1参数优化
以高斯核函数作为支持向量机的核函数，进而对预测模型（fx）进行优化，优化参数为ε，c和σ。基于传统形式下的支持向量机参数优化大都采用穷举法以及经验确定发和网络搜索法进行，由于经验确定发所选取的参数并不是最优参数，因此，对整个网络安全态势预测的精度较低，而以穷举法以及网络搜索为主的参数优化方法则耗时较长，增加了最优参数的查找难，故以上三种支持向量机的参数优化方法均不能满足网络安全态势预测工作具体要求[5]。为此，该文选取遗传算法对上述相关参数进行优化。遗传算法是一种以生物界的自然选择为基础的数据启发式算法，其通将生物进化的机理引入到数据计算上，进而在有效提高搜索速度的同时，也以其兼顾全局搜索能力和并行搜索能力的特点扩大了搜索范围，故本文采取遗传算法对当前支持向量机参数ε，c和σ进行优化。
2基于支持向量机算法的网络安全态势预测过程
基于支持向量机算法的网络安全态势预测主要分为四步，分别为：(1)数据收集与预处理，对能够反映当前网络安全态势预测的数据信息进行收集，并对数据收集过程中出现的数量异常以及不良数据进行处理。由前文可知，网络安全态势容易受到多种因素的影响，而不同影响因素对网络态势的影响数据也具有较大差异。但支持向量机只对处于（0，1)区间的数据最为敏感，因此，需要将相关数据转化到（0,1)区间内再对其进行具体分析。将数据转化到（0，1)之间的处理方法为：x'i=xi-xminxmax-xmin，式中网络安全态势的原始值为xi，而其态势的最大值和最小值分别用xmax和xmin表示。(2)以嵌入维和时间延迟的方法将以为网络的安全态势数据转化为多维网络下的安全态势数据。为了方便计算，该文将网络安全态势数据变化的时间延迟设为1，嵌入维则2,3...n的的顺序逐步试奏，进而确定出模型的嵌入维度。设定一维网络安全态势的预测数据组为{x1，x2，x3...xn}，则将其分别转化为多维度的网络安全态势数据，具体表示方法如下所示：当样本输入为x1，x2，x3...xm-1时，期望的输出值为xm；当样本输出值为x2，x3...xm时，期望输出值为xm+1；当样本输出值为x3，x4...xm+1时，期望输出值为xm+2，以此类推[6]。(3)分组。所谓分组是指将网络安全态势的上述数据分为训练集和测试集两部分，将处于训练集中的两组输入与输出数据分别输入到支持向量机中进行学习，并利用遗传算法对ε，c和σ等参数进行寻优，进而将所得到的最优参数带入网络安全态势预测的数学模型（fx）中，至此，最优网络安全态势模型建成。(4)利用上述得到的网络安全态势最优预测模型对(3)中测试集内的数据进行预测，并将相关的预测结果以x'i=xi-xminxmax-xmin进行转化，使预测态势值分布在（0，1)区间当中，最后，根据所计算出的网络安全态势值预测网络的运行状态。
3实例分析
3.1网络安全态势数据的选取
选取某公司互联网在2013年10月1日－10月30日的边界安全监测数据，每天对其进行4次抽取采样，则30天内共获得120个网络安全态势监测的态势值。人为规定前90个态势值为支持向量机的训练样本，后30个态势值为支持向量机的测试样本，且相关实验均在matlab7.0平台上进行。
3.2最优模型的实现
仍然设定该公司的网络安全态势数据传输的延迟时间为单位1，利用试奏法向态势数据中嵌入维数，并将嵌入维数确定为8。此时，支持向量机拥有7个输入变量和1个输入变量。以延迟时间与嵌入维度为依据对当前反应网络安全态势的数据进行重构，进而生成支持向量机的训练样本及测试样本。中的第三步，将代表训练样本的数据输入到支持向量机中进行学习，并利用遗传算法对其进行优化，并将算法的参数值设定为如下形式：进化次（代）数150，优化前的初始种群（数据）个数50，实际完成目标与训练目标的误差率为0.01，训练样本的交叉率为0.95，突变概率为0.05。
3.3利用模型进行网络安全态势的预测
由3.2可知，网络安全态势预测模型的最优参数为，ε=0.01，c=100和σ=5，将其带入预测模型当中，则预测模型便成为了最优网络安全态势预测模型。利用该模型对前50代的安全态势值进行预测分析，并描绘出态势值的预测数据特征曲线。通过分析曲线可知，所建立的网络安全态势预测模型可以有效对该公司边界安全监测数据进行预测，且相关预测数据具有较高精度。
4结论
本文通过对网络安全态势预测的概念和基本原理进行分析，进而提出了一种基于支持向量机的实时网络安全态势预测模型，并从模型构建、参数优化以及模型对网络安全态势预测的实现过程展开了深入探究。可见，未来加强对基于支持矿上机电论文向量机的实时网络安全态势预测模型的研究和应用力度，对于维护网络安全、建立良好的网络秩序具有重要的历史作用和现实意义。
作者：黄金山
