基于改进粒子群优化和极限学习机的网络安全态势预测

• 作者: 唐延强 李成海 宋亚飞
• 来源期刊: 计算机应用
• 关键词: 网络安全 态势预测 粒子群优化 极限学习机 神经网络 惯性权重
• 年，卷（期）: 2021,（3）
• 所属期刊栏目: 网络空间安全|Cyber security
• 页码范围: 768-773
• 页数: 6页
• 分类号: TP393.08
• 语种: 中文
• DOI: 10.11772/j.issn.1001-9081.2020060924

摘要

针对网络安全态势预测模型预测精度不高、收敛较慢等问题,提出了一种基于改进粒子群优化极限学习机(IPSO-ELM)算法的预测方法.首先,通过改进粒子群优化(PSO)算法中的惯性权重和学习因子来实现两种参数随着迭代次数增加的自适应调整,使PSO初期搜索范围大、速度高,后期收敛能力强、稳定.其次,针对PSO易陷入局部最优的问题,提出一种粒子停滞扰动策略,将陷入局部最优的粒子重新引导至全局最优飞行.改进粒子群优化(IPSO)算法既保证了全局寻优的能力,又对局部搜索能力有所增强.最后,将IPSO与极限学习机(ELM)结合来优化ELM的初始权值及阈值.与ELM相比,结合IPSO的ELM的预测精度提高了44.25％.实验结果表明,与PSO-ELM相比,IPSO-ELM的预测结果拟合度可达到0.99,收敛速度提升了47.43％.所提算法在预测精度和收敛速度等指标上明显优于对比算法.