本發明涉及電力系統中網絡安全，尤其涉及一種蜜罐的網絡安全態勢預測方法及系統。
背景技術：
1、近年來，隨著攻擊手段的發展，蜜罐作為一種安全工具，在電力系統的安全防護中發揮著重要作用。蜜罐通過模擬真實系統吸引攻擊者并記錄其活動，可以幫助電力系統實現攻擊溯源、主動防御等目標，提升電力系統的整體安全性。
2、網絡安全態勢可以反映網絡的整體狀態，為網絡進行主動防御提供必要依據。網絡安全態勢感知技術是一種依賴于蜜罐收集的攻擊者行為數據進行分析，對網絡安全中的潛在威脅進行捕捉識別的技術，能夠實現對網絡環境中安全威脅的實時監測、風險預警和應急響應。
3、隨著網絡安全防御技術的不斷發展，網絡攻擊手段也在不斷演變和進步，諸如apt等類型的網絡攻擊，現代的防御體系往往難以防護，因此高效的網絡安全態勢感知方法成為研究重點，將網絡安全態勢反饋給管理員和防御體系，采取合理應對措施、告警系統升級等。
4、在公開號為cn116996279a的中國發明專利提供了一種使用灰狼算法優化支持向量機的安全態勢預測方法，通過訓練支持向量機模型輸出的多個安全態勢要素預測值融合成網絡安全態勢預測值，具有較好的預測效果和預測精度。然而面對復雜的非線性網絡安全態勢，傳統的防火墻和現有技術，均不能保證安全檢測的準確性和及時性，存在著誤報和漏報的問題。
5、因此，亟需開發一種方案改善上述問題。
技術實現思路
1、本發明的目的在于提供一種蜜罐的網絡安全態勢預測方法及系統，改善現有技術對于apt等高級攻擊手段難以保證安全檢測的準確性和及時性，和存在著安全檢測誤報和漏報的問題。
2、第一方面，本發明提供的一種蜜罐的網絡安全態勢預測方法，包括如下步驟：
3、采集并預處理蜜罐網絡安全數據得到態勢數據；所述蜜罐網絡安全數據來源于電力系統；
4、構建初始集成模型和初始加權模型，基于態勢數據訓練初始集成模型獲得集成模型和預測值；k等分所述預測值，基于k折交叉驗證對初始加權模型進行交叉訓練，平衡過擬合和預測的誤差后得到加權模型；基于多目標狼群算法優化集成模型和加權模型；
5、基于優化后的集成模型和優化后的加權模型搭建預測模型；基于預測模型輸入蜜罐運行數據得到網絡安全態勢感知值。
6、本發明提供的預測方法的有益效果在于，通過集成若干個不同核函數的核嶺回歸模型，并將預測模型設計為包含集成模型和加權模型的兩層結構，強化模型的學習能力，提高網絡安全態勢預測時的靈活性和精度。融合多個具有不同核函數的核嶺回歸模型，兼顧不同核函數的優勢，應對電力系統中復雜多樣的網絡攻擊，提高模型的靈活性和泛化能力，保證網絡安全態勢感知的準確性。通過多目標狼群算法自動選擇模型的超參數，提高模型超參數的確認速度和安全態勢預測的精度。
7、可選地，采集并預處理蜜罐網絡安全數據得到態勢數據，包括：
8、基于電力系統中蜜罐的運行數據采集蜜罐網絡安全數據；歸一化處理所述蜜罐網絡安全數據得到態勢數據；其中，所述蜜罐網絡安全數據包括：子網流量變化率、安全警報數、安全審計覆蓋率、安全設備數、漏洞利用頻率、子網關內關鍵設備平均生存時間。
9、可選地，構建初始集成模型和初始加權模型，包括：
10、初始集成模型由若干個不同核函數的核嶺回歸模型組成；初始加權模型為不同核函數加權的核嶺回歸模型；其中，核函數包括：高斯核函數、多項式核函數和雙曲正切核函數。
11、可選地，基于態勢數據訓練初始集成模型獲得集成模型和預測值，包括：
12、基于態勢數據隨機劃分為訓練集和測試集；
13、基于訓練集和測試集對初始集成模型中的若干個不同核函數的核嶺回歸模型進行訓練后集成得到集成模型；
14、基于集成模型分別對訓練集進行回歸后得到對應的回歸值，融合所述回歸值得到預測值。
15、可選地，基于所述基于k折交叉驗證對初始加權模型進行交叉訓練的過程中，所述初始加權模型采用的加權核函數為：
16、；
17、式中，為多項式核函數；為高斯核函數；和表示輸入的樣本數據；為高斯核和多項式核的權重；為控制上界的參數。
18、可選地，基于多目標狼群算法優化集成模型和加權模型的過程中，包括：
19、計算集成模型和加權模型得到的預測標簽與真實標簽之間的誤差；其中，所述誤差包括：均方誤差和平均絕對百分比誤差；
20、基于所述誤差建立關于所述集成模型和加權模型的超參數最小化問題多目標優化模型；
21、基于多目標狼群算法最小化所述誤差求解得到所述超參數；其中，所述最小化問題多目標優化模型：
22、；
23、式中，由均方誤差構建的適應度函數；由平均絕對百分比誤差構建的適應度數；表示訓練樣本數；表示真實標簽值；表示預測標簽。
24、利用均方誤差和平均絕對百分比誤差將模型的超參數構建為最小化多目標優化模型，基于兩種誤差共同約束模型的超參數，提高超參數的確認精度，間接提高模型的預測的準確率。
25、可選地，基于多目標狼群算法最小化所述誤差求解得到所述超參數的過程中，包括：
26、初始化多目標狼群算法的參數；其中，所述參數包括：種群大小、最大迭代次數、距離判定因子、步長因子和最大游走次數；
27、基于游走行為、精英引導策略和基于t分布擾動的信息交互機制最小化誤差求解得到超參數。
28、利用擁擠度距離選擇檔案中的精英解，在子組頭狼和精英解的作用下，人工狼會朝更加廣闊的區域進行探索，提高算法全局搜索能力，防止算法陷入局部最優，可以提高模型超參數的確認速度和網絡安全態勢預測的準確性。
29、利用t分布在人工狼的信息交流的過程中引入一定的隨機性和擾動，為人工狼添加自己的信息理解，防止過度交流導致人工狼之間過于相似導致算法陷入局部最優，增強算法的局部搜索能力，間接提高了系統的魯棒性和適應性。保證種群在進化過程中進行有效的信息交流，讓優良的信息在種群中傳播，重視不同個體之間的差異，保證優良信息不會流失，維護種群多樣性。
30、可選地，多目標狼群算法的游走行為包括以下步驟：
31、探狼在解空間內朝個方向進行探索，選擇個方向中快速非支配排序后等級最高的第個方向移動，重復游走行為直至其支配頭狼或達到最大游走次數。
32、第二方面，本發明提供的一種蜜罐的網絡安全態勢預測系統，包括：
33、數據采集單元，用于采集并預處理蜜罐網絡安全數據得到態勢數據；所述蜜罐網絡安全數據來源于電力系統；
34、模型訓練優化單元，用于構建初始集成模型和初始加權模型，基于態勢數據訓練初始集成模型獲得集成模型和預測值；k等分所述預測值，基于k折交叉驗證對初始加權模型進行交叉訓練，平衡過擬合和預測的誤差后得到加權模型；基于多目標狼群算法優化集成模型和加權模型；
35、模型搭建應用單元，用于基于優化后的集成模型和優化后的加權模型搭建預測模型；基于預測模型輸入蜜罐運行數據得到網絡安全態勢感知值。
36、可選地，基于優化后的集成模型和優化后的加權模型搭建預測模型，所述預測模型包括集成模型和加權模型，所述集成模型，用于將蜜罐運行數據分別進行回歸后融合得到回歸數據，所述加權模型，用于將回歸數據預測得到網絡安全態勢感知值。
37、關于第二方面的有益效果可以參見第一方面的有益效果的描述。