探测与控制学报Vol. 39 No. 3 Jun. 2017
2017年6月
Journal of Detection & Control
模糊动态贝叶斯网络防御态势感知模型
李晓宾,李淑珍
(江西科技学院信息工程学院,江西南昌330098)
主商要:针对态势感知模型无法准确捕捉网络系统信息变化的弊端,提出了基于模糊动态贝叶斯网络的态势
评估模型。通过对态势要素的状态进行模糊和概率化处理,构建了态势感知和态势评估两个子模型。模型归 一化各级态势要素的状态并权值相加,按值划分态势区间,推演态势等级,形成态势处置方案为网络空间防御 提供了辅助决策。将概率及观测数据输人模型中进行仿真评估,并与静态贝叶斯网络模型和基于H〇Pfleld神 经网络的评估模型进行结果对比,实验结果表明,基于模糊动态贝叶斯网络模型的评估结果综合了更多节点关 系和观测信息,在对抗中能逐渐适应对抗强度,防御水平逐渐提高,随着对抗时间的延续,能较好地反映网络防 御作战态势的变化规律,同时能有效对目标网络威胁等级进行分类,对态势结果和趋向进行准确分析预估。
关键词:动态贝叶斯网络;网络空间防御;态势感知;态势评估中图分类号:TP391.9
文献标识码:A
文章编号= 1008-1194(2017)03-0124-06
Fuzzy Dynamic Bayesian Network Defense Situation Awareness Model
LI Xiaobin, LI Shuzhen
(School of Information Engineering JiangXi University of Technology,Nanchang 330098,China)
Abstract: For situational awareness model can not accurately capture network information changes drawbacks,
a situation assessment model based on fuzzy dynamic Bias network was proposed in this paper. Two sub-models of situation awareness and situation assessment were constructed by using the fuzzy and probabilistic processing of situation factors. The state of the model was normalized at all levels of state and the weight was added. According to the value of the situation, the situation was divided, and the situation of the deduction was deduced. Probability and observation data were input to establish a model for simulation and evaluation, and with the static Bayesian network model and evaluation model based on Hopfield neural network by comparing the simulation results. Experimental results showed that: more comprehensive relationship between the nodes and observations based on information to assess the results of fuzzy dynamic Bayesian network model could gradually adapt to the confrontation against strength, and gradually increased the level of defense. With the continuation of the fight against time, which could better reflect variation combat cyber defense posture, while effectively target network threat level to classify the results and trends of the trend estimate for accurate analysis.
Key words:Dynamic Bayesian Networks; cyberspace defense; situational awareness; Posture Review
息化建设面临的首要问题。网络防御态势评估是某
〇
引言
随着网络技术的不断发展,网络攻击呈现出复 杂性和多样性,建立健全的网络防御体系是军事信
一时间段内对网络节点安全情况进行感知、分析,并以此做出评估、预警的动态过程。因此在对目标网 络进行态势评估时,需要分析网络中相关因素的相关性。*
*收稿日期=2017-01-06
基金项目:国家自然科学基金项目资助(61461029)作者简介:李晓宾(1973—),男,江西南昌人,硕士,副教授,研究方向:网络安全及路由算法。E-mail: lixiaobin_73@
yeah, net 0
李晓宾等:模糊动态贝叶斯网络防御态势感知模型125
国内外学者将不同的技术应用到网络的态势评 估中。文献[1]将支持向量机应用到网络态势评估 中;文献[2 — 4]对网络态势评估作出了新的改进。 国内的研究重点在网络态势感知模型上。文献[5] 提出了一种态势感知模型,主要对采集到的态势数 据进行集中关联分析,并根据指标体系进行预测;文 献[6]提出了一种基于自律计算的网络态势评估模 型,模型采用层次分析法和神经网络法进行预测;文 献[7]将不同态势数据进行综合分析,运用粒子群优 和事件(Event),在模型中体现出态势和事件的层次 关系,如下图2所示。
化算法进行I>S最优权值查找,可以有效识别网络 威胁;文献[8]改进传统模糊层次法,避免了数据预 处理时过分依赖专家而引起的主观问题。但当网络 传感器获得态势信息动态不确定时,一般的态势感 知模型无法准确捕捉网络系统的信息变化,以致影 响态势评估的准确性。本文针对以上问题,在借鉴 前人研究成果的基础上,提出了基于模糊动态贝叶 斯网络的态势评估模型。
1
动态贝叶斯网络及其应用
1.1动态贝叶斯网络
动态贝叶斯网络(Dynamic Bayesian Network,
DBN)是贝叶斯网络(Bayesian Network,BN)的时
序扩展,不仅具备静态贝叶斯网络的特性,还在时域 上精确体现了样本数据对网络结构的影响[9]。 DBN利用采集到的样本更新网络结构、先验分布及 条件概率,在推理过程具有前后连续性并具备融合 新知识[1°],对具有随机过程不确定性问题进行建模 分析时有较好效果,DBN的网络结构如图1所示。
图1动态贝叶斯网络结构示意图
Fig. 1 Dynamic Bayesian Network Structure
1.2动态贝叶斯网络态势评估模型
态势评估中使用两类节点代表态势(Situation)
图2动态贝叶斯网络态势评估模型
Fig. 2 Dynamic Bayesian Network Situation Assessment Model
在态势评估的动态贝叶斯网络模型中,单元素 态势节点用圆形节点表示,各节点代表特定的态势, 事件节点用方形节点表示,贝叶斯网络中各节点间
通过:态势-态势(S-S),态势-事件(S-E)、事件-事件 (E-E)这三种关系连接。
1)S-S连接
若态势节点S由相互的态势子节点&,52, &,…,、构成,它之间的相互关系可用单层树 表:
n
Tr(S) = J^Tr(Si) (1)
其中,Tr是信任函数,表示一个态势结点的置信度 为相互的子节点态势置信度之和,子态势节点 的置信度不大于父态势节点的置信度。
2 )S-E连接
S-E连接表示态势与相关事件间因果关系。若
一个事件瓦有77种状态,可用概率矩阵表示如下:
PCE, \\S)=(Pn,-•iV)T
(2)
3)E-E连接
E-E连接表示事件节点间的逻辑推理关系,若贝叶斯网络中有m个事件节点^和^个状态事件
有连接,则通过m X n|的条件概率矩阵^_表达如下:
PnPl2 ••• pinp2lP22
•••
PinPnm =PnlPnl
••• P nm其中,h I九)表示事件瓦状态为•时,事
件&状态为的概率。
126探测与控制学报
2
2.3 态势评估过程
通过态势感知模型获取的信息完成对目标网络
网络态势感知评估模型
威胁等级的评估,其态势评估过程主要包括:
2.1 网络空间态势感知模型
态势感知是态势评估的首先任务,构建态势感 知模型首先要对事件的共有态势要素形成基本的认 知™。任何信息融合系统模型都是刚性要素和柔性 要素的结合体,刚性要素是|个系统模型必有的基 本要素,而柔性要素是一个系统模型特有的要素。网 1) 事件监视。搜集与当前评估态势相关的事
情报信息线索。
2) 事件态势评估。若事件信息与已经获得的势评估符合,则继续监视;若结果不同,即出现新事
件,臟行下|步。3) 态势置信度更新。按照更新的事件态势置
络空间态势感知模型主要完成数据的采集、感知、预 测和挖掘,根据态势数据信息形成网络防御处理方 案。其过程为:首先提取网络态势评估所需的要素, 为态势推理做准备;其次分析确定事件发生的原因, 给出合理的态势评价;最后对已发生事件进行评判,
确定态势的发展趋势。图3为网络空间态势感知模 型示意图。
laoHvl
|CX
H3 1
8|asi图3 网络空间态势感知模型
Fig. 3 Cyberspace situational awareness model
2.2 态势要素分析
根据不同的网络空间环境,态势要素主要分为 不变要素和可变要素。主要包括:网络嗅探、网络预 警、网络欺骗、密码防御、应急处置、外部支援、技术 保障、网络反击等几个方面[12:。根据网络空间防御 态势构成和各要素的功能,可分为不同的态势,即侦 察态势、防御态势、敌对态势和应急态势等。不同的 态势包括不同的要素,比如,侦察态势包括网络嗅 探、网络预警,防御态势包括网络欺骗、密码防御等; 敌对态势包括网络反击等;应急态势包括应急处置 和外部支援。网络防御根据目标网络的威胁评 估等级有针对性提高防御与对抗作战。态势参数决 定了态势要素的大小,不同态势要素共同影响着所 属态势。
度分布,重新进行评估。4) 评估新态势。判断更新的态势置信度分布当前防御方案是否一致。若有冲突,则进行下一步; 否则,继续监视新事件。
5)
方案制定。按照新的态势评估结果触发所
应的的防御方案。态势评估的流程如图4所示。
情报信息
事件监视
IF态势二S
SO计划=P
防御方案
图4
态势评估流程
Fig. 4 Situation assessment process
2.4
基于动态贝叶斯网络的态势结构建立在分析各态势要素变化的基础上,量化要素参
量,综合考虑各参量的评判结果,确定态势等级。采 用层次分析法(Analytic Hierarchy Process,AHP) 建立态势要素模糊集合,基于动态贝叶斯网络的网 络防御态势结构图如图5所示。
李晓宾等:模糊动态贝叶斯网络防御态势感知模型127
图5 基于动态贝叶斯网络的网络防御态势
Fig. 5 Network Defense Situation Based on
Dynamic Bayesian Network
各级态势要素的状态在逐级归一化后权值相
加,然后进行划分。例如网络欺骗an由服务拒绝发 生率、假消息攻击发生率、利用型攻击发生率等3项 要素数据按照式(3)进行归一化:
/(xaij ) =
= yaij
( 3 )
其中,\\为网络欺骗如的3项要素观测值,x。为大 于0的一个数,' 为归一化后的数据。
将归一后的结果按照式(4)权值相加可得:
n
2 yaij • vu{xaij )= 8
⑷
其中,
)为各要素的权值,3为a
n
对应的值,多
次重复此过程可得到8的取值范围[A,&],将其划 分为不同阈值[A
,&],[&,A ],[ft
,&],对应模糊
状态集合瓦n =(欺骗度高、欺骗度中、欺骗度低)。 同理对各态势要素的描述状态构建模糊集合。2.5模型参数设立
条件概率矩阵反映了网络中关联节点间因果关 系。各态势要素的状态可推演目标网络的防御等级。
表1
目标网络态势等级条件概率矩阵
Tab. 1 Target network posture conditional probability matrixA
PiaJA)
P(«2/A)
PCas/A)
PUJA)
高中低
高中低
强一般弱
强一般弱
高0. 4 0. 2 0. 40. 4 0. 3 0. 30. 6 0. 2 0. 20. 3 0. 4 0. 3中0. 5 0. 3 0. 20. 5 0. 2 0. 30. 5 0. 2 0. 30. 3 0. 5 0. 2低0. 2 0. 2 0. 60. 4 0. 3 0. 30. 2 0. 4 0. 4
0 0. 5 0. 5
表2防御态势要素的条件概率矩阵
Tab. 2 Conditional probability matrix of
defensive situation factors
!
P (an / a\\)
P (ai2 / ai)
〇■高中低
高中低
局0. 3 0. 3 0. 40. 6 0. 2 0. 2中0. 2 0. 4 0. 40. 7 0. 2 0. 1低
0. 3 0. 2 0. 5
0. 2 0. 4 0. 4
表3侦察态势要素的条件概率矩阵
Tab. 3 Conditional probability matrix of
reconnaissance situation factors
^2
P («21 /
)P («22 / 〇■ !)
高中低
高中低
局
0. 7 0. 2 0. 10. 4 0. 2 0. 4中
0. 6 0. 3 0. 10. 7 0. 1 0. 2低
0. 2 0. 3 0. 5
0. 3 0. 4 0. 3
表4应急态势要素的条件概率矩阵
Tab. 4 Conditional probability matrix of emergency situation factors
«3
P(a3i/ a3)
P(a32/ «3 )
P(an/ «4)
高中低
强一般弱
«4 _
强一般弱
强0. 3 0. 3 0. 40. 9 0. 1 0强0. 5 0. 5 0一般0. 7 0. 2 0. 10. 2 0. 1 0. 7一般0. 4 0. 4 0. 2弱
0. 2 0. 3 0. 5
0. 2 0. 2 0. 6
弱
0 0. 3 0. 7
表5
目标网络威胁等级的状态转移概率矩阵
Tab. 5 The state transition probability matrix of
the target network threat level
A(T+1)高(T+1)中(T+1)低(T+1)
ACT)
高⑴0. 70. 20. 1
中(T)0. 2
0. 30. 5低⑴
0. 1
0. 5
0.4
3
仿真实例
某网络攻击行动中,敌方对我方形如图6的
ARPA
网络拓扑结构结构进行攻击,对该网络9个
时间片内所受的攻击威胁进行评估。
3.1仿真实验与结果分析
本文使用Matlab BN
T
工具箱中联合树推理引
擎对已构建模型进行态势推理。设定目标网络受威
128探测与控制学报
胁等级局、中、低概率的初始值为(0.33, 0.31,0.36)。网络中各节点不断更新态势信息,新的态势 信息触发网络推理算法从而更新各网络节点的状态 分布概率,以此推演最后得到父网络节点的状态概 率分布。
假设敌方对我方网络的攻击是连续的,通过传 感器实时观测防御态势,根据不同时刻得到的数据 设定观测值如表6。由表6数据可以看出,各项态 势要素随着对抗次数增多,概率分布逐渐改变并趋 于稳定,防御态势朝有利于我方的方向发展。在动 态贝叶斯网络评估模型中分别输入初始网络节点的
表6
an
T〇(0. 06,0.1,0. 84)
(0.1,0.1,0. 8)
t2t3
条件概率分布、网络状态转移概率分布以及不同时 刻观测数据,进行仿真分析,得到综合防御态势的评 估分析结果如图7所示。
态势要素观测数据
Tab. 6 Situation factor observation data
ai2
«2i
(0. 3,0. 2,0. 5)(0.2,0. 2,0. 6)(0.3,0. 3,0. 4)(0,3,0. 2,0/5)(0. 4?0. 3,0. 3)(0.3,0. 3,0. 4)(0.5,0. 3,0. 2)(0.4,0. 3,0. 3)(0.5,0. 2,0. 3)(0.4,0. 4,0. 2)(0.6,0. 2,0. 2)(0.5,0. 3,0. 2)(0. 6,0.1,0. 3)(0. 6,0. 3,0. 1)(0. 6,0. 2,0. 2)(〇. 6, a, 3,0. 1)(0. 7,0. 2,0.1)
(0. 6,0. 4,0)
(0.1,0.1,0. 8)(0. 11,0. 32,0. 56)(0.1,0. 22,0. 78)(0. 1,0.1,0.8)(0.2,0. 3,0. 5)(0. 22,0. 31,0• 47) (0. 21,0. 33,0. 46)(0.2,0. 3,0.5)
(0.3,0. 3,0. 4)
(0.25,0.3,0. 45)(0.3,0. 4.0. 2)
(0.1,G. 15,0. 75)(0.3,0. 4,0. 2)(0.1,0. 2,0. 7)(0.1,0. 3,0. 6)(0. 3,0. 6,0.1)(0.6,0. 3,0.1)(0. 7,0* 2,0.1)(0.8,0.1,0.1)
(0.4?0. 490. 2)
(0.33,0. 37,0. 3)(0. 28,0. 37,0. 45)(0.4,0. 4,0. 2)
Tj
t5t6t7t8
(0.5,0. 4,0. 1)(0.4?0. 42.0. 18)(0.31,0. 38,0.31)(0.5,0. 4,0.1)(0. 6,0. 3,:Q. 1)(0. 4,0. 47,0.13)
(0• 36,0. 4,0, 24)(0, 6,0. 3,0.1)
(0.7,0. 2,0. 1)(0. 45.0. 48,0.07)(0. 41,0.4,0. 19)(0.7,0. 2,0.1)(0.8,0. 1,0. 1)(0. 47,0. 48,0. 05) (0. 52,0. 41,0. 07)(0.8,0* 1,0.1)(0. 9,0.1,0)
(0.5,a 48,0. 02)(0.55,0.41,0.04)
(0. 9,0. 1,0)
两种模型中“高威胁”的状态概率在不断下降,“中威 胁”和“低威胁”状态概率在不断上升,其中基于模糊 动态贝叶斯网络模型中的状态变化较为平缓和稳定, 说明基于検糊动态贝叶斯网络検型在对抗中目^逐渐 适应对抗强度,防御水平逐渐提高,随着对抗时间的 延续,能较好地反映网络防御作战态势的变化规律。
图7模糊动态贝叶斯网络态势威胁等级仿真结果 Fig. 7 Fuzzy dynamic Bayesian network situation
threat level simulation results
为了对比分析动态贝叶斯网络模型和静态贝叶 斯网络模型的不同,对两种模型输入观测数据值,得 出静态贝叶斯网络模型的态势评估仿真结果如图8 所示。
对比两种模型可以看出:随着对抗时间的增加,
TO T1 T2 T3 T4 T5 T6 T7 T8
时间
图8态势威胁等级的静态贝叶斯网络仿真结果 Fig. 8 Dynamic Bayesian Network Simulation
Results of Situation Threat Level
李晓宾等:模糊动态贝叶斯网络防御态势感知模型129
3.2基于Hopfield神经网络评估对比分析
采用前面建立的动态贝叶斯网络结构的第三级 指标作为Hopfield神经网络的评估指标,选取运用
AHP
图9为使用Hopfield神经网络对评估得到的 结果,目标网络五个威胁等级分布率没有清晰明显 的区分出态势结果和趋向,而图10所反映的本文动 态贝叶斯网络评估能够进行有效的分类,将目标网 络五个威胁等级分布率清晰明显进行了区分,并给 出态势结果和趋向,从而可以对评估对象的网络空 间信息防御能力进行客观、方便、准确的评估。
法和模糊综合评价得到的成功评价数据作为
参考将各个等级样本对应的评估指标平均值作为理 想评估指标,即Hopfield神经网络存储的平衡点。 根据在理想等级评估指标编码中使用的编码规则, 对待评估分级的目标指标进行编码,对目标网络受 威胁程度进行评估,级別分别是威胁较低(I )、低 4
结论
(□)、中(遭)、高(1)、$交高(V )。利用Matlab的神 经网络函数创建并训练Hopfield网络,之后将待评 估的样本的指标的编码作为输入,进行仿真得到仿 真结果如图9所示,离散型Hopfield网络神经元的 状态有1和一1两种,将评估指标映射为神经元状 态所遵循的编码规则为:大于等于一个指定等级的 指标值时,所对应的神经元状态设为1,否则为一 1, 其中黑点表示神经元状态为1,即大于或等于对应 等级的理想评估指标值,反之则用白点表示&
样本1
样本2
样本3
样本4
样本5
图9基于Hopfiled网络的目标网络威胁等级仿真结果 Fig. 9 Simulation Results of Target Network Threat
Level Based on Hopfiled Network
图10动态贝叶斯网络样本概率矩阵的仿真结果 Fig. 10 Simulation Results of Probabilistic Matrix
of Dynamic Bayesian Network
本文提出了基于模糊动态贝叶斯网络的态势评
估模型,该模型对态势要素的状态进行模糊和概率 化处理,构建了态势感知和态势评估模型。模型对 整个网络系统的中信息变化所产生影响进行感知和 评估,为网络空间防御态势的把握和研判提供定量 分析辅助决策手段。将概率及观测数据输入模型中 进行仿真,并与静态贝叶斯网络模型和基宁
Hopfield神经网络的评估模型进行对比,实验结果 表明基于模糊动态贝叶斯网络模型的评估结果综合 了更多节点关系和观测信息,能较好地反映网络防 御作战态势随时间活动变化的客观规律。参考文献:
[1] Lu J, Yang X, Zhang G. Support vector machine-based
multi-source multi-attribute information integration for
situation assessment [J ]. Expert Systems with Application, 2007 ,34(2):
1333-1340.[2] Hoffmann R,Promel F, Capitanescu F. Situation adap
ted display of information for operating very large interconnected grids [ C ]//PowerTech, IEEE Trondheim, 2011:19-23.
[3] Cam H,Mouallem P, Mo Yilin. Modeling impact of at
tacks, recovery, and attackability conditions for situational awareness [ C ]//Cognitive Methods in Situation Awareness and Decision Support(CogSIMA) ,2014 IEEE International Inter-Disciplinary. USA: IEEE, 2014,[4] Jakobson G. Extending situation modeling with inference
of plausible future cyber situations[C]//Cognitive Methods in Situati on Awareness and Decision Support (CogSIMA) , IEEE First International Multi-Disciplinary, 2011:48-55.
[5] 贾焰,王晓伟,韩伟红,等.YHSSAS:面向大规模网络的
安全态势感知系统[H.计算机科学,2011,38(2):4-8.
(下转第135页)
唐鑫等:目标威胁评估的动态突变排序法135
标数据,则排序结果仍为目标1 >目标3 >目标5 experimental analysis [J]. Journal of Systems Engineering and Electronics, 2010, 21(3): 416-422.
评估[J].北京航空航天大学学报,2010, 36(2): 150-153.
>目标4 >目标2,没有体现出&时刻目标4的动态 变化,而采用本文的排序方法时,可以将目标信息的
动态变化过程引入到威胁评估中,使得目标4的威 胁程度得到提升,得到了更加合理的威胁排序结果。
[3] 麻士东,韩亮,龚光红,等.基于云模型的目标烕胁等级 [4] 雷英杰,王宝树,王毅.基于直觉模糊推理的烕胁评估
方法[J].电子与信息学报,2007, 29(9): 2077-2081.
[5] ZHANG H X? KANG B Y, LI Y, et al. Target threat as
4
结论
本文提出了目标威胁评估的动态突变排序方
sessment based on interval data fusion[J]. Journal of Computational Information Systems, 2012, 6(8): 2609-2616.[J1火力与指挥控制,2009, 34(9): 61-.
[7] Wang G G,Guo L H,Duan H. Wavelet neural network using multiple wavelet functions in target threat assess- ment[J]. The Scientific World Journal, 2013: 1-7.[8] Shen M X,Xu Jin, Zheng W T. Threaten assessment based on grey fixed weight cluster decision making for aerial target[J]. ASSA,2007,7(2): 218-223.
[9] Okello N,Thoms G. Threat assessment using Bayesian networks[C]//Proc. of the 6th International Conference of information Fusion, 2003: 1102-1109.
[10] 郭辉,吕英军,王平,等.基于区间支持向量机回归的
空战目标烕胁评估[J].火力与指挥控制,2014, 39
(8): 17-21.
[11] GILMORE R Catastrophe theory for scientists and en-
gineers[M]. New York, USA: Dover Publications Incorporation, 1983.
[12] 张云丰,王勇,龚本刚,等.基于突变决策方法的物流
虚拟企业选择研究[J].安黴工程大学学报,2014, 29
[6] 解亮亮,韩林.基于粗糙集的空袭目标烕胁评估排序
法。该方法采用泊松分布逆形式对时间序列进行赋 权,综合考虑了当前时刻和之前时刻的目标关联信 息;在突变理论基础上抽象出了突变排序的思想,将 目标威胁评估指标体系中下层指标对上层指标的作 用归因为控制变量对状态变量的作用,并采用归一 化公式对作用程度进行求解,依此方式由底层往上 逐层推进最终得到目标威胁评估值。实例仿真结果 表明,该模型的排序结果能够反映出来袭目标的动 态威胁态势,评估结果仅仅依赖于获取的目标数据, 极大摈弃了一些主观因素对评估结果的影响。计算 过程简洁高效,有效满足了威胁评估的实时性要求。 该排序方法充分着眼于当前目标威胁评估中存在的 问题,对于未来复杂环境下的多目标实时威胁评估 具有一定的应用价值。参考文献:
[1] Qu C W,He Y. A method of threat assessment using multiple attribute decision making[C]//Proc. of the 6th International Conference on Signal Processing, 2002 : 1091-1095.
[2] Tian M, He Y Y, Liu S F. Extension of TOPSIS for fuzzy multi-attribute decision making problem based on
(1): 27-31.
[13] 曾正,杨欢,赵荣祥.基于突变决策的分布式发电系统
电能质量综合评估[J].电力系统自动化,2011, 35
(21): 52-56.
[14] 张堃,王雪,张才坤,等.基于IFE动态直觉模糊法的
空战目标烕胁评估[J].系统工程与电子技术,2014,
36(4): 697-701.
(上接第129页)
[6] 张丹,郑瑞娟,吴庆涛,等.基于自律计算的网络安全态势
感知模型[J].计算机应用,2013,33(2):404-407.[7] 效武,王慧强,禹继国,等.基于多源融合的网络安全态势
感知模型[〗].理工大学学报(自然科学版),2012,
杂网络攻击效果研究[J].南京邮电大学学报(自然科学 版),2015,35(5) :69-70.
[10] 梁洪泉,吴巍.基于动态贝叶斯网络的可信度量模型研
究[J].通信学报,2013,34(9) :70-72.[11] 熊杰,刘湘伟,李俊.基于贝叶斯网络的态势评估算法研 究[J].现代防御技术,2009,37(5) :73-74.[12] 巴宏欣,赵宗贵,杨飞,等.态势估计-概念、内容与方
法[J].理工大学学报(自然科学版),2004,5
13(4): 403-407.
[8] 李方伟,杨绍成,朱江,等.基于模糊层次法的改进型络安
全态势评估方法[J].计算机应用,2014, 34 (9): 26222626.
[9] 李宗育,王劲松,徐晏琦,等.基于动态贝叶斯网络的复
(6): 10-14.
因篇幅问题不能全部显示,请点此查看更多更全内容
Copyright © 2019- dcrkj.com 版权所有 赣ICP备2024042791号-2
违法及侵权请联系:TEL:199 1889 7713 E-MAIL:2724546146@qq.com
本站由北京市万商天勤律师事务所王兴未律师提供法律服务