一种二维K均值熵的网络攻击效果评估方法

摘要

本发明公开了一种利用二维熵分量的K均值聚类攻击效果评估方法。该方法首先对攻击数据进行预处理，计算具体性能指标攻击前后的熵差并利用余弦定理将其映射到二维向量空间，在反映数据本身特点的同时统一标度；然后对K均值效果分级，对预处理后的数据利用改进的K-means算法聚类，以网络攻击效果的分级特性作为启发式信息确定聚类数，通过计算二维向量空间中各数据点的欧几里德距离确定初始聚类中心，经过数轮迭代，选取使距离代价函数最小的聚类结果作为最终输出以评估攻击效果。本发明在满足批量运算效率要求的同时极大地克服了评估过程的主观性。

主权项

一种二维K均值熵的网络攻击效果评估方法，首先对攻击数据进行预处理，计算具体性能指标攻击前后的熵差并利用余弦定理将其映射到二维向量空间，在反映数据本身特点的同时统一标度；然后对K均值效果分级，对预处理后的数据利用改进的K‑means算法聚类，以网络攻击效果的分级特性作为启发式信息确定聚类数，通过计算二维向量空间中各数据点的欧几里德距离确定初始聚类中心，经过数轮迭代，选取使距离代价函数最小的聚类结果作为最终输出以评估攻击效果；其特征在于：对攻击数据进行数据预处理，假设有一组指标数据V={V₁,V_2,..., V_k,...}，攻击前后V_k的指标熵分别为H_k和H_k^’，对每个指标在计算中引入最大可能攻击效果熵对指标值规格化，根据实际熵差和理想熵差的比值来确定攻击的程度，定义攻击程度变量，将每组攻击数据描述为，其中分别表示攻击前性能熵、攻击后性能熵以及指标理想最大熵，以熵差公式计算，为攻击程度变量，且在其定义域上，是单调减函数，越小表示攻击效果越明显，在相等的情况下，实际攻击效果量高低由熵差的数值大小决定；通过以上的处理引进与熵差相关的变量可以将各攻击数据点的单一数据值映射到二维向量空间，对，以熵差的大小表示向量的长度，与x轴的夹角确定向量的方向。