网络流量数据的规模呈几何级增 长。 传统的机器学 习方法在当前的NS SA中也遇 到了瓶颈。 [0004]深度神经网络对高维复杂数据具有很好的表征能力， 现有的深度神经网络NSSA方 法大多基于反向传播神经网络(Backpropagation  neuralnetwork,BPNN)方法并取得了较 好的效果。 然而， 他们没有考虑到现有的网络流量数据通常具有较高的时序性。 同时， 现有 的循环神经网络， 如门控循环单元(gatedrecurrent  unit,GRU)， 往往难以有效处理数据之 间的短期和长期潜在联系。 发明内容 [0005]本发明的目的在于提供一种基于BIPMU的无线网络网络安全态势评估方法， 旨在 改变现有基于统计分析、 知识推理和普通机器学习的方法无法有效进 行特征学习和表征的 技术问题， 更准确有效地评估当前网络状态。 [0006]为实现上述目的， 本发明提供了一种基于BIPMU的无线网络网络安全态势评估方 法， 包括下列步骤： [0007]构建评估数据集； [0008]将所述评估数据集划分为训练集和测试集， 并将所述训练集输入训练模型进行训 练； [0009]将所述测试集的评估元 素输入到已训练好的训练模型， 获得态 势值； [0010]比较所述态 势值和真实值， 验证模型有效性。 [0011]其中， 所述评估数据集由原始网络流量数据集进行初始化和预处理后， 再通过自 定指标体系构建。 [0012]所述自定指标体系一般来说是自己构建的指标体系， 可以利用AHP等方法进行构说　明　书 1/8 页 3 CN 114330487 A 3