基于SOM-BP云神經網絡的計算機網絡對抗效能評估

張振坤

(湖北青年職業學院，湖北 武漢 430079)

0 引 言

近年來，隨著信息化武器不斷裝備我軍，計算機網絡對抗在信息化戰爭中的作用越來越大，對其的評估就顯的尤為重要。目前，國內學者針對計算機網絡對抗的效能和評估方法作了一些研究，提出了一些評估指標體系和評估方法，但這些方法依賴專家的經驗，隨意性、不確定性大。本文針對計算機網絡對抗效能評估，建立了評估指標體系，提出了SOM-BP云神經網絡的評估方法。該方法充分結合云模型的隨機性和模糊性，利用了神經網絡優點，使評估結果更精確、更可信，具有很強的實用性。

1 計算機網絡對抗效能評估指標體系

計算機網絡對抗[1]設計內容復雜，因素眾多，關聯性強，對其進行效能評估不能脫離其技術性的依賴，在評估方法上還是要以技術性能指標為基礎，遵循客觀性、最簡性、可測性、獨立性、完備性和一致性原則。根據計算機網絡對抗的功能、結構特點，依照計算機網絡對抗效能評估的指標選取原則，來確定計算機網絡對抗效能指標體系，如圖1所示。

圖1 計算機網絡對抗效能指標體系

2 SOM-BP云神經網絡工作原理

2.1 BP云神經網絡

李德毅教授在1995年提出的云理論[2]是定性定量不確定性轉換模型，實現定量數值與定性概念之間的不確定性轉換，其精髓為模糊性和隨機性的完美結合。人工神經網絡[3](ANN)是描述人類大腦系統一階特性的，作為一個數學模型，可以用計算機程序來模擬，也可以用電子線路來實現，是研究人工智能的一種方法。對于解決網絡對抗效能評估這一類復雜的非線性問題，BP云神經網絡有其獨特的優勢。BP云神經網絡結合了云模型與神經網絡的優點，又具有模糊性和隨機性，以及神經網絡的超強學習能力。BP云神經網絡模型有m個輸入，n個輸出，分別由輸入層、云化層、隱含層、逆云化層和輸出層共5層組成。BP云神經網絡模型如圖2所示。

圖2 BP云神經網絡結構圖

BP云神經網絡吸收了傳統BP神經網絡的學習和記憶能力及權值和閥值的概念，并將云理論的模糊性與隨機性融入其中，同時此網絡結構具有很強的實用性，也能夠滿足復雜系統多輸入多輸出的要求。

2.2 SOM-BP云神經網絡

BP云神經網絡結構如圖2所示。由于訓練樣本對于神經網絡訓練具有重要的作用，訓練樣本中是否具有代表性在很大程度上對網絡的性能有著重要影響。而在收集訓練樣本的過程中，會受到客觀因素和人為因素的影響，導致產生了一些噪聲樣本。如何從大量樣本中去除冗余信息，以少量的樣本獲得更高訓練效果，增強網絡的泛化能力,這是訓練神經網絡很重要的一步。SOM神經網絡能很好地聚類輸入樣本，選出具備代表性的樣本，增強樣本可靠性。

因此，我們建立了SOM-BP云神經網絡，從神經網絡訓練開始到得出仿真結果。先用SOM神經網絡對訓練樣本進行處理，利用處理后的樣本對BP云神經網絡進行訓練，這樣做不僅提高了訓練樣本的可靠性，而且提高了BP云神經網絡的性能。

SOM-BP云神經網絡算法步驟[4]:

(1) 根據具體使用領域要求和原始訓練數據的特點，首先要設計出合適的SOM子網結構和輸入模式；

(2) 充分利用SOM算法將輸入樣本聚集成k類(記為X1，X2，…，Xk，k位對應初步分類的類別數目，可取為SOM子網輸出層神經元數目)；

(3) 根據SOM子網的聚類結果確定指導BP云神經網絡子網分類的目標向量，用來生成BP云神經網絡的輸入樣本和輸出樣本集；

(4) 按BP云神經網絡算法訓練各個BP云神經網絡子網;

(5) 訓練過的神經網絡就是用來進行數據精確分類的組合分類模型。將待分類數據集輸入模型后，SOM神經網絡將聚集到與其相似度最大的訓練數據所在結點位置，由該結點激活相應的BP云神經網絡子網，BP云神經網絡子網以待分類數據集為輸入向量，輸出精確的結果。

SOM-BP云神經網絡算法流程圖如圖3所示。

圖3 SOM-BP云神經網絡算法流程圖

3 基于SOM-BP云神經網絡的效能評估

3.1 訓練樣本的選取及歸一化處理

以計算機網絡對抗訓練中獲取的數據為SOM-BP神經網絡輸入值，以優、良、中、差和很差為SOM-BP神經網絡的輸出。

計算機網絡對抗效能指標的原始值需經過歸一化后才能用來訓練SOM-BP神經網絡，采用線性變換的方法對原始樣本進行歸一化處理:

當指標值越大，網絡對抗效能越好時(如網絡竊聽能力)，處理公式為：

x′=(x-Imin)/(Imax-Imin)

(1)

當指標值越小，網絡對抗效能越好時(如電磁干擾程度)，處理公式為:

x′=(Imax-x)/(Imax-Imin)

(2)

式中：x表示的是原始樣本值；Imax(或Imin)分別是計算機網絡對抗對應分指標(Xi，i=1,2,…,m)最大值或最小值；x′為歸一化后的樣本值。

3.2 評估及結果分析

根據輸入模式，組合模型中的SOM神經網絡輸入層的神經元數目取為5。由于SOM神經網絡只是進行初步分類任務，不需要達到較高的網絡映射精度，因此輸出層神經元數目和訓練最大步長就可設置為較小的值。參照網絡評估的等級數，采用1×5的輸出陣列，調用Matlab神經網絡工具箱中的newsom()函數，根據訓練樣本建立SOM神經網絡，將訓練最小步長設定為1 000。

根據SOM神經網絡的輸出結果，建立5個BP云神經網絡子網(規定每個BP云神經網絡子網都含1個隱藏層，輸入神經元數目都取5，輸出神經元數目都取5，隱含層的神經元數目都取為17。取tansig和purelin分別作為隱藏層和輸出層的傳遞函數，調用Matlab神經網絡工具箱中的newff()函數建立BP云神經網絡子網。5個BP云神經網絡子網將會自動以初步分類結果中各類所包含的樣本數據作為輸入，以其網絡評估等級對應的期望向量作為訓練的輸出。

將歸一化后的樣本用于SOM-BP神經網絡的訓練，經過反復學習，指導精度滿足要求為止。對SOM-BP神經網絡評估能力進行驗證，通過檢驗樣本來檢驗模型，得出的結果與專家定性評價結果進行比較，得到結果如表1所示。從表1的數據對比來看，SOM-BP神經網絡輸出數據與專家的定性判斷對計算機網絡對抗效能評估的結果完全一致，表明利用SOM-BP神經網絡對計算機網絡對抗效能評估具有可行性，而且應用SOM-BP神經網絡進行預測比以前傳統的評估方法要更可信、更精確。

表1 SOM-BP云神經網絡與專家評價結果比較

4 結束語

隨著人工智能、5G技術的不斷發展，計算機網絡越來越重要，計算機網絡對抗伴隨著整個戰爭的全部過程，影響著一個國家的信息作戰能力。利用SOM-BP云神經網絡進行計算機網絡對抗效能評估，能克服評價中的不確定性、復雜性等問題，為科學決策提供可靠的依據。