基于神經網絡的計算機網絡安全評價仿真模型分析

◆高小虎

（江蘇商貿職業學院 江蘇 226011）

基于神經網絡的計算機網絡安全評價仿真模型分析

◆高小虎

（江蘇商貿職業學院 江蘇 226011）

隨著計算機技術的不斷發展，創新了傳統文件處理及辦公自動化技術，成為以復雜內、外部網及全球互聯網為基礎的現代計算機處理業務，隨之計算機系統的連接能力也有了進一步的提高。在此背景下，網絡連接安全問題也逐漸凸顯出來，為了有效解決計算機網絡安全問題，相關專家相繼提出了多種神經元模型，具有重要作用的要數神經網絡，其常常在計算機網絡安全評價中使用。基于此，本文就以神經網絡為基礎，研究計算機網絡安全評價仿真模型。

神經網絡；網絡安全評價；仿真模型

0 引言

由于網絡技術飛快的發展，其信息系統存在較大的安全風險威脅，創建計算機網絡安全評價仿真模型，以此創建具有檢測方法及風險評估的網絡安全評價系統，確保計算機網絡信息的安全性。

1 計算機網絡安全評價體系

計算機網絡屬于較為復雜的網絡，所以要全面考慮能夠影響網絡安全的所有因素，以此才能夠使計算機網絡評價指標更加嚴謹。計算機網絡安全指標全方面的反映出了計算機的安全情況，因為不同安全指標的量綱不同，所以不能夠直接比較，為了能夠使安全指標之間能夠相互的運算和比較，所以就要對安全指標統一處理[1]，安全指標權值表示為：

xi=xi-xmin/xmax-xmin

xi表示為安全指標統一標準權值，xmax表示為第i個安全指標最大權值，xmin表示為第i個安全指標最小權值。

根據安全指標權重，可以將安全等級分為ABCD四個等級，A表示安全，B基本安全，C表示不安全，D表示非常不安全。

BP神經網絡具體來說就是以逆向誤差為基礎的一種技術，現在的神經網絡計算是在梯度下降設計的基礎上進行的，并且適當的對網絡權值和閾值進行調整，能夠降低輸出期望值及實際輸出值的誤差。為了能夠彌補BP神經網絡中的缺點，可以通過GA算法進行改善，具體步驟為：

將BP神經網絡目標向量及傳遞函數進行初始化；

根據實際需求設置粒子群的最大規模、迭代上限次數、位置及初始速度；

通過訓練集訓練BP神經網絡，對粒子的適應狀態進行評價；將BP神經網絡的慣性權值進行計算；

對粒子位置及速度及時更新，將粒子群體及個體之間的適應值差距進行保存；

根據誤差及迭代次數的上限，如果誤差超過一個，那么結束訓練，這個時候的粒子全局最優值就是神經網絡中的最優閾值及權值[2]。

2 基于神經網絡的計算機網絡安全評價仿真模型

2.1 權系值及染色體位串編碼

本節以BP神經網絡為例，計算其訓練結果，共具有四個矩陣，在設定的時候，使i表示輸入節點、k表示輸出節點、j表示隱含節點，具體表現為以下：

輸入層至隱含層的權值矩陣表示為：

W=w11,w12,...,w1j;w21,w22,...,w2j;w31,w32,...,w3j;w41,w42,...,w4j

隱含層的閾值矩陣表示為：

γ=γ1，γ2，...，γj

隱含層至輸出層的權值矩陣表示為：

V=v11,v12,...,v1j;v21,v22,...,v2j;v31,v32,...,v3j;v41,v42,...,v4j

輸出層的閾值矩陣表示為：

h=h1，h2，...，hj

為了使用GA算法優化BP神經網絡權值，首先就要優化以上矩陣，使其形成染色體串，從而編碼[3]。

2.2 自適應函數

通過GA算法優化權值首先就要設計函數，要求此函數能夠基于輸出層誤差，并且能夠評價染色體及具有自適應功能，此函數的的表達式為：

ft=1/E t=1,2,3...

2.3 神經網絡算法

初始化樣本數據，在相應的矩陣中錄入樣本數據，輸入矩陣表示為input（s=1,2，...，i），輸出數據表示為output（s=1,2，...，j）。使學習速率為α和β，使其生成染色體數據，表示為（ιs=ι，...，N），分別設定雜交概率及變異概率，雜交概率表示為 Pc，變異概率表示為Pm；

Until滿足以上條件的需求；

開始；

For istep=1 to N do；

開始；

本文中的染色體所對應的編碼得到的矩陣分別為W、γ和V；

使Z為0；

對所有樣本通過上述矩陣計算相對應的誤差及誤差總和，誤差表示為誤差綜合表示為

通過Ζ及ft=1/E，對染色體自適應函數值進行計算；

以所有染色體自適應函數值重復上述操作；

交換；

開始；

變換；

結束；

開始；

變異；

結束。

以上為GABP算法實現的具體步驟[4]。

2.4 GA算法的實現步驟

首先，對權系進行編碼。由于系統中具有96個變量，所以本文中所研究的神經網絡的權值系數在編碼的時候使用的是實數。如果是一般情況的話，在進行編碼的時候都是使用二進制。

編碼具體為：

圖1 GA算法編碼圖

σi（i=1,2，...，17）表示為單元的數量。

另外，初始化及自適應函數。GA算法的搜索最優函數表示為θc=（cij，bij），使minE=（1/2）∑（yak-yi）2，其中yak表示為期望輸出，yi表示實際輸出，以此得到各個染色體的適應度，表示為ft=（1/E）（t=1,2,3，...）[5]。

其次，選擇比例。選擇比例是在賭輪法的基礎上選擇的概率分布過程，其主要表示為：

（1）將單個染色體的適應值進行計算，適應值表示為 eval（θi）；

在羅盤轉動popsize次的時候，根據對應的方式選擇單個染色體；

之后，雜交。雜交主要有兩種方式，其一，根據遺傳算法雜交，此種方法較為簡單，類似于二進制，就是劃分浮點數；其二，根據算數雜交，就是組合兩個不同的變量。

最后，變異。本文中所研究的仿真模型使用的為均勻變異，被變異的個體要有一個良好的適應值，以此接受全新的成員，從而代替編譯之前的群體。

3 計算機網絡安全評價仿真模型的實現

本文中所研究的計算機網絡安全評價模型通過 Matlab語言進行實現，神經網絡有五個隱藏節點，將閾值系數的值調整為0.1，將權值的參數調整為0.1，通過多次訓練，其結果收斂在要求誤差的范圍之內。所以本文中的計算機網絡安全評價仿真模型是可靠有效的，實際輸出值與預期值的相對誤差小于 3.7%，安全等于與預期的值相同。

4 結束語

本文通過GA算法彌補了神經網絡中的缺點，之后淺述了以神經網絡為基礎的計算機網絡安全評價仿真模型，并且對其進行了實現。通過評價可以看出來，本文中的計算機網絡安全評價模型是可靠真實的，并且擁有優異的性能，具有一定的理論價值。

[1]溫斯琴, 王彪.基于神經網絡的計算機網絡安全評價仿真模型[J].現代電子技術, 2017.

[2]王偉.基于概率神經網絡的計算機網絡安全仿真分析[J].制造業自動化，2010.

[3]胡春.基于神經網絡的計算機網絡安全評估體系研究[J].電腦知識與技術:學術交流，2015.

[4]杜濤.基于神經網絡的計算機網絡安全評價技術[J].長春工業大學學報，2015.

[5]史望聰.神經網絡在計算機網絡安全評價中的應用分析[J].自動化與儀器儀表，2016.