1.基于动态k-means聚类的神经网络态势预测方法,其特征在于,包括以下步骤:步骤1,收集某系统半年内的网络安全基础数据,数据指标即感染网络病毒主机数量,被篡改网络数,被植入后门的网络数量,安全事件报告数,仿冒页面数量,以及安全漏洞和高危漏洞数量,将网络安全基础数据取值规范在[0,1]范围内,对网络安全基础数据归一化处理,;
步骤2,对归一化后的网络安全基础数据X=[x1,x2,...,xn]T,利用动态k-means聚类算法进行聚类,确定RBF神经网络中心神经元参数Cji=[Cj1,Cj2,...,Cjn]T和个数N;
步骤3,使用归一化后的数据参与RBF神经网络训练,计算RBF神经元宽度Dj=[dj1,dj2,...,djn]并确定神经元输出zj;
步骤4,在训练过程中,对RBF神经网络的输出权值进行编码W=[w1,w2,...,wk]T,(k=1,
2,...,n),使用PSO算法得到最优权值,使网络态势预测精度提高;
步骤5,使用已训练的RBF神经网络对某月网络态势进行预测,并与当月网络态势评估值作对比,根据下述公式计算误差,MSE可以评价数据的变化程度,MSE的值越小,说明预测模型描述实验数据具有更好的精确度,式中yi表示态势评估值, 表示态势预测值。