物聯網安全屬性風險評估論文范文

本站小編為你精心準備了物聯網安全屬性風險評估論文參考范文，愿這些范文能點燃您思維的火花，激發您的寫作靈感。歡迎深入閱讀并收藏。

1定性概念提升

利用云變換得到的僅是相關的原子概念，因未能關注原子云模型間存在的相應關系，由此也導致了兩個云之間易發生一些真空地帶，或模型間的距離過近，所以需要對原子概念采取概念提升，以便能獲得較粗粒度的概念，以避免所提取的定性概念無法可靠地對原始數據進行準確的描述。文中選擇距離最近的兩個正態云概念，然后將其合并成更高層次的正態云概念，最終達到概念個數能滿足指定個數的目的。研究中為了產生不合理的合并，引入了距離閾值，從而生成了一種新定性概念提升算法，即MAQC算法，具體情況如下所示:輸入。用CLOUDS來表示云變換生成的原子概念集合，利用σ來表示距離閾值。

2實驗分析

2.1概念提取安全事件的獲取可為系統提供數據支撐，也是確保物聯網安全屬性概念提取的基本前提。為了對上述提取方法的有效性進行驗證，本文進行了相關實驗。實驗數據選擇DARPA的入侵檢測數據集來實施試驗網絡的訓練，對于安全事件及日志信息的采集方面，綜合運用了多種方法，如文件方式、Syslog及SNMPTrap等。此外，還綜合應用了系統運行日志及數據庫等，在Matlab程序設計實現方面則選擇了數據的概念劃分算法。在概念提取方面選擇了屬性CPU利用率作為案例，其中涵蓋了系統運行48過程中產生的2880條數據。圖1為CPU利用率頻率分布情況，從圖中可看出，大多數時間系統的CPU利用率相對較低，但當CPU利用率達到60%以上時，隨著CPU利用率的逐漸升高，數據分布也表現出了越來越稀疏的狀態，數據分布情況和系統實際運行情況之間保持一致。借助EAQC算法對系統中CPU利用率情況采取概念提取的方式進行評估，為盡可能簡化計算，研究中假定梯形云的左右半云熵及超熵相同，借助云變換算法所得到的對應數字特征情況如表1所示。

2.2概念合并根據MAQC算法，對上述9個不確定性概念實施了合并，假設σ=2.5，則再通過兩次合并后，就可獲得5個不確定性概念，而這幾個概念所對應數字特征的具體情況如表2所示。可以看出，在最終得到的5個定性概念能夠相對準確地表現出CPU利用率的具體分布情況。同時，這些合并后的概念云中涵蓋了原子概念云的取值區間，即使在進行概念提升后的云模型概念集合無法完全客觀表現出原始數據的具體分布情況，但這些合并后的云模型概念集合相對更符合人的思維，因此可被接受并加以有效應用。其中屬性值借助逆向云發生器的作用，就能有效判斷其對概念的隸屬度，只需根據極大判別法便可得到屬性值所屬的概念，在此基礎上完成對物聯網安全要素數值型數據的有效軟化分。

3結束語

對現有的概念劃分及提升方法進行了的研究，考慮到梯形云對定性概念的表示實際上更具一般性和可利用性，故文中將梯形云引入到了物聯網安全屬性的概念劃分及概念提升中，利用云變換達到了數量型屬性概化的目的，并在此基礎上對概念合并方法做出了有效改進。實驗結果表明，利用此種概念合并方法可客觀、準確地反映出原子概念云的分布情況。

作者：楊戰武劉鵬單位：運城學院計算機科學與技術系山西省運城市氣象局網絡信息中心