基于魚群神經網絡的信息安全性評價與分析

陳卓 楊卿

【摘要】 信息安全評估是保障和維護網絡信息安全的重要環節。針對BP神經網絡技術在對信息安全進行評估時存在的收斂速度慢、不易獲得全局最優解、診斷精度低以及網絡結構不確定等缺點，而人工魚群算法具有較優的全局收斂能力及較快的尋優速度。因此，本文利用人工魚群算法對BP神經網絡的初始權值和閾值進行了優化，建立了一種新的網絡信息安全評價模型，并將該模型應用到具體的評價實例中。結果表明，人工魚群神經網絡算法具有收斂速度快及泛化能力強的優點，為信息安全評估提供一種高效、準確及可靠的方法。

【關鍵詞】 信息安全 BP神經網絡 魚群算法 評價 分析

引言

目前國內外常用的信息安全風險評價模型主要由層次分析法（AHP）、基于概率統計的ALE算法，模糊綜合評價法等，也取得了一定的研究成果。但上述算法的基本思想是基于線性映射和概率密度分布的，即各風險指標與最終評價結果之間存在著線性關系[2]。然而，這種關系的存在是否科學至今也沒有得到準確的答復，同時這些方法在實施時雖然給出了定量計算的算法，但操作較為繁瑣，難以達到快速識別的要求。目前應用較廣泛的BP神經網絡評價算法存在著網絡參數難確定、收斂速度較慢且易陷入極小值等問題。為了解決上述問題，本文應用魚群算法對BP神經網絡進行了改進，結合信息安全評價實例進行了測試，并將測試數據與標準BP神經網絡進行了比較與分析，取得了理想的結果。

一、信息安全的概念

所謂的信息安全評估指的是通過分析信息系統所包含的資產總值、識別系統本身的防御機制以及所受到的危險性系數，利用數學模型綜合判斷出系統當前的風險值。信息安全風險評估主要包括三方面的內容，分別是資產總值識別、外部威脅識別以及脆弱性識別。資產總值識別是為了識別出系統所涉及的資產總值，外部威脅識別指的是識別當前狀態下系統受攻擊或威脅的程度，而脆弱性識別指的是系統自身的脆弱性程度。其中綜合考慮外部威脅以及內部脆弱性可以得出發生風險事件的危害性，而自然總值識別再加上脆弱性識別就可以得到系統的易損性，基于上述過程可以得到信息安全系統的風險值。

二、基本BP神經網絡算法

BP神經網絡算法是一種采用誤差反向傳播的多層前饋感知器。其特點是具有分布式的信息存儲方式，能進行大規模并行處理，并具有較強的自學習及自適應能力。BP網絡由輸入層（感知單元）、計算層（隱藏層）、輸出層三部分組成。輸入層神經元首先將輸入信息向前傳遞至隱含層節點，經過激活函數預處理后，隱層節點再將輸出信息傳送至輸出層得到結果輸出。輸入層與輸出層節點的個數取決于輸入、輸出向量的維數，隱含層節點個數目前并沒有統一的標準進行參考，需通過反復試錯來確定。根據Kolmogorov定理，具有一個隱層的三層BP神經網絡能在閉集上以任意精度逼近任意非線性連續函數，所以本文選擇單隱層的BP神經網絡。

三、人工魚群算法

3.1基本原理

通過對魚類覓食的觀察可知，魚類一般能自行或者尾隨其他同伴找到食物數量相對充足的地方。因此，一般魚類數量較多的地區即為食物相對充足的區域。人工魚群算法是指通過長期對魚類覓食行為的觀察，構造人工魚來模擬魚類的覓食、群聚、尾隨以及隨機行為，從而完成全局最優值的尋找。算法所包含的基本過程如下：

覓食行為：魚類會利用視覺或嗅覺來感知水中食物濃度的高低，以此來選擇覓食的路線。

聚群行為：魚類一般會以群體形式進行覓食，以此來躲避天敵的傷害并以最大概率獲得準確的覓食路線。

尾隨行為：當群體中的某條魚或幾條魚尋找到食物后，其附近的其他同伴會立刻尾隨而來，其他更遠處的魚也會相繼游過來。

隨機行為：魚在水中的活動是不受外界支配的，基本上處于隨機狀態，這種隨機性有利于魚類更大范圍的尋找食物及同伴。

3.2 魚群算法優化BP神經網絡的原理

BP神經網絡在求解最優化問題時容易陷入局部極值，并且網絡的收斂速度較慢。魚群算法通過設定人工魚個體，模擬魚群在水中的覓食、尾隨和群聚行為，通過個體的局部尋優，最終實

現全局尋優。人工魚在不斷感知周圍環境狀況及

同伴狀態后，集結在幾個局部最優點處，而值較大的最優點附近一般會匯集較多的人工魚，這有

助于判斷并實現全局最優值的獲取。因此用人工魚群算法來優化BP神經網絡是一種合理的嘗試。

3.3 具體工作步驟

人工魚群算法用于優化神經網絡時的具體步驟如下：

①設定BP神經網絡結構，確定隱層節點數目；

②設定人工魚參數，主要包括個體間距離、有效視線范圍以及移動步長等；

③人工魚進行覓食、群聚及尾隨行為來優化BP神經網絡；

④通過設定的狀態參量，判斷是否達到目標精度；

⑤若達到精度要求則輸出網絡優化權值，并執行網絡循環，否則繼續改化參數進行優化；

⑥輸出最終優化參數并進行計算機網絡安全評價。

四、仿真實驗

將信息安全風險評估常用的3項評價指標的分值作為BP神經網絡的輸入，網絡的期望輸出只有一項，即安全綜合評價分值。目前用于信息安全風險評價的數據還很少，本文采用文獻[3]所列的15組典型信息安全單項指標評價數據，其中1-10項作為訓練，11-15項用于仿真。通過實際實驗分析，本文將權值調整參數α=0.1，閾值調整參數β=0.1，隱層神經元數目為6，學習精度ε=0.0001。網絡經過2000次訓練，收斂于所要求的誤差，人工魚群算法的相關參數： 種群大小為39；可視域為0.8；最大移動步長為0.6；擁擠度因子為3.782。然后對檢驗樣本及專家評價樣本進行仿真，結果如表1所示。可以看出，魚群神經網絡得到的仿真結果與期望值之間的平均誤差為0.001，而標準BP神經網絡為0.0052，所以魚群神經網絡的得到的仿真精度較高，取得了理想的實驗結果。

五、結論

本文將魚群算法和神經網絡結合起來對信息安全評價進行了研究，得到了如下幾個結論：

（1） 基于魚群算法優化后的BP神經網絡具有收斂速度快、擬合精度高等優點，克服了標準BP神經網絡收斂速度慢、容易陷入局部極小值的缺點。同時，優化算法編碼過程簡單，并具有較強的魯棒性。

（2） 本文采用的實驗數據僅有15個，基于魚群算法優化后的BP神經網絡精度有明顯提高，避免了由于樣本數量少造成的擬合精度低等缺點。

（3） 通過將標準BP神經網絡算法與魚群神經網絡算法進行對比發現，后者的收斂速度明顯加快并且自組織能力也有一定提高，在實際的工程建設中可以將其代替傳統的BP神經網絡算法來進行信息安全的風險評估。

參 考 文 獻

[1]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.

[2]戴群，陳松燦，王喆.一個基于自組織特征映射網絡的混合神經網絡結構[J].軟件學報，2009，20（5）：1329-1336.

[3]李道倫.基于BP神經網絡的隱式曲面構造方法[J].計算機研究與發展，2007，44（3）：467-472.