本發(fā)明涉及人工智能領(lǐng)域，具體涉及人工智能領(lǐng)域中的神經(jīng)網(wǎng)絡(luò)算法模型。

背景技術(shù)：

態(tài)勢是一種狀態(tài)，或者說是一種趨勢，或者是一個整體和全局的概念，任何單一的情況或狀態(tài)都不能稱之為態(tài)勢。網(wǎng)絡(luò)態(tài)勢感知是指在大規(guī)模網(wǎng)絡(luò)環(huán)境中，對能夠引起網(wǎng)絡(luò)態(tài)勢發(fā)生變化的安全要素進(jìn)行獲取、理解、顯示以及預(yù)測未來的發(fā)展趨同勢，對最終的決策起著關(guān)鍵作用?，F(xiàn)有的態(tài)勢預(yù)測的手段多以神經(jīng)網(wǎng)絡(luò)為主，這是因?yàn)樯窠?jīng)網(wǎng)絡(luò)尤其是徑向基神經(jīng)網(wǎng)絡(luò)具有良好的逼近性能和處理非線性數(shù)據(jù)的優(yōu)勢。

云計(jì)算平臺將大量的計(jì)算資源和存儲資源整合在一起，形成一個共享虛擬的計(jì)算資源池，為計(jì)算機(jī)用戶提供按需服務(wù)。云服務(wù)的不斷普及的同時也面臨著越來越多的性能及安全問題，例如如何保證云服務(wù)的質(zhì)量，確保網(wǎng)絡(luò)資源的高效共享提取，如何加強(qiáng)云服務(wù)的信息安全防護(hù)，確保網(wǎng)絡(luò)資源不被入侵、竊取或惡意破壞，已成為云計(jì)算發(fā)展形勢下急需解決的重要問題。

所謂云計(jì)算平臺態(tài)勢是指由云計(jì)算平臺中各種網(wǎng)絡(luò)設(shè)備運(yùn)行情況、網(wǎng)絡(luò)行為以及用戶行為等因素構(gòu)成的整個網(wǎng)絡(luò)當(dāng)前狀態(tài)和變化趨勢。為準(zhǔn)確把握云計(jì)算平臺的態(tài)勢，本發(fā)明提出了一種基于bp神經(jīng)網(wǎng)絡(luò)算法的態(tài)勢預(yù)測模型，通過網(wǎng)絡(luò)態(tài)勢分析，可以對網(wǎng)絡(luò)進(jìn)行實(shí)時的監(jiān)控，對檢測到的網(wǎng)絡(luò)狀況進(jìn)行實(shí)時響應(yīng)，對網(wǎng)絡(luò)管理員和決策者維護(hù)網(wǎng)絡(luò)正常運(yùn)行具有重大作用。

技術(shù)實(shí)現(xiàn)要素：

本發(fā)明提供一種基于神經(jīng)網(wǎng)絡(luò)算法的云計(jì)算態(tài)勢預(yù)測方法，用于對云計(jì)算平臺的性能及安全態(tài)勢預(yù)測，為決策者提供準(zhǔn)確可靠的依據(jù)，從而確保云計(jì)算平臺的運(yùn)行和服務(wù)質(zhì)量。

本發(fā)明提供的一種基于神經(jīng)網(wǎng)絡(luò)算法的云計(jì)算態(tài)勢預(yù)測方法，包括以下步驟：

s1、按照分區(qū)標(biāo)準(zhǔn)對云計(jì)算平臺進(jìn)行區(qū)域劃分，為每個區(qū)域配置對應(yīng)的區(qū)域管理器，區(qū)域管理器之間以及每臺區(qū)域管理器與云計(jì)算平臺管理器之間進(jìn)行數(shù)據(jù)共享；

s2、采集目標(biāo)區(qū)域的性能態(tài)勢數(shù)據(jù)或安全態(tài)勢數(shù)據(jù)；

s3、將采集的態(tài)勢數(shù)據(jù)輸入已完成自學(xué)習(xí)和自適應(yīng)的神經(jīng)網(wǎng)絡(luò)模型，經(jīng)過隱含層輸出相應(yīng)的態(tài)勢預(yù)測結(jié)果，將態(tài)勢預(yù)測結(jié)果發(fā)送至決策模塊；

s4、所述決策模塊經(jīng)過分析后做出判定，將判定結(jié)果作為告警信息或者區(qū)域正常信息上傳至相應(yīng)的所述區(qū)域管理器；

s5、所述區(qū)域管理器接收告警信息或區(qū)域正常信息，并將該態(tài)勢信息實(shí)時上傳至所述云計(jì)算平臺管理器與其他區(qū)域管理器，整個云計(jì)算平臺共享所有態(tài)勢信息。

步驟s1中進(jìn)行區(qū)域劃分所按照的分區(qū)標(biāo)準(zhǔn)包括按用戶種類劃分、按地域劃分、按企業(yè)劃分以及按功能劃分。

步驟s2中采集的所述性能態(tài)勢數(shù)據(jù)包括：同時在線用戶數(shù)量對云計(jì)算平臺中相應(yīng)區(qū)域穩(wěn)定性及運(yùn)行速率的影響、內(nèi)存使用率、硬盤使用狀態(tài)、多用戶系統(tǒng)的穩(wěn)定性、網(wǎng)絡(luò)傳輸速率。

步驟s2中采集的所述安全態(tài)勢數(shù)據(jù)包括：網(wǎng)絡(luò)嗅探攻擊、非授權(quán)訪問攻擊、中間人攻擊、拒絕服務(wù)攻擊、sql注入攻擊和端口掃描攻擊。

步驟s3中將采集目標(biāo)區(qū)域的性能態(tài)勢數(shù)據(jù)或安全態(tài)勢數(shù)據(jù)輸入神經(jīng)網(wǎng)絡(luò)模型之前，先通過電子數(shù)據(jù)交換平臺將采集到的多源數(shù)據(jù)進(jìn)行格式轉(zhuǎn)換，統(tǒng)一轉(zhuǎn)換成向量格式。

步驟s3中態(tài)勢預(yù)測的方法具體包括以下步驟：

s301、將要預(yù)測功能點(diǎn)的目標(biāo)區(qū)域平臺數(shù)據(jù)以向量的形式輸入神經(jīng)網(wǎng)絡(luò)模型；

s302、區(qū)域平臺預(yù)測功能點(diǎn)輸入向量在所述神經(jīng)網(wǎng)絡(luò)模型中經(jīng)過隱含層進(jìn)行算法處理；

s303、神經(jīng)網(wǎng)絡(luò)模型的輸出層輸出-1、1或r，其中r為-1到1之間任意實(shí)數(shù)，輸出分別對應(yīng)輸入預(yù)測功能點(diǎn)的不同狀態(tài)。

其中神經(jīng)網(wǎng)絡(luò)模型的自學(xué)習(xí)過程包括以下步驟：

1)初始化：給各個連接權(quán){ωij}，{υjt}及閾值{θj}，{γt}賦予(-1,+1)間的隨機(jī)值；

2)隨機(jī)選取一模式對提供給模型；

3)計(jì)算隱含層各單元的輸入輸出：

4)計(jì)算輸出層各單元的輸入輸出：

5)計(jì)算輸出層各單元的校正誤差：

6)計(jì)算隱含層各單元的校正誤差：

7)修正隱含層到輸出層的連接權(quán)和輸出層各單元的閾值：

8)修正輸入層到隱含層的連接權(quán)和隱含層各單元的閾值：

9)隨機(jī)地選取下一個學(xué)習(xí)模式提供給模型，重復(fù)從步驟2)開始，直至全部m個模式對訓(xùn)練完畢，即完成了一個訓(xùn)練周期；

計(jì)算網(wǎng)絡(luò)全局誤差函數(shù)e，若e小于預(yù)先設(shè)定的一個極小值，即網(wǎng)絡(luò)收斂；或?qū)W習(xí)回?cái)?shù)大于預(yù)先設(shè)定的值，即網(wǎng)絡(luò)無法收斂；則結(jié)束學(xué)習(xí)；否則重新從m個學(xué)習(xí)模式對中隨機(jī)地選取一個模式對，返回步驟2)。

本發(fā)明通過對云計(jì)算平臺進(jìn)行區(qū)域劃分，對所述各區(qū)域網(wǎng)絡(luò)性能及網(wǎng)絡(luò)安全情況進(jìn)行單獨(dú)態(tài)勢預(yù)測，預(yù)測結(jié)果在整個云計(jì)算平臺內(nèi)實(shí)時共享；利用已完成學(xué)習(xí)的bp神經(jīng)網(wǎng)絡(luò)模型，對所述云計(jì)算平臺相應(yīng)區(qū)域的態(tài)勢進(jìn)行預(yù)測，以提取出的態(tài)勢信息作為模型的輸入，經(jīng)過隱含層，輸出預(yù)測結(jié)果，作為告警信息或者區(qū)域正常信息發(fā)送決策模塊，經(jīng)過決策處理后作為報警信息或區(qū)域正常信息上傳至區(qū)域監(jiān)測服務(wù)器。

采用上述技術(shù)方案后，本發(fā)明具有如下優(yōu)點(diǎn)：本發(fā)明能夠有效實(shí)現(xiàn)對所述云計(jì)算平臺的性能及安全態(tài)勢預(yù)測，為所述決策者提供準(zhǔn)確可靠的依據(jù)，從而確保所述云計(jì)算平臺的運(yùn)行和服務(wù)質(zhì)量。本發(fā)明的方法不僅可以預(yù)測云計(jì)算平臺網(wǎng)絡(luò)安全態(tài)勢，還可以預(yù)測云計(jì)算平臺的性能態(tài)勢。

附圖說明

為了更清楚地說明本發(fā)明實(shí)施例中的技術(shù)方案，下面將對實(shí)施例描述中所需要使用的附圖作簡要介紹，顯而易見地，下面描述中的附圖僅僅是本發(fā)明的一些實(shí)施例，對于本領(lǐng)域的普通技術(shù)人員來講，在不付出創(chuàng)造性勞動性的前提下，還可以根據(jù)這些附圖獲得其他的附圖。

圖1為本發(fā)明方法步驟示意圖；

圖2為本發(fā)明的系統(tǒng)架構(gòu)示意圖；

圖3為本發(fā)明提供的云計(jì)算平臺神經(jīng)網(wǎng)絡(luò)算法模型學(xué)習(xí)流程圖；

圖4為本發(fā)明提供的基于神經(jīng)網(wǎng)絡(luò)算法的云計(jì)算平臺態(tài)勢預(yù)測流程圖。

具體實(shí)施方式

為了使本發(fā)明的目的、技術(shù)方案和優(yōu)點(diǎn)更加清楚，下面將結(jié)合附圖對本發(fā)明作進(jìn)一步地詳細(xì)描述，顯然，所描述的實(shí)施例僅僅是本發(fā)明一部分實(shí)施例，而不是全部的實(shí)施例?；诒景l(fā)明中的實(shí)施例，本領(lǐng)域普通技術(shù)人員在沒有做出創(chuàng)造性勞動前提下所獲得的所有其它實(shí)施例，都屬于本發(fā)明保護(hù)的范圍。

針對于現(xiàn)有技術(shù)中如何提高云計(jì)算平臺使用性能及安全性的問題，本發(fā)明主要針對于架構(gòu)的角度進(jìn)行改進(jìn)。目前云計(jì)算平臺的態(tài)勢預(yù)測更多的是對平臺安全的預(yù)測，本發(fā)明提供了一種基于神經(jīng)網(wǎng)絡(luò)算法的云計(jì)算平臺的態(tài)勢預(yù)測模型，在網(wǎng)絡(luò)安全檢測之外，也能對平臺的性能進(jìn)行態(tài)勢預(yù)測。

如圖1和圖2所示，本發(fā)明態(tài)勢預(yù)測方法包括以下步驟：

s1、按照分區(qū)標(biāo)準(zhǔn)對所述云計(jì)算平臺進(jìn)行分區(qū)，在每個平臺區(qū)域配置一個區(qū)域管理器，區(qū)域管理器用于接收態(tài)勢信息(包括告警信息和區(qū)域正常信息)。

區(qū)域管理器同時也將態(tài)勢信息實(shí)時上傳至云計(jì)算平臺管理器，并且與其它區(qū)域管理器實(shí)時共享態(tài)勢信息。分區(qū)標(biāo)準(zhǔn)包括按用戶種類劃分、按地域劃分、按企業(yè)劃分、按功能劃分。

s2、對要預(yù)測的功能點(diǎn)進(jìn)行性能或安全態(tài)勢數(shù)據(jù)采集。

s3、經(jīng)過電子數(shù)據(jù)交換平臺將采集到的態(tài)勢數(shù)據(jù)進(jìn)行格式轉(zhuǎn)換，統(tǒng)一轉(zhuǎn)換成向量格式，然后作為已經(jīng)過訓(xùn)練的神經(jīng)網(wǎng)絡(luò)算法模型的輸入，經(jīng)過隱含層(一層或多層)的運(yùn)算后，輸出準(zhǔn)確的預(yù)測態(tài)勢。

神經(jīng)網(wǎng)絡(luò)模型輸出預(yù)測信息，將輸出的信息翻譯成預(yù)測結(jié)果，并將其作為告警信息發(fā)送至決策模塊。

s4、決策模塊經(jīng)過分析后判定是否是影響性能或不安全行為，并將判定結(jié)果作為報警信息或區(qū)域正常信息經(jīng)上傳至區(qū)域管理器，

s5、數(shù)據(jù)共享交換平臺將報警信息或區(qū)域正常信息共享至整個云計(jì)算平臺。

圖3為本發(fā)明實(shí)施例提供的云計(jì)算平臺神經(jīng)網(wǎng)絡(luò)算法模型學(xué)習(xí)流程圖。

將性能態(tài)勢數(shù)據(jù)及安全態(tài)勢數(shù)據(jù)輸入bp神經(jīng)網(wǎng)絡(luò)模型；通過神經(jīng)網(wǎng)絡(luò)算法模型隱含層的迭代，輸出以向量表示的狀態(tài)值；通過將輸出向量與希望輸出的向量進(jìn)行比對，開始誤差的逆?zhèn)鞑ミ^程，進(jìn)行誤差校正，調(diào)整神經(jīng)網(wǎng)絡(luò)隱含層的連接權(quán)及閾值，反復(fù)“順序—逆序”迭代，當(dāng)誤差趨向于極小值時，即完成神經(jīng)網(wǎng)絡(luò)模型的學(xué)習(xí)。

如圖3所示，神經(jīng)網(wǎng)絡(luò)模型學(xué)習(xí)流程具體如下：

1)初始化：給各個連接權(quán){ωij}，{υjt}及閾值{θj}，{γt}賦予(-1,+1)間的隨機(jī)值；

2)隨機(jī)選取一模式對提供給模型；

3)計(jì)算隱含層各單元的輸入輸出：

4)計(jì)算輸出層各單元的輸入輸出：

5)計(jì)算輸出層各單元的校正誤差：

6)計(jì)算隱含層各單元的校正誤差：

7)修正隱含層到輸出層的連接權(quán)和輸出層各單元的閾值：

8)修正輸入層到隱含層的連接權(quán)和隱含層各單元的閾值：

9)隨機(jī)地選取下一個學(xué)習(xí)模式提供給模型，重復(fù)從步驟2)開始，直至全部m個模式對訓(xùn)練完畢，即完成了一個訓(xùn)練周期；

10)計(jì)算網(wǎng)絡(luò)全局誤差函數(shù)e，若e小于預(yù)先設(shè)定的一個極小值，即網(wǎng)絡(luò)收斂；或?qū)W習(xí)回?cái)?shù)大于預(yù)先設(shè)定的值，即網(wǎng)絡(luò)無法收斂；則結(jié)束學(xué)習(xí)。否則重新從m個學(xué)習(xí)模式對中隨機(jī)地選取一個模式對，返回步驟2)。

圖4為本發(fā)明實(shí)施例提供的基于神經(jīng)網(wǎng)絡(luò)算法的云計(jì)算平臺態(tài)勢預(yù)測流程圖。如圖4，該方法包括：

步驟301、將要預(yù)測功能點(diǎn)的區(qū)域平臺數(shù)據(jù)以向量的形式輸入神經(jīng)網(wǎng)絡(luò)模型，平臺功能點(diǎn)包括兩大類：平臺性能及網(wǎng)絡(luò)安全。平臺性能的功能點(diǎn)包括同時在線用戶數(shù)量、內(nèi)存使用率、硬盤使用狀態(tài)、系統(tǒng)穩(wěn)定性和網(wǎng)絡(luò)傳輸速率，網(wǎng)絡(luò)安全的功能點(diǎn)包括中間人攻擊、非授權(quán)訪問攻擊、sql注入攻擊、端口掃描攻擊、拒絕服務(wù)攻擊和網(wǎng)絡(luò)嗅探攻擊。

步驟302、區(qū)域平臺功能點(diǎn)輸入向量在神經(jīng)網(wǎng)絡(luò)模型中經(jīng)過隱含層(一層或多層)進(jìn)行算法處理；

步驟303、輸出-1、1或r(r為-1到1之間任意實(shí)數(shù))，輸出分別對應(yīng)輸入預(yù)測功能點(diǎn)的不同狀態(tài)：

“同時在線用戶數(shù)量”預(yù)測功能點(diǎn)：輸出“-1”表示影響系統(tǒng)穩(wěn)定性及運(yùn)行速率，“+1”表示不影響系統(tǒng)穩(wěn)定性及運(yùn)行速率；

“硬盤使用狀態(tài)”預(yù)測功能點(diǎn)：輸出“-1”表示空閑，“+1”表示不空閑，“r”表示硬盤已滿；

“內(nèi)存使用率”預(yù)測功能點(diǎn)：“-1”表示超過60％，“+1”表示未超過60％；

“多用戶系統(tǒng)穩(wěn)定性”預(yù)測功能點(diǎn)：“-1”表示系統(tǒng)不穩(wěn)定，“+1”表示系統(tǒng)穩(wěn)定；

“網(wǎng)絡(luò)傳輸速率”預(yù)測功能點(diǎn)：“-1”表示高于某值，“+1”表示不高于某值；

“網(wǎng)絡(luò)嗅探”預(yù)測功能點(diǎn)：“-1”表示存在網(wǎng)絡(luò)嗅探攻擊，“+1”表示不存在網(wǎng)絡(luò)嗅探攻擊；

“非授權(quán)訪問”預(yù)測功能點(diǎn)：“-1”表示存在非授權(quán)訪問，“+1”表示不存在非授權(quán)訪問；

“中間人攻擊”預(yù)測功能點(diǎn)，“-1”表示存在中間人攻擊，“+1”表示不存在中間人攻擊；

“sol注入攻擊”預(yù)測功能點(diǎn)：“-1”表示存在sol注入攻擊，“+1”表示不存在sol注入攻擊；

“端口掃描”預(yù)測功能點(diǎn)：“-1”表示存在端口掃描攻擊，“+1”表示不存在端口掃描攻擊；

“拒絕服務(wù)攻擊”預(yù)測功能點(diǎn)：“-1”表示存在拒絕服務(wù)攻擊，“+1”表示不存在拒絕服務(wù)攻擊。

從上述內(nèi)容可以看出，通過對云計(jì)算平臺進(jìn)行區(qū)域劃分，對各區(qū)域網(wǎng)絡(luò)性能及網(wǎng)絡(luò)安全情況進(jìn)行單獨(dú)態(tài)勢預(yù)測，預(yù)測結(jié)果在整個云計(jì)算平臺內(nèi)實(shí)時共享；利用完成學(xué)習(xí)的bp神經(jīng)網(wǎng)絡(luò)模型，對云計(jì)算平臺相應(yīng)區(qū)域的態(tài)勢進(jìn)行預(yù)測，以提取出的態(tài)勢信息作為模型的輸入，經(jīng)過隱含層，輸出所述預(yù)測結(jié)果，作為告警信息或者區(qū)域正常信息發(fā)送決策模塊，經(jīng)過決策處理后作為報警信息或區(qū)域正常信息上傳至區(qū)域監(jiān)測服務(wù)器。本發(fā)明實(shí)施例能夠有效實(shí)現(xiàn)對所述云計(jì)算平臺的性能及安全態(tài)勢預(yù)測，為所述決策者提供準(zhǔn)確可靠的依據(jù)，從而確保所述云計(jì)算平臺的運(yùn)行和服務(wù)質(zhì)量。

本領(lǐng)域內(nèi)的技術(shù)人員應(yīng)明白，本發(fā)明的實(shí)施例可提供為方法、或計(jì)算機(jī)程序產(chǎn)品。因此，本發(fā)明可采用完全硬件實(shí)施例、完全軟件實(shí)施例、或結(jié)合軟件和硬件方面的實(shí)施例的形式。而且，本發(fā)明可采用在一個或多個其中包含有計(jì)算機(jī)可用程序代碼的計(jì)算機(jī)可用存儲介質(zhì)(包括但不限于磁盤存儲器、cd-rom、光學(xué)存儲器等)上實(shí)施的計(jì)算機(jī)程序產(chǎn)品的形式。

本發(fā)明是參照根據(jù)本發(fā)明實(shí)施例的方法、設(shè)備(系統(tǒng))、和計(jì)算機(jī)程序產(chǎn)品的流程圖和/或方框圖來描述的。應(yīng)理解可由計(jì)算機(jī)程序指令實(shí)現(xiàn)流程圖和/或方框圖中的每一流程和/或方框、以及流程圖和/或方框圖中的流程和/或方框的結(jié)合?？商峁┻@些計(jì)算機(jī)程序指令到通用計(jì)算機(jī)、專用計(jì)算機(jī)、嵌入式處理機(jī)或其他可編程數(shù)據(jù)處理設(shè)備的處理器以產(chǎn)生一個機(jī)器，使得通過計(jì)算機(jī)或其他可編程數(shù)據(jù)處理設(shè)備的處理器執(zhí)行的指令產(chǎn)生用于實(shí)現(xiàn)在流程圖一個流程或多個流程和/或方框圖一個方框或多個方框中指定的功能的裝置。

這些計(jì)算機(jī)程序指令也可存儲在能引導(dǎo)計(jì)算機(jī)或其他可編程數(shù)據(jù)處理設(shè)備以特定方式工作的計(jì)算機(jī)可讀存儲器中，使得存儲在該計(jì)算機(jī)可讀存儲器中的指令產(chǎn)生包括指令裝置的制造品，該指令裝置實(shí)現(xiàn)在流程圖一個流程或多個流程和/或方框圖一個方框或多個方框中指定的功能。

這些計(jì)算機(jī)程序指令也可裝載到計(jì)算機(jī)或其他可編程數(shù)據(jù)處理設(shè)備上，使得在計(jì)算機(jī)或其他可編程設(shè)備上執(zhí)行一系列操作步驟以產(chǎn)生計(jì)算機(jī)實(shí)現(xiàn)的處理，從而在計(jì)算機(jī)或其他可編程設(shè)備上執(zhí)行的指令提供用于實(shí)現(xiàn)在流程圖一個流程或多個流程和/或方框圖一個方框或多個方框中指定的功能的步驟。

盡管已描述了本發(fā)明的優(yōu)選實(shí)施例，但本領(lǐng)域內(nèi)的技術(shù)人員一旦得知了基本創(chuàng)造性概念，則可對這些實(shí)施例作出另外的變更和修改。所以，所附權(quán)利要求意欲解釋為包括優(yōu)選實(shí)施例以及落入本發(fā)明范圍的所有變更和修改。

顯然，本領(lǐng)域的技術(shù)人員可以對本發(fā)明進(jìn)行各種改動和變型而不脫離本發(fā)明的精神和范圍。這樣，倘若本發(fā)明的這些修改和變型屬于本發(fā)明權(quán)利要求及其等同技術(shù)的范圍之內(nèi)，則本發(fā)明也意圖包含這些改動和變型在內(nèi)。