基于神經網絡算法的移動云計算數據安全訪問控制辦法與實現

朱愛梅++黃毅

摘 要：文章首先從傳統技術與創新訪問控制模型兩個方面對神經網絡算法下的移動云計算數據安全訪問控制原理進行分析。在此基礎上結合不同神經網絡算法環境，重點探討移動云計算數據安全控制框架結構設計，以幫助提升系統運行中的功能可行性，提升數據信息安全使用效率。

關鍵詞：神經網絡；云計算；安全控制

中圖分類號：TP301 文獻標識碼：A

1 引言（Introduction）

傳統問題的技術應用主要是針對用戶識別所進行。確定用戶的合法身份，只有合法用戶才可以通過訪問，最終使數據訪問安全性得到保障。但在訪問過程中安全識別速度并不理想，很難滿足使用需求，尤其是風險識別方面所存在的問題，傳統技術方法中并不能從根源上進行預防[1]。用戶身份鑒定過程中同樣需要信息系統參與其中，這也是以信息為主體進行的云計算訪問。計算機網絡不斷發展，傳統技術方法對神經網絡算法的模擬形式已經不能滿足使用需求，急需一項創新技術來提升運算過程的穩定性，為安全訪問創造一個適合的運行環境。

2 訪問控制語言描述（Access control language

description）

2.1 RBAC96訪問控制模型

訪問控制模型建立中會對用戶之間的角色關系進行確定，觀察運行過程中所處環境是否對其安全性存在威脅。根據訪問請求直接進行對應數據劃分，進入到訪問控制最佳效果中[2]。安全性提升需要保障信息訪問傳輸靈活性，只有達到這一效果，所開展的各項運行關系中才不會因此受到影響，模型安全性也得到充分保障。該訪問控制模式屬于比較經典的一種類型。訪問過程中各個系統之間關系如圖1所示。各個模塊之間相互聯系并在數據傳輸中互相配合，進入到更深層次控制計劃中。角色和權限之間相互控制，圖中所表示內容僅為比較經典的部分，具體運行中還會涉及其他不同類型的使用功能。對于發展中可能會涉及的使用功能，要從綜合功能優化層面展開探討，從而達到最佳控制效果。在RBAC模型中，授權就是將這些客體的存取訪問的權限在可靠的控制下連帶角色所需要的操作一起提供給那些角色所代表的用戶[3]。通過授權的管理機制，可以給予一個角色以多個權限，而一個權限也可以賦予多個角色。RBAC1為角色分級模型，在角色域中加入了角色的繼承；RBAC2為角色限制模型，加入了約束條件；RBAC3為統一模型，是RBAC1模型和RBAC2模型的整合。RBAC經過了多年的發展，形成了一套理論體系，其優點和缺點也很明顯地顯現出來。

圖1中的關系圖建立過程中，可以根據實際使用情況有選擇性的優化，從而達到最佳使用效果，以免在數據運算和安全訪問過程中出現沖突問題。模型關系根據不同安全訪問方法會有明顯區分，基于技術方法選擇基礎上展開研究，從而達到最佳控制管理效果。

2.2 SAML應用

該語言是針對訪問用戶安全識別來進行的。用戶會針對信息群內進行一個安全性識別定義，確保所獲得的信息均在安全控制范圍內，實現授權數據安全標定，在此基礎上也可以進行更深入的安全控制選擇。語言描述直接關系到最終的控制語言應用。提升系統運行安全性，可以建立一個資源共享體系，從而達到更理想的控制管理效果。對于發展期間可能會產生的問題，充分探討其優化解決措施，在語言標定下達到最佳使用效果[4]。

2.3 SPML應用

服務供應標定語言，對用戶所選擇的服務內容進行綜合標定。在SPM端口中實現傳輸信息模式之間的相互標記，從而達到最佳使用控制效果。通過各個系統之間相互聯系并深入探究解決規劃措施，最終控制效果也能得到保障[5]。

2.4 XACML應用

目前最常用的是3.0版本，能夠應用在Web服務系統中。在XML語言控制系統下對網絡信息進行獲取，并將所獲得的信息應用在參數描述中。不同信息系統所面對的各項管理控制計劃，在這一系統幫助下才能得到最佳使用效果。聯合控制實現也需要該項聯合語言支持，可補充SAML的缺陷弊端，對未來技術功能實現也有直接幫助[6]。

3 神經網絡算法在移動云計算數據安全訪問中的

框架設計（The framework design of neural

network algorithm in mobile cloud computing

data security access）

3.1 訪問體系和框架結構

訪問安全控制功能實現需要嚴格控制其使用方向，以及不同環節中所遇到的用戶安全性問題。掌握引發風險問題的主要原因，才能更好地幫助解決問題，從而實現最終控制管理效果[7]。安全訪問控制過程中的體系框架控制如圖2所示。在此基礎上開展各個系統模塊之間的相互配合，用戶直接面對云平臺展開信息存儲計劃。當進入到平臺內部控制體系時，數據處理和運算方法也不會因此受到影響。云平臺中開展的框架結構設計主要從存儲和運算兩部分進行，分別用于信息安全管理和高效處理運算，在此幫助實現更深層次的控制管理，為各項控制計劃進行建立一個穩定的基礎環境。

對于信息保存和運算中的安全控制，框架內部包含監管和審計平臺。將所得到的計算結果直接應用到信息系統中，得出與數據請求相匹配的安全控制方案。云計算模式下安全訪問中加強數據控制，實現網絡基礎環境中各項設施的完善。

3.2 任務模式訪問控制系統

任務模式下的訪問安全控制，框架結構設計中首先要確定結構分層模式。根據不同任務處理模式來進行安全控制，才能夠發揮云計算環境下的最大運算能力。云計算中間環節建立一個RBAC模型，采用T-RBAC模式來實現全面控制計劃，為語言任務應用建立一個適合環境。框架結構設計中體現出用戶分流，均衡不同模塊之間的處理速度，從而達到最理想的控制效果。云服務器構建后幫助完善系統功能需求，也是解決現存問題的有效措施。在權限捕捉過程中詳細劃分主體和客體，使服務型可信程度得到提升。云計算任務分揀模型如圖3所示。endprint

任務分揀需要體現出不同方向，分揀后進入到數據處理模塊中，對數據安全性加以約束，增強用戶訪問中的安全控制能力。設計過程中發現影響安全性的因素后，更應該從預防角度加以解決，控制完善，從而達到最佳效果。圖3中所表示的模型圖，反映出了云計算過程的動態性。通過建立適合的工作環境，并充分體現出現場控制能力，對最終問題解決方案也有很好的聯系效果。云計算環境中所開展的各項綜合控制處理計劃，動態性直接關系到最終數據處理的安全性。分揀過程中所遇到的問題，在此配合程度下也能得到更好的優化解決。上述分揀流程中的問題處理方法，在應用過程中需要結合實際需求進行調整，以確保處理效率達到安全規定。

3.3 UCON 模型下的控制框架

移動云計算在神經網絡算法中能夠同時處理多項問題。框架設計中主要針對數字版權管理來進行，并充分探討相關問題優化措施。對于框架控制和現場各項問題補充，更應該充分探討優化措施，觀察現場是否存在消極影響，充分探討其優化方案，從而達到安全隱患的深入控制。云計算環境下所開展的控制框架控制完善，要確保在功能上不存在沖突，并選擇一種適合在移動客戶端基礎上運行使用的網絡算法。云存儲空間中所保存的結構信息，在此環境中使用最終效果也會得到明顯提升。神經網絡算法更是注重對分散數據的整合運算，在此環境中來實現綜合控制效率。系統結構框架如圖4所示。系統運行過程中各個模塊之間更應該加強配合，proof manager用于幫助實現安全控制，并在UCON新模式下來構建系統的優化措施。

圖4中的運行模式注重proof manager對整體運行功能控制形式。當發現現場存在安全隱患問題后，通過改變系統結構形式，來實現更深層次優化，避免類似影響問題繼續擴大范圍。移動云計算中的數據安全控制實現，通過這種方法來幫助提升工作任務開展積極性，從而實現控制方法與運算體系之間的相互結合。結構設計任務完成后，安全控制主要針對內部功能完善來進行，觀察是否存在可能會影響到最終控制性能的因素，并探討其解決優化措施。改變結構中各個模塊組成形式，對最終方案完善也有很大幫助。

3.4 神經網絡算法中云計算安全訪問層次優化

神經網絡算法中開展云計算安全控制，需要針對用戶群體進行層次劃分。將其控制在安全的層次范圍內，主要從行為層次與權限層次兩方面進行。對用戶的數據信息下載請求和傳輸請求加以控制，從而實現在控制能力上的提升。將用戶不同請求劃分在相關模塊中，實現對控制計劃更穩定的運算。圖5中以CCACSM模式下訪問層次結構為例，突出云計算模式下強大的信息處理技術，更應該體現出不同方案中存在的技術性問題。云計算用戶神經網絡算法相互結合，面對神經網絡中復雜的分支體系，可以同時完成多項處理運算任務，對解決最終問題也有很大促進作用。任何用戶在訪問過程中均能快速定位數據需求位置，通過網絡環境中的運算處理來達到安全控制的效果。

4 神經網絡算法下移動云計算數據安全訪問控制

檢驗（Mobile cloud computing data security

access control test in neural network algorithm）

結構框架設計完成后，可以通過軟件程序仿真來檢驗安全控制穩定性，以及系統運行中是否能對數據信息更高效處理。采用attribute-based proxy re-encryption對云計算系統中的數據軟件進行加密。軟件程序模擬后在網絡環境中運行，并模擬出網絡環境中的風險隱患對系統進行攻擊，觀察系統內的安全控制程序是否能夠達到最佳檢驗效果，發現漏洞問題及時通過技術性方法優化解決，避免類似問題繼續存在以影響系統使用安全性。設計期間的安全訪問控制制度中，更要體現出不同層次的規定和需要的服務功能。安全訪問中檢驗通過后，移動云計算才能投入使用。網絡環境中存在的風險隱患與環境有直接關系，確定影響方案并及時規劃解決，才能在神經網絡系統中提升處理速度。對運用的訪問信息進行安全控制，加密處理，以免使用中隱私數據丟失，影響到最終的數據信息安全性。檢驗所得結果可以應用在最終的系統控制中，對各個模塊運行使用安全性進行評估，從而達到最佳控制效果。基于檢驗結果開展的框架結構和程序設計優化才能達到最佳效果。上述幾種訪問模式經過檢驗后均具有安全控制能力，對系統運行效率提升也有很大幫助。但程序運行環境仍然需要繼續優化，才能應用在實際問題解決中。

5 結論（Conclusion）

通過以上論述內容可以發現，云計算環境中用戶無法控制資源，用戶和云平臺之間缺乏信任，遷移技術可能導致數據要變更安全域，多租戶技術使得訪問主體要重新界定，虛擬化技術會讓數據在同一物理設備上遭到竊取。所以，云計算給訪問控制研究提出了新的挑戰：如何發展傳統的訪問控制技術來解決新型的云計算安全問題。面對這個挑戰，學術界許多學者已經展開了云計算環境下的訪問控制技術的研究，主要研究點集中在云計算環境下訪問控制模型、基于加密機制的訪問控制、虛擬機訪問控制等方面；各大云服務提供商在構建云平臺和提供云服務的過程中也對現有的訪問控制技術進行了嘗試和實踐。本文希望從學術界和工業界兩個方面對目前云計算環境下的訪問控制技術的研究和實踐進行系統的綜述和梳理，希望能給該領域的研究者一些啟示，并對今后的研究方向做一個展望和探討

參考文獻（References）

[1] 謝麗霞，王志華.基于布谷鳥搜索優化BP神經網絡的網絡安全態勢評估方法[J].計算機應用，2017，37（7）：1926-1930.

[2] 李楚曦，樊曉椏，趙昌和，等.基于憶阻器的PIM結構實現深度卷積神經網絡近似計算[J].計算機研究與發展，2017，54（6）：

1367-1380.

[3] 易金鑫，胡曉冬，姚建華，等.基于改進BP神經網絡算法的激光相變硬化層深度的研究[J].應用激光，2017（1）：72-78.

[4] 饒小康，賈寶良，魯立.基于人工神經網絡算法的水廠混凝投藥控制系統研究與開發[J].長江科學院院報，2017，34（5）：135-140.

[5] 楊婉婧，邢洪嘉，曹建芳.基于MapReduce的GA-BP神經網絡算法并行化設計及實現[J].軟件導刊，2017，16（7）：40-44.

[6] 劉銅，李小全，王永良，等.基于改進模糊神經網絡算法的炮兵火力運用方案評估[J].指揮控制與仿真，2017，39（1）：25-29.

[7] 黃勇東，陳冬灃，肖建華，等.基于小波包分解和改進差分算法的神經網絡短期風速預測方法[J].浙江電力，2017，36（6）：1-7.

作者簡介：

朱愛梅（1977-），女，碩士，講師.研究領域：云計算，信息安全.

黃 毅（1976-），男，碩士，副教授.研究領域：信息安全.endprint