网络态势感知中的报警记录觉察研究

J4 ›› 2012, Vol. 34 ›› Issue (7): 39-45.

网络态势感知中的报警记录觉察研究

王娟1，彭静2，王灿3

(1.成都信息工程学院网络工程学院,四川成都 610225；2.成都信息工程学院教务处,四川成都 610225；
3.电子科技大学计算机科学与工程学院，四川成都 610054)

收稿日期:2011-07-24 修回日期:2011-10-09 出版日期:2012-07-25 发布日期:2012-07-25
基金资助:
成都信息工程学院科研基金资助项目(KYTZ201121)

Research on Alert Records Perception of Network Situation Awareness

WANG Juan 1,PENG Jing2,WANG Can3

(1.School of Network Engineering,Chengdu University of Information Technology,Chengdu 610225;
2.Academic Affairs Office,Chengdu University of Information Technology,Chengdu 610225;
3.School of Computer Science and Engineering,
University of Electronics Science and Technology of China,Chengdu 610054,China)

Received:2011-07-24 Revised:2011-10-09 Online:2012-07-25 Published:2012-07-25

摘要/Abstract

摘要：

网络态势感知中的报警觉察在处理粒度、规模、目标等方面均不同于传统入侵检测中的报警分析，更加侧重于人的理解。本文在现有基于相似度报警分析方法的基础上设计了一种“基于相似度的宏观网络报警觉察算法”，重新定义了报警属性相似度，将“优序对比法”引入属性权重设定，最后提出以“人的瞬时理解力”为依据的阈值选择方案。实验显示该方法能帮助网络管理人员从整体上把握网络异常的时间、范围、类型，理解网络的态势。

关键词: 网络态势感知, 报警分析, 入侵检测, 相似度

Abstract:

The alert perception of network situation awareness is different from that of the traditional intrusion detection area in particle size, scale, target, and so on. It pays more attention to human understanding. Based on the existing similarity based alert analysis method, a "similarity based macro network alert awareness algorithm" is proposed. It gives a new definition of attribute similarity, and uses an "optimal sequence method" to improve attribute weight setting. Finally, a threshold selection scheme is proposed based on human instantaneous understanding. The experimental results show that this method can help network managers get the whole awareness of network situation including the time, range, and type of network abnormality.

Key words: network situation awareness;alert analysis;intrusion detection;similarity

王娟1，彭静2，王灿3. 网络态势感知中的报警记录觉察研究[J]. J4, 2012, 34(7): 39-45.

WANG Juan 1,PENG Jing2,WANG Can3. Research on Alert Records Perception of Network Situation Awareness[J]. J4, 2012, 34(7): 39-45.

[1]	田永红, 章钧津, 宋哲煜. 结合噪声数据增强的蒙汉伪平行语料库的构造[J]. 计算机工程与科学, 2025, 47(04): 751-760.
[2]	景永俊, 王浩, 邵堃, 王晓峰. 一种基于图热核扩散卷积的网络入侵检测方法[J]. 计算机工程与科学, 2025, 47(03): 459-471.
[3]	蔡发鹏, 冯骥, 杨德刚, 陈仲尚. 基于自然邻域图划分的层次聚类算法[J]. 计算机工程与科学, 2025, 47(02): 370-380.
[4]	刘沛, 刘昌华, 林俏伶. 基于优化特征堆叠与集成学习的车联网入侵检测模型[J]. 计算机工程与科学, 2024, 46(12): 2186-2195.
[5]	徐捷, 邵玉斌, 杜庆治, 龙华, 马迪南. 结合混合特征提取与深度学习的长文本语义相似度计算[J]. 计算机工程与科学, 2024, 46(08): 1513-1520.
[6]	谭郁松, 王伟, 蹇松雷, 易超雄. 基于异常保持的弱监督学习网络入侵检测模型[J]. 计算机工程与科学, 2024, 46(05): 801-809.
[7]	贾康, 李晓楠, 李冠宇. 一种基于自适应结构感知池化图匹配的图相似度计算模型[J]. 计算机工程与科学, 2023, 45(11): 1999-2007.
[8]	陈俊彦, 卢贤涛, 黄雪锋, 卢小烨, 廖岑卉珊. 基于Double-Bagging特征降维异质集成入侵检测[J]. 计算机工程与科学, 2023, 45(06): 1011-1019.
[9]	钟昊, 陈卫东. 一般图中的最小概要表示集问题[J]. 计算机工程与科学, 2023, 45(01): 113-118.
[10]	袁野, 廖薇. 基于多重相关信息交互的文本相似度计算方法[J]. 计算机工程与科学, 2022, 44(07): 1313-1320.
[11]	陈健鹏, 陈剑, 佘祥荣, 水新莹, 陈刚. 混合神经网络模型与注意力机制的地址匹配算法[J]. 计算机工程与科学, 2022, 44(05): 901-909.
[12]	刘云, 郑文凤, 张轶. 代价约束算法对入侵检测特征提取的优化研究[J]. 计算机工程与科学, 2022, 44(03): 447-453.
[13]	徐景秀, 张青. 改进小波软阈值函数在图像去噪中的研究应用[J]. 计算机工程与科学, 2022, 44(01): 92-101.
[14]	王信, 刘晓燕, 张开琦, 王星, 严馨. 基于变更事件驱动的微服务组合平台设计与实现[J]. 计算机工程与科学, 2021, 43(10): 1781-1788.
[15]	马慧芳, 胡东林, 刘宇航, 李志欣. 融合作者合作强度与研究兴趣的合作者推荐[J]. 计算机工程与科学, 2021, 43(10): 1864-1872.