采用智能评判的网络防御效果仿真模型研究

doi:10.3778/j.issn.1002-8331.2009.19.023

计算机工程与应用 ›› 2009, Vol. 45 ›› Issue (19): 78-80.DOI: 10.3778/j.issn.1002-8331.2009.19.023

采用智能评判的网络防御效果仿真模型研究

陶源¹,夏永恒²,刘增良³,张智南¹,郭春霞¹

1.北京科技大学信息工程学院，北京 100083
2.交通部管理干部学院计算机系，北京 101601
3.国防大学信息作战研究所，北京 100091

收稿日期:2008-04-16 修回日期:2008-06-16 出版日期:2009-07-01 发布日期:2009-07-01
通讯作者: 陶源

Simulation model of network defense effect research based on intelligent evaluation

TAO Yuan¹,XIA Yong-heng²,LIU Zeng-liang³,ZHANG Zhi-nan¹,GUO Chun-xia¹

1.School of Information Engineering，University of Science and Technology Beijing，Beijing 100083，China
2.Department of Computer Science，Beijing Communications Management Institute for Executives，Beijing 101601，China
3.Institute of Information Operation，National Defense University，Beijing 100091，China

Received:2008-04-16 Revised:2008-06-16 Online:2009-07-01 Published:2009-07-01
Contact: TAO Yuan

摘要/Abstract

摘要： 通过将网络防御分为3个层次，并结合免疫学的相关理论，提出了抗体的剪枝防御评判策略，指出在网元的抗体浓度低于零时，应将其剪枝隔离，不再将其纳入评判网络防御效果的防御体系计算范围内。在此基础上结合神经网络理论，建立了基于免疫和神经网络综合评判的智能评判网络防御效果仿真模型，根据该模型可以对网元的网络防御效果进行定性化计算研究。

关键词: 网络防御效果仿真模型, 综合评判, 免疫, 神经网络, 抗体浓度

Abstract: By dividing the network defense into 3 layers and conjunction with the relevant immunological theory，the evaluation tactic of the antibody’ pruning defense is proposed，and the phenomenon is pointed out that the network element，whose antibody concentration is low than zero，will be pruned isolation in order to avoid being incorporated into evaluation of network defense effect.The simulation model of network defense effect evaluated by intelligence，which is comprehensive evaluated by combining the theories of immunity and neural networks，is modeled based on the tactic.Qualitative defense network computing research can be done by using the model.

Key words: simulation model of network defense effect, comprehensive evaluation, immunity, neural networks, antibody concentration

陶源¹,夏永恒²,刘增良³,张智南¹,郭春霞¹. 采用智能评判的网络防御效果仿真模型研究[J]. 计算机工程与应用, 2009, 45(19): 78-80.

TAO Yuan¹,XIA Yong-heng²,LIU Zeng-liang³,ZHANG Zhi-nan¹,GUO Chun-xia¹. Simulation model of network defense effect research based on intelligent evaluation[J]. Computer Engineering and Applications, 2009, 45(19): 78-80.

[1]	许昊，张凯，田英杰，种法广，王子超. 深度神经网络图像描述综述[J]. 计算机工程与应用, 2021, 57(9): 9-22.
[2]	冉蓉，徐兴华，邱少华，崔小鹏，欧阳斌. 基于深度卷积神经网络的裂纹检测方法综述[J]. 计算机工程与应用, 2021, 57(9): 23-35.
[3]	牟清萍，张莹，张东波，王新杰，杨知桥. 目标丢失判别机制的视觉跟踪算法及应用研究[J]. 计算机工程与应用, 2021, 57(9): 140-147.
[4]	包志强，邢瑜，吕少卿，黄琼丹. 改进YOLO V2的6D目标姿态估计算法[J]. 计算机工程与应用, 2021, 57(9): 148-153.
[5]	王林，柴江云. 深度神经网络在多场景车辆属性识别中的研究[J]. 计算机工程与应用, 2021, 57(9): 162-167.
[6]	赵志焱，杨华，胡志伟，宇海萍. 基于TACNN的玉露香梨叶虫害识别[J]. 计算机工程与应用, 2021, 57(9): 176-181.
[7]	周伦钢，孙怡峰，王坤，吴疆，黄维贵，李炳龙. 目标多种多值属性的端端快速识别网络[J]. 计算机工程与应用, 2021, 57(9): 182-190.
[8]	张成，戴俊峰，熊闻心. 融合LeNet-5改进的扫描文档手写日期识别[J]. 计算机工程与应用, 2021, 57(9): 207-211.
[9]	麻哲旭，杨峰，乔旭. 铁路路基病害智能检测方法[J]. 计算机工程与应用, 2021, 57(9): 272-278.
[10]	蒋斌，钟瑞，张秋闻，张焕龙. 采用深度学习方法的非正面表情识别综述[J]. 计算机工程与应用, 2021, 57(8): 48-61.
[11]	李震霄，孙伟，刘明明，郑丽丽，陈劭颖. 交通监控场景中的车辆检测与跟踪算法研究[J]. 计算机工程与应用, 2021, 57(8): 103-111.
[12]	张越，黄友锐，刘鹏坤. 引入注意力机制的多分辨率人体姿态估计研究[J]. 计算机工程与应用, 2021, 57(8): 126-132.
[13]	李现国，冯欣欣，李建雄. 多尺度残差网络的单幅图像超分辨率重建[J]. 计算机工程与应用, 2021, 57(7): 215-221.
[14]	翟正利，李鹏辉，冯舒. 图对抗攻击研究综述[J]. 计算机工程与应用, 2021, 57(7): 14-21.
[15]	祝钧桃，姚光乐，张葛祥，李军，杨强，王胜，叶绍泽. 深度神经网络的小样本学习综述[J]. 计算机工程与应用, 2021, 57(7): 22-33.

采用智能评判的网络防御效果仿真模型研究

Simulation model of network defense effect research based on intelligent evaluation

PDF

可视化

摘要/Abstract

引用本文

使用本文

参考文献

相关文章 15

编辑推荐

Metrics