基于粒子優(yōu)化神經(jīng)網(wǎng)絡(luò)的計(jì)算機(jī)網(wǎng)絡(luò)安全評(píng)估模型

遼寧省財(cái)政廳信息中心 牛 旭

1 引言

影響網(wǎng)絡(luò)安全評(píng)估的因素與評(píng)估結(jié)果表現(xiàn)為非線性關(guān)系，采用傳統(tǒng)線性評(píng)估方法不能準(zhǔn)確表達(dá)出非線性問題，傳統(tǒng)方法中由專家評(píng)估造成的主觀性，不適用于該復(fù)雜非線性問題[1,2]，而人工神經(jīng)網(wǎng)絡(luò)模型能夠?qū)Ω黜?xiàng)評(píng)估因子的權(quán)值進(jìn)行調(diào)整，捕捉各安全評(píng)估因子與評(píng)估結(jié)果之間的復(fù)雜關(guān)系從而實(shí)現(xiàn)準(zhǔn)確評(píng)估[3]。然而BP神經(jīng)網(wǎng)絡(luò)梯度下降的算法具有一定的局限性，因此本文引入了粒子群算法，利用粒子群算法對(duì)神經(jīng)網(wǎng)絡(luò)參數(shù)進(jìn)行優(yōu)化，從而彌補(bǔ)神經(jīng)網(wǎng)絡(luò)算法的不足。

2 計(jì)算機(jī)網(wǎng)絡(luò)安全評(píng)估因子框架

進(jìn)行安全評(píng)估前要先確立一個(gè)計(jì)算機(jī)網(wǎng)絡(luò)安全評(píng)估因子框架，該框架包括三個(gè)部分，每個(gè)部分包含4個(gè)因素。專家根據(jù)該評(píng)估框架確定相應(yīng)的安全評(píng)估因子并對(duì)其進(jìn)行估分，最后確定各因素對(duì)應(yīng)權(quán)重[4]。

圖1 計(jì)算機(jī)網(wǎng)絡(luò)安全評(píng)估因子框架

2.1 安全評(píng)估因子的歸一化處理

由于上述框架中描述的安全評(píng)估因子之間的標(biāo)準(zhǔn)不同，無法直接進(jìn)行各影響因素之間的衡量，因此需要對(duì)其進(jìn)行歸一化處理以便進(jìn)行后續(xù)的比較，上述安全評(píng)估因子可分為定性與定量?jī)刹糠郑ㄐ圆糠值臍w一化處理，先要有專家對(duì)各安全評(píng)估因子進(jìn)行估分然后在進(jìn)行數(shù)據(jù)歸一化；對(duì)于定量部分的歸一化可以直接利用以下公式：

2.2 計(jì)算機(jī)網(wǎng)絡(luò)安全等級(jí)設(shè)定

預(yù)設(shè)計(jì)算機(jī)網(wǎng)絡(luò)安全等級(jí)為A、B、C、D四個(gè)等級(jí)[5]，分別對(duì)應(yīng)安全、基本安全、危險(xiǎn)、重度危險(xiǎn)四種安全程度，確定安全級(jí)別的分值可設(shè)為0～1，1為安全，0為危險(xiǎn)，隨數(shù)值下降安全等級(jí)減小，相應(yīng)的級(jí)別-分值對(duì)應(yīng)關(guān)系如表1所示：

表1 網(wǎng)絡(luò)安全等級(jí)-分值對(duì)應(yīng)關(guān)系

3 計(jì)算機(jī)網(wǎng)絡(luò)安全評(píng)估模型

本文建立了一個(gè)基于粒子群優(yōu)化神經(jīng)網(wǎng)絡(luò)的安全評(píng)估模型(PSO-BPNN)，利用該模型對(duì)計(jì)算機(jī)網(wǎng)絡(luò)進(jìn)行安全評(píng)估。該模型的建立首先需要構(gòu)建了一個(gè)全面準(zhǔn)確的計(jì)算機(jī)網(wǎng)絡(luò)安全評(píng)估因子框架，然后結(jié)合BP神經(jīng)網(wǎng)絡(luò)算法和粒子群算法對(duì)神經(jīng)網(wǎng)絡(luò)的局限性缺陷進(jìn)行了優(yōu)化，最后利用優(yōu)化的BP神經(jīng)網(wǎng)絡(luò)模型對(duì)計(jì)算機(jī)網(wǎng)絡(luò)安全進(jìn)行評(píng)估，詳細(xì)評(píng)估流程如圖2所示：

圖2計(jì)算機(jī)網(wǎng)絡(luò)安全評(píng)估流程圖

4 仿真研究

本文采集50組有關(guān)數(shù)據(jù)，按照以上所述方法分別進(jìn)行了數(shù)據(jù)歸一化處理。根據(jù)神經(jīng)網(wǎng)絡(luò)算法，將前45組數(shù)據(jù)作為粒子優(yōu)化神經(jīng)網(wǎng)絡(luò)模型的訓(xùn)練組數(shù)據(jù)進(jìn)行學(xué)習(xí)，然后將后5組數(shù)據(jù)作為優(yōu)化神經(jīng)網(wǎng)絡(luò)的測(cè)試組數(shù)據(jù)進(jìn)行模型性能的測(cè)試。

將50組數(shù)據(jù)分別進(jìn)行歸一化處理，將前45組歸一化處理后的數(shù)據(jù)代入BPNN模型和PSO-BPNN模型中進(jìn)行訓(xùn)練學(xué)習(xí)。訓(xùn)練結(jié)果顯示，傳統(tǒng)的BPNN模型在迭代750次時(shí)結(jié)束，相應(yīng)誤差為0.000972，而PSO-BPNN模型在經(jīng)過505次迭代結(jié)束，誤差精度為了0.000635。當(dāng)兩種模型都完成神經(jīng)網(wǎng)絡(luò)學(xué)習(xí)后，分別輸入后5組測(cè)試組數(shù)據(jù)進(jìn)行測(cè)試，測(cè)試結(jié)果如表2所示：

表2 評(píng)估結(jié)果比較

根據(jù)上述測(cè)試和訓(xùn)練結(jié)果，采用傳統(tǒng)的BPNN模型對(duì)第47號(hào)樣本進(jìn)行測(cè)試時(shí)的安全等級(jí)結(jié)果為C級(jí)，但是其評(píng)估結(jié)果卻為0.54，根據(jù)預(yù)設(shè)的等級(jí)-分?jǐn)?shù)對(duì)應(yīng)表可知，該結(jié)果錯(cuò)誤，而采用PSOBPNN模型測(cè)試時(shí)得到的評(píng)估結(jié)果全部正確。再比較兩種模型的均方根誤差，采用BPNN模型得到的均方根誤差為0.066，該數(shù)值比由PSO－BPNN模型得到的均方根誤差0.023大得多，因此，所提優(yōu)化方法比其參比方法得到的誤差精度更好，粒子群對(duì)神經(jīng)網(wǎng)絡(luò)的優(yōu)化是成功的。

5 結(jié)論

本文結(jié)合BP神經(jīng)網(wǎng)絡(luò)算法和粒子群算法對(duì)神經(jīng)網(wǎng)絡(luò)模型進(jìn)行優(yōu)化，仿真證明，新模型能夠充分地利用BP神經(jīng)網(wǎng)絡(luò)非線性函數(shù)逼近能力強(qiáng)的特點(diǎn)和粒子群算法的尋優(yōu)能力，通過粒子群算法優(yōu)化了神經(jīng)網(wǎng)絡(luò)的參數(shù)避免其陷入局限性的方法有效可行，對(duì)比BPNN模型性能更好。