Network security situational assessment, the core task of network security situational awareness, can obtain security situation by comprehensively analyzing various factors that affect network status. Thus, network security situational assessment can provide accurate security state evaluation and security trend prediction for users. Although plenty of network security situational assessment methods have been proposed, there are still many problems to solve. First, because of high dimensionality of input data, computational complexity in model construction could be very high. Moreover, most of the existing schemes trade computational overhead for accuracy. Second, due to the lack of centralized standard, the weights of indicators are usually determined empirically or by subjective opinions of domain expert. To solve the above problems, we propose a novel network security situation assessment method based on stack autoencoding network and back propagation neural network. In stack autoencoding network and back propagation neural network, to reduce the data storage overhead and improve computational efficiency, we use stack autoencoding network to reduce the dimensions of the indicator data. And the low-dimensional data output by hidden layer of stack autoencoding network will be the input data of the error back propagation neural network. Then, the back propagation neural network algorithm is adopted to perform network security situation assessment. Finally, extensive experiments are conducted to verify the effectiveness of the proposed method.

中文翻译：

---

一种有效的网络安全态势评估方法

网络安全态势评估是网络安全态势感知的核心任务，通过综合分析影响网络状态的各种因素，获得安全态势。因此，网络安全态势评估可以为用户提供准确的安全状态评估和安全趋势预测。尽管已经提出了大量的网络安全态势评估方法，但仍有许多问题需要解决。首先，由于输入数据的高维，模型构建的计算复杂度可能非常高。此外，大多数现有方案都以计算开销换取准确性。其次，由于缺乏集中的标准，指标的权重通常是根据经验或领域专家的主观意见来确定的。为解决以上问题，我们提出了一种基于堆栈自动编码网络和反向传播神经网络的新型网络安全态势评估方法。在堆栈自动编码网络和反向传播神经网络中，为了减少数据存储开销，提高计算效率，我们使用堆栈自动编码网络来降低指标数据的维度。而堆栈自编码网络隐藏层输出的低维数据将作为误差反向传播神经网络的输入数据。然后，采用反向传播神经网络算法进行网络安全态势评估。最后，进行了大量实验以验证所提出方法的有效性。在堆栈自动编码网络和反向传播神经网络中，为了减少数据存储开销，提高计算效率，我们使用堆栈自动编码网络来降低指标数据的维度。而堆栈自编码网络隐藏层输出的低维数据将作为误差反向传播神经网络的输入数据。然后，采用反向传播神经网络算法进行网络安全态势评估。最后，进行了大量实验以验证所提出方法的有效性。在堆栈自动编码网络和反向传播神经网络中，为了减少数据存储开销，提高计算效率，我们使用堆栈自动编码网络来降低指标数据的维度。而堆栈自编码网络隐藏层输出的低维数据将作为误差反向传播神经网络的输入数据。然后，采用反向传播神经网络算法进行网络安全态势评估。最后，进行了大量实验以验证所提出方法的有效性。而堆栈自编码网络隐藏层输出的低维数据将作为误差反向传播神经网络的输入数据。然后，采用反向传播神经网络算法进行网络安全态势评估。最后，进行了大量实验以验证所提出方法的有效性。而堆栈自编码网络隐藏层输出的低维数据将作为误差反向传播神经网络的输入数据。然后，采用反向传播神经网络算法进行网络安全态势评估。最后，进行了大量实验以验证所提出方法的有效性。