基于AHP和ANN的內網信息安全評估方法研究

何文才，張 川，葉思水，賈新會，劉培鶴

（北京電子科技學院，北京100070）

0 引言

電子政務網絡是各級黨政機關辦公、傳遞文件和處理事件的網絡，是黨政部門提高工作效率的重要工具。電子政務內網是政務部門內部數據與辦公相結合的網絡，承擔著政務部門內部數據操作和政務事務處理等主要職能[1]。因其傳播數據的特殊性及敏感性，極易遭到不法分子的攻擊。若電子政務系統受到攻擊，其產生危害無論在波及范圍還是在危害程度上都不可估量，甚至可能威脅國家安全。《2006～2020年國家信息化發展戰略》把建設信息安全保障體系納入國家信息化發展戰略，加快信息安全保障體系建設成為推進國民經濟和社會信息化建設的重要內容[2]。結合層次分析法（AHP），構建基于改進反向傳播人工神經網絡（BP ANN）的信息安全評估模型，為電子政務內網信息安全評估提供一種評估方法，提前發現潛在風險，采取相應安全措施，提高政務內網信息安全保障水平。

1 相關工作

目前，在信息安全評估的領域，已有大量文獻提出了豐富的風險評估方法。主要分定性評估方法、定量評估方法和定性與定量相結合的評估方法三大類[3]。定性評估方法有德爾菲方法和頭腦風暴法等。定量評估方法有統計學模型、決策樹法、人工神經網絡方法、CPN方法以及ALE－based方法等。

人工神經網絡在信息安全評估方面的研究，已取得諸多成果。趙冬梅等[4]結合小波神經網絡與模糊理論，研究了基于模糊神經網絡的信息安全評估模型；申健[5]研究了網絡安全進行綜合評估方法及應用；Swarup K S和Corthis P B提出了采用神經網絡對系統進行安全評估[6]；劉海燕等[7]研究了基于神經網絡的信息系統安全性綜合評估方法；于群等[8]提出了基于BP神經網絡的網絡安全評估方法。但是針對具體的應用情況，基于ANN的信息安全評估還不夠成熟，評估體系不夠全面系統。電子政務內網信息安全評估存在非線性、復雜性和不確定性，其安全性主要受技術、管理、戰略和人才四大因素影響。人工神經網絡在處理不確定性問題時，具有以任意精度逼近任何連續的非線性函數的功能，可準確反映電子政務內網中的復雜非線性關系，實現對其信息安全性的準確評估[9]。

Saaty T L教授創立的層次分析法（AHP）是對非定量事件作定量分析的一種有效方法，該方法保證了定性科學性和定量分析的精確性，又保證了定性和定量兩類指標綜合評價的統一性[10]，適合于信息安全的綜合評估。結合分析所得的電子政務內網信息安全評估三層指標體系，構建AHP模型，對指標數據作初步分析，利用初步分析所得數據樣本，基于BP ANN構建模型，對電子政務內網進行信息安全評估。

2 電子政務內網信息安全評估的AHP模型

2.1 建立信息安全評估指標體系

信息系統的安全評估是指對由于系統本身存在的脆弱性以及外部威脅行為而對資產造成損失的潛在可能性進行分析和評估。其最終目的是通過分析發現潛在的風險，進而采取相應的措施，提高風險控制水平[7]。安全評估是保障系統信息安全的重要環節。信息安全評估是信息系統安全工程的重要組成部分，是建立信息系統安全體系的前提和基礎[11]。

電子政務內網的信息安全風險評估具有復雜性、非線性和不確定等特點，通過研究電子政務內網的安全架構，分析其安全性主要受技術、管理、戰略和人才四個重要因素影響，由此獲得對電子政務內網信息安全評估的三層指標體系[12]如圖1所示。

圖1 電子政務內網評價指標體系

2.2 構造判斷矩陣

層次分析法將復雜的問題分解為各個組成因素，將這些因素的支配關系分組形成有序的遞階層次結構，通過兩兩比較的方式確定層次中諸因素的相對重要性，然后綜合專家的判斷以決定諸因素相對重要性的總順序，其特點很適合于網絡安全的綜合評價[13]。采用層次分析法，結合網絡安全綜合評價指標體系，初步分析指標數據，得出指標體系中第二層四項因素即技術、管理、戰略、人才的評估值。

將層次結構模型中每一層的各要素，用于上一層的相關因素作為比較準則，根據重要程度相互間進行兩兩比較，形成的矩陣即為判斷矩陣。AHP采用1～9標度方法，1表示兩元素同樣重要，3、5、7、9分別表示一個元素比另一個元素稍微重要、明顯重要、強烈重要、絕對重要；2、4、6、8表示兩個相鄰奇數標度的中值[14]。如上述層次結構中B1技術因素與下一層的C1計算機軟件、C2計算機網絡、C3環境基礎設施有關，構造判斷矩陣如表1所示。同理可分別得出C4～C11對于B2、C12～C14對于B3、C15～C18對于B4之間的判斷矩陣。

表1 C1、C2、C3對于B1的判斷矩陣

2.3 計算指標權重及其一致性檢驗

對于每一個判斷矩陣A，可以對應一個特征方程AW＝λW，其中λ為A的最大特征根，W為對應于λ的特征向量。根據判斷矩陣計算本層指標的權重即求解特征方程的解向量W并歸一化的過程。最后得到歸一化后的向量，可認為是本層次各因素以上一層次因素為比較準則時，比較后的相對重要性標度即權重。和積法計算權重的計算過程如下：

（1）將判斷矩陣的每列元素作歸一化處理，其元素的一般項為式（1）

（2）將每列經歸一化后的元素按行相加得式（2）

（4）計算最大特征根λmax式（4）

得到C1計算機軟件、C2計算機網絡、C3環境基礎設施對B1技術因素的指標權重

同理可得到C4～C11、C12～C14、C15～C18分別對B2、B3、B4的指標權重。

在對同一層次上的各因素作兩兩比較時，很可能出現所用的比較尺度前后不一致的現象，當這種不一致的程度較大時可能得出錯誤的計算結果，為此，在對每一層次作單排序時，均需作一致性檢驗[15]。

將權重指標W1與C1、C2、C3元素對應相乘再求和得到的數值為B1技術因素的評估值，同理可得B2、B3、B4因素的評估值。如此，利用AHP模型，采用定性與定量相結合方法，得到評價指標體系第二層因素的評估值。

3 電子政務內網信息安全評估的BP神經網絡模型

3.1 評估模型

BP神經網絡的非線性處理能力可有效處理信息含糊、不完整、存在矛盾等復雜環境的認知判斷問題，是目前應用最廣的神經網絡評價模型[16]。BP算法屬于有監督的人工神經網絡學習算法，學習規則采用最速下降法，其主要思路是利用樣本，采用梯度搜索技術，不斷反向傳播誤差以調整網絡的閾值和權值，直至將網絡誤差訓練至最小。一般BP神經網絡有三層，其網絡結構如圖2所示。

樣本的輸入值從輸入層經隱含層逐層處理，并傳向輸出層得到輸出值。每一層神經元只影響下一層神經元的狀態，如果在輸出層不能得到期望的輸出，則轉入反向傳播，將輸出信號的誤差沿原來的連接通路返回，通過修改各層神經元的權值和閾值，使誤差降至最小[8]。

電子政務內網信息安全評估的三層BP神經網絡由輸入層、隱含層、輸出層組成。其中各層對應如下。

（1）輸入層神經元個數結合具體問題確定。因其對應電子政務內網信息安全評估指標體系的第二層，故輸入層神經元個數為4個。即技術因素、管理因素、戰略因素、人員因素。

（2）隱含層是神經網絡的中間層，位于輸入層、輸出層之間，可以為一層或多層結構，而且它也被看作是輸入模式在神經網絡中的一種內部表示。隱含層神經元個數的確定與網絡性能密切相關。如果隱含層神經元個數過少，網絡不具備充分的學習能力和信息映射能力，容錯能力也會降低；如果隱含層神經元個數過多，會導致網絡結構過于復雜，迭代次數增加，網絡容易陷入局部極小值。

隱含層神經元個數l可先由式（5）、（6）[18]之一初步確定，再通過反復訓練的方法，根據網絡實際效果增減隱含層個數，以期達到最佳網絡效果。

圖2 BP神經網絡結構

其中m，n分別為輸入層神經元數和輸出層神經元數，a為（1，10）間的自然數。

（3）輸出層神經元個數同樣結合具體問題確定。網絡輸出得到一個評估值，故輸出層神經元為1個。根據國家《信息安全技術—信息系統安全等級保護定級指南》的要求，將信息安全評估結果分為5個等級，分別代表：很安全、比較安全、安全、危險和很危險[19]。其中，每個等級表示的范圍代表網絡的實際輸出值，如表2所示。

表2 安全等級劃分

3.2 BP算法推導

BP神經網絡的執行步驟一般可以分為6步：

（1）網絡初始化，初始化的內容包括三層神經元之間的連接權值和閾值w1，w2和θ1，θ2，一般賦予權值和閾值（－1，1）間的隨機數，也可以根據經驗設定；

（2）輸入第1個學習樣本對，即學習樣本的輸入層的輸入和目標值，然后計算隱含層各神經元的輸入u式（7）和輸出h式（8），輸出層各神經元的輸入l式（9）和輸出y式（10），即

式（7）中x表示樣本的輸入值，式（8）、（10）中f一般采用Sigmoid函數，即

（4）計算連接到輸出層單元t上的權值誤差δt式（11），連接到中間層單元j上的權值誤差σj式（12）

式（11）中ot為樣本的期望值

（5）更新連接權值w2式（13）、w1式（15）和閾值θ2式（14）、θ1式（16），即

式中α，β為預設的學習速率。

（6）輸入下一個學習樣本對，返回步驟（2），直至全部訓練完畢。

4 仿真及測試

根據電子政務內網系統的實際運行狀態，BP神經網絡的輸入為由AHP模型所得4項指標，即技術、管理、戰略、人員因素評估值。BP神經網絡的輸出只有1項，即對電子政務內網的信息安全評估分值。經過反復訓練表明，當隱含層神經元個數為12時，該網絡的收斂性能最優。隱含層、輸出層神經元均采用Sigmoid傳遞函數。

圖3 BP神經網絡的訓練效果

算法用MATLAB語言實現，網絡隱含層節點數選為4，學習速率為0.05，網絡經50次訓練，收斂誤差為0.003。BP神經網絡在應用到評估之前，需要先后經過訓練和檢驗過程，訓練和檢驗過程分別利用訓練樣本和檢驗樣本。若訓練后的網絡經檢驗，得到輸出值與樣本目標值之間誤差過大，則需重新訓練網絡，調整網絡參數等初始值，直到誤差滿足要求才認為網絡有良好的評價能力。實例采用15組樣本作為學習訓練樣本，其中5組作為檢驗樣本，通過數據回放的方式對建立的BP ANN模型進行檢驗。

改進BP神經網絡模型學習訓練效果如圖3所示。圖中橫坐標為循環迭代次數，縱坐標為誤差變化，從圖中看出，網絡權值經過20次迭代調整后，誤差精度低于預先設置，誤差收斂更快且狀態更穩定，具有良好的自適應性。

采用檢驗樣本數據，對訓練后網絡模型的網絡性能進行檢驗。檢驗結果如表3所示。實際輸出安全等級與期望輸出等級一致，網絡模型實際輸出值與期望輸出值的最大相對誤差不超過3.8%。

表3 檢驗結果

可以得出，提出BP神經網絡模型具有自適應性、穩定性，誤差小且驗證結果與目標輸出相吻合。評估模型具有可行性，可適用于電子政務內網信息安全的綜合評估。

5 結束語

提出了基于AHP和BP ANN的電子政務內網系統信息安全評估模型，并采用樣本值對提出的模型進行訓練與驗證。結果表明該模型能夠反映電子政務內網系統的安全運行狀態?；谔岢龅脑u估模型，可以對電子政務內網系統進行安全評估，及時揭示電子政務內網系統中可能存在的信息安全漏洞，進而指導電子政務內網系統信息安全保障系統的設計和實施，采取相應安全措施，提高電子政務內網信息安全保障水平。

[1] 徐揚.信息安全技術在電子政務內網中的應用[D].北京：北京郵電大學計算機學院，2012.

[2] 呂欣.信息系統安全保障理論與評價指標體系[J].微電子學與計算機，2006，23（10）：10－12.

[3] 馮登國，張陽，張玉清.信息安全風險評估綜述[J].通信學報，2004，25（7）：10－18.

[4] 趙冬梅，劉金星，馬建峰.基于模糊小波神經網絡的信息安全風險評估[J].華中科技大學學報（自然科學版），2009，37（11）：43－49.

[5] 申健，夏靖波，孫昱，等.基于優化BP神經網絡算法的網絡質量評價[J].空軍工程大學學報（自然科學版），2013，14（2）：81－85.

[6] Swarup K S，Corthis P B.ANN Approach Assesses System Security[J].IEEE Computer Applications in Power，2002，15（3）：32－38.

[7] 劉海燕，王維鋒，蔡紅柳.一個基于神經網絡的信息系統安全性綜合評估模型[J].計算機工程與科學，2008，30（11）：16－18.

[8] 于群，馮玲.基于BP神經網絡的網絡安全評價方法研究[J].計算機工程與設計，2008，29（8）：1963－1966.

[9] 楊行峻，鄭君里.人工神經網絡[M]北京：高等教育出版社，1992：30－40.

[10] 莊鎖法.基于層次分析法的綜合評價模型[J].合肥工業大學學報（自然科學版），2000，23（4）：583－590.

[11] 馬蘭，楊義先.系統化的信息安全評估方法[J].計算機科學，2011，38（9）：45－49.

[12] 黃麗民，王華.網絡安全多級模糊綜合評價方法[J].遼寧工程技術大學學報，2004，23（4）：510－513.

[13] 許福永，申 健，李劍英.基于AHP和ANN的網絡安全綜合評價方法研究[J].計算機工程與應用，2005：127－129.

[14] 謝承華.AHP及其應用[J].蘭州商學院學報，2001，17（2）：79－82.

[15] 趙瑋，岳德權.AHP的算法及其比較分析[J].數學的實踐與認識，1995：25－58.

[16] 張智軍，方穎，許云濤.基于Apriori算法的水平加權關聯規則挖掘[J].計算機工程與應用，2003，39（14）：197－199.

[17] 黃繼紅.基于改進PSO的BP網絡的研究與應用[D].長沙：長沙理工大學計算機與通信工程學院，2008.

[18] 郭欣欣.人工神經網絡在住宅類房地產評估中的應用[D].北京：首都經濟貿易大學信息學院，2012.

[19] 吳志軍，王璐，史榮.基于改進BP神經網絡的ATM系統信息安全評估方法[J].通信學報，2011，32（2）：150－158.