基于粒子群神經網絡的農機調度網絡安全態勢評價

江 楠,蔡增玉,張建偉

(鄭州輕工業學院,鄭州 450002)

0 引言

隨著農業機械化的深入發展,農機規模作業和跨區域作業已成為趨勢,農機現有作業模式面臨著嚴峻挑戰。農機作業存在信息發布滯后及作業效率低等問題,同時缺乏有效的調度策略,造成農機資源配置不合理,制約了農機作業的健康發展。地理信息系統技術、無線通信技術和GPS定位技術的發展為解決這些問題提供了有效的支持。為了提高農機的規模化作業效率,實現農機高效率高質量的作業,農機調度網絡系統是必不可少的。由于網絡系統涉及到信息管理、無線通信和電子地圖等,其規模較大,網絡安全問題不能忽視,本次擬采用基于粒子群優化的神經網絡算法對網絡的安全態勢進行評價,以期得到更加準確和高效的安全評價。

1 農機調度網絡系統功能設計與實現

農機監控調度系統的主要功能是在農忙時節合理地安排農機的作業,以提高多農機作業的效率,并對農機的作業情況進行實時監控,以提高農機的作業質量。整個農機調度系統包括農機調度模塊、農機監控模塊、農機信息管理模型、地圖信息模塊和系統維護模塊5部分功能模塊,其主要框架結構如圖1所示。

圖1 農機調度網絡系統框架結構Fig.1 The frame structure of agricultural machinery dispatching network system

地圖子系統模塊主要提供基本的一些地圖操作功能,如地圖漫游、放大縮小、面積測量及經緯度顯示等,并將作業地塊信息保存到地圖中。農機信息管理模塊主要是負責農機、駕駛員信息的錄入和修改,以及農機實時信息的查詢,并可以處理車載終端發出的警報和反饋信息等。農機調度模塊主要負責農機的調度使用,根據收割地點和面積信息,合理地分配使用農機,并規劃農機調配路徑,保證農機能夠高效率、高質量的完成作業。

2 網絡安全評價優化模型

在傳統的網絡安全評價過程中,網絡安全項目及等級的一些權重、隸屬函數等一般需要人為確定,會造成一定的評價誤差。人工神經網絡是基于生物學中的神經網絡模擬人腦工作的一種計算模型,可以通過訓練的方式獲取經驗知識,并將這些經驗存儲在存儲器中,由于采用并行計算方式,人工神經網絡的計算處理速度較快。采用多層神經網絡不僅具有很強的分類能力,還可以實現大部分連續函數的逼近,對于網絡安全評價的海量數據處理具有重要的意義。

如圖2所示：在多層神經網絡的各層次中設置一些權重系數,可以提高設計網絡學習的準確性,對于解決復雜的數據處理問題具有重要的意義。神經網絡學習一般分為兩種：一是需要提供正確的輸出,這一組輸出的數據成為訓練樣本;二是自適應學習,按照系統環境提供的數據自發的適應性學習。目前,第一種方法比較成熟,利用安全評價誤差最小的原則,采用合理的訓練樣本數據,制定學習規則,也可以采用反向傳播的算法,即BP算法,其信號流圖如圖3所示。

圖2 多層前饋神經網絡Fig.2 Multilayer feedforward neural network

圖3 BP算法前饋網絡中的信號流Fig.3 Signal flow in the feedforward network of BP algorithm

采用前饋神經網絡其信號流共分為兩種：一種是實際的工作流,用實線表示;一種是反饋的工作流,用虛線表示。反饋工作流主要是反饋誤差值,即實際輸出和預期輸出的誤差,由輸出端反向傳播。假設第n次迭代中,輸出端的第j個單元的輸出yj(n)。yj(n)為預期輸出,則該單元的誤差信號為

ej(n)=dj(n)-yj(n)

(1)

(2)

其中,m為輸出單元的個數,假設訓練樣本總數為N個,則平均誤差的均值為

(3)

這就是多層前饋網絡學習的目標函數,學習的目的是使均方誤差達到最小。這一目標可以利用神經網絡的不斷訓練,調整各參數的權值來實現。在學習過程中,可以采用一定的學習規則,對權值進行調整,假設Wji為單元i到單元j的連接權值,則有

Δwji=-ηδj(n)yi(n)

(4)

其中,η為學習步長;yi(n)為單元i向單元j的輸入信號;δi(n)為局部梯度,正負表示梯度下降的方向。在進行復雜的網絡安全數據評價時,采用神經神經網絡算法往往容易陷入局部極值的缺陷,因此可以采用相關算法對神經網絡算法進行優化,本次采用粒子群(PSO)對算法進行優化。假設神經網絡中包含了M個優化權值,組成一個M維向量,一個神經網絡中包含一個閾值、兩個隱藏層、一個一維輸入輸出,則其連接權值分布為{W11,W12,W21,W22,WY1,WY2},令

X1=W11,X2=W12,X3=W21,X4=W22,X5=WY1,X6=WY2

(5)

則在粒子群優化過程中,可以用一個6維的向量來表示計算過程的每一個個體,即Indv={X1,X2,X3,X4,X5,X6}。此時,這些個體便是神經網絡的權值,其結構如圖4所示。

圖4 神經網絡結構示意圖Fig.4 The structure schematic diagram of neural network

在進行粒子群優化過程中,需要對訓練樣本的誤差的均方值進行計算,然后將其作為目標函數構造適應度函數,從而計算出每個個體的適應度,即

(6)

其中,tk,p為訓練樣本P在K輸出端的給定輸出,則適應度函數定義為

(7)

當目標函數值(即均方誤差)小于給定的ε→0時,算法終止。采用粒子群算法對神經網絡算法進行優化的流程如圖5所示。

圖5 神經網絡粒子群優化示意圖Fig.5 The schematic diagram of neural network particle swarm optimization

神經網絡粒子群優化的過程：首先給定初試的粒子群,將向量映射為權值,利用神經網絡訓練樣進行訓練,然后計算個體的均方差作為適應度值。當滿足要求條件時,輸出神經網絡的權值作為優化的結果使用;如果不滿足條件,則需要按照微粒群進行計算,生成新的個體微粒,重新進行計算,直到網絡安全評價的權值達到最優。

3 農機調度系統網絡安全態勢評價

在農忙時節,農機調度系統的正常運行非常關鍵,如果網絡受到攻擊或者網絡自身存在安全隱患,使網絡癱瘓,農機不能正常進行合理的調度,將會導致農機作業效率低,不能按時完成生產任務。為了保證農機調度系統的正常運行,需要對農機監控調度系統實時進行網絡安全態勢評價。為此,專門設計了農機調度監控系統,以對其網絡安全進行評價,主要由3部分組成,如圖6所示。

圖6 農機調度系統框架Fig.6 The framework of agricultural machinery dispatching system

農機監控調度系統主要由車載終端、監控服務器和客戶終端3部分組成。其中,在車載終端上集成了GPS、GPRS、中心控制器和傳感器等設備,可以實時地采集作業收割信息及農機自身作業狀態的一些信息和位置信息,通過GPRS傳送到監控中心。車載終端服務器服務器主要是進行通信,將采集的收割機實時信息發給遠程調度終端,并接收調度終端發出的控制指令,進行作業控制,數據被存儲到存儲器,用戶可以從存儲器中提取數據。客戶控制終端可以利用地理信息系統,對遠程的農機狀態和作業位置進行實時監控,然后向農機管理員發布調度信息,實現農機的作業調度。在進行農機調度網絡安全態勢評價時,可以首先利用經驗對各項指標進行測評,以物理安全為例,其量化值在[0-1],假設其測評項為4項,如防盜、防水、防火和防雷,根據各項指標信息,量化后的安全級別如表1所示。

表1 網絡安全級別Table 1 Network security level

采用粒子群優化的神經網絡算法,對海量數據進行了處理,并采用MatLab編程測試的方法,對安全等級進行了測試,其測試結果按照安全級別進行顯示,如表2所示。

表2 網絡安全級別評價結果Table 2 Evaluation results of network security level

采用粒子群優化的神經網絡算法克服了人為確定權重、隸屬函數等缺陷,各項評價指標都通過神經網絡訓練符合單指標評價標準,可以客觀公正地對網絡安全進行評價,如表3所示。

表3 安全評價速度和精度對比Table 3 Comparison of speed and precision of safety evaluation %

為了驗證粒子群神經網絡對于網絡安全態勢評價的可靠性,將其和僅適用神經網絡而不使用粒子群優化的評價方法進行了對比,由對比結果可以看出,采用粒子群優化后可以明顯地提升網絡安全態勢評價的速度和精度。

4 結論

采用神經網絡算法對農機調度網絡的數據進行安全評價,并利用粒子群算法對神經網絡算法進行了優化,從而有效提高了安全評價的效率。對網絡安全評價的算法進行了可行性和可靠性驗證,驗證結果表明：采用粒子群神經網絡算法可以成功得到網絡的安全評價等級,且采用粒子群算法后安全評價的速度和精度都有所提升,對于實現大規模網絡安全態勢評價的研究具有重要的意義。