基于卷積神經網絡的智能機器人信息安全訪問控制方法

摘要：針對智能機器人接收的多樣模態訪問信息，文章提出了基于卷積神經網絡的訪問控制方法。通過量化處理圖像、文本、語音數據，引入卷積神經網絡分析“超平面”中的映射分布，確定訪問控制函數輸出。測試顯示，該方法下異常訪問對系統安全態勢影響小，參數穩定在90.0以上，顯著優于對照組，展現了可靠性方面的優勢。

關鍵詞：卷積神經網絡；信息安全訪問控制；點數據量化模態；“超平面”；數據特征；映射分布；判斷函數

中圖分類號：TP393

文獻標志碼：A

0 引言

從信息安全的角度出發，智能機器人訪問控制的核心是確保只有經過授權的實體（如用戶、其他系統或機器人自身）才能訪問資源^［1］，這通常涉及用戶名/密碼、生物識別、令牌等認證機制。在此基礎上，為每個經過認證的實體分配特定的訪問權限，利用這些權限定義實體可以執行的操作和可以訪問的資源^［2］。針對此，需要制定明確的規則，用于確定哪些實體可以訪問哪些資源以及在何種條件下進行訪問^［3］。通過這樣的方式，確保在傳輸和存儲過程中數據的機密性和完整性，防止數據被未授權訪問、篡改或泄露^［4］。

魏麗娟^［5］提出了以局域網為基礎的人工智能安全信息訪問控制方法，針對局域網環境進行特定優化，提高了訪問控制的效率和響應速度并根據局域網的特點和需求，定制了更精細的訪問控制策略，能夠在局域網范圍內，更有效地實施集中的訪問控制管理。但是當智能機器人須要跨局域網或連接到互聯網時，這種設計的擴展性在一定程度上會受到限制。隨著智能機器人和系統的變化，可能須要頻繁更新和調整訪問控制策略，從而增加了管理復雜度。林奕夫等^［6］提出了以零信任安全模型為基礎的數據訪問控制方法，其秉持最小權限原則，只授予必要的訪問權限，降低了潛在的安全風險，對于已經認證的實體，也會持續驗證其身份和權限，增強了安全性。借助零信任模型，可以在不依賴于特定的網絡結構或環境的基礎上，更好地適應不同應用場景。但是零信任模型在應用階段涉及更多驗證和授權步驟，會增加系統的復雜性和管理難度。過于嚴格的訪問控制可能會影響用戶的體驗，須要進一步在安全性和便利性之間找到平衡。

綜上所述，本文提出了基于卷積神經網絡的智能機器人信息安全訪問控制方法研究。

1 智能機器人信息安全訪問控制方法設計

1.1 智能機器人信息訪問控制問題定義

為了確保能夠高效、準確地對機器人的信息訪問進行處理，本文先對信息訪問控制問題進行了定義。設置智能機器人接收和處理的數據為包含n個數據點的數據集D，在具體構成上包括圖像、文本、語音3種模態，可以表示為：

D=｛k_i（x_i，y_i，z_i）｝（1）

其中，k_i表示智能機器人接收和處理的數據，x_i表示數據點的圖像模態，y_i表示數據點的文本模態，z_i表示數據點的語音模態。

在此基礎上，考慮到在智能機器人的信息訪問控制中，以統一的標準衡量不同數據點之間的相似性可以有效降低控制執行階段計算的復雜度。為此，本文對智能機器人接收和處理數據點的模態進行量化，具體的處理方式可以表示為：

I=‖σ∑α（x_i，y_i，z_i）·W^t（2）

其中，I表示量化后的智能機器人接收和處理數據，σ表示殘差系數，α表示注意力函數，W^t表示注意力權重參量。按照式（2）所示的方式實現對智能機器人接收和處理數據點模態的量化處理，為后續的輕量化訪問控制提供可靠的基礎。

結合上述的設置，本文定義智能機器人信息訪問控制問題為點數據量化模態的分析問題^［7］，具體可以表示為：

sign（I）=1，允許-1，拒絕（3）

其中，sign（I）表示智能機器人信息訪問控制對應點數據量化模態的判斷函數。按照式（3）所示的方式，當智能機器人信息訪問控制問題對應點數據量化模態判斷函數的輸出結果為正值時，則允許訪問；當智能機器人信息訪問控制問題對應點數據量化模態判斷函數的輸出結果為負值時，則拒絕訪問。

按照上述方式實現對智能機器人信息訪問控制問題的定義，為后續具體智能機器人信息訪問控制問題的執行提供可靠的依據。

1.2 基于卷積神經網絡的訪問控制

結合上述對于智能機器人信息訪問控制問題的定義可以看出，對點數據量化模態的判斷函數進行求解是實現有效控制的關鍵。針對此，本文引入了卷積神經網絡（Convolutional Neural Networks， CNNs）。

在智能機器人系統中，信息訪問控制涉及機器人與環境、用戶或其他系統之間的數據交互，從確保數據的完整性和安全性角度出發，本文將量化后的點數據視為一種特殊的“超平面”，“超平面”中每個點代表一個數據特征。在具體的執行階段，本文在卷積層利用一組可學習的濾波器提取輸入數據的特征。每個濾波器都會在輸入數據上滑動，計算濾波器與輸入量化模態數據之間的點積參數。具體的計算方式可以表示為：

f_ij=∑m∑nI（i-m）（j-n）w_mn+b（4）

其中，f_ij表示輸出量化模態數據之間的點積參數；w_mn表示卷積層濾波器的權重參數；b表示偏置項，設置該參數的取值范圍為［-1，1］，通過這樣的方式，避免式（4）的輸出結果出現為空的情況。

在完成對智能機器人信息訪問控制對應點數據量化模態之間關系的分析后，鑒于不同訪問數據具有非線性屬性，本文借助Sigmoid激活函數增加卷積神經網絡的非線性映射能力，具體的處理方式可以表示為：

Sigmoid（f_ij）=11-e^-f_ij（5）

其中，Sigmoid（f_ij）表示激活后的數據量化模態參數。

按照式（5）所示的方式，原始的智能機器人信息訪問控制對應點數據量化模態的判斷函數輸出可以理解為訪問在“超平面”中的映射分布問題。其中，訪問在“超平面”中映射分布與點數據量化模態數據特征之間的距離越近，對應的安全程度越高，那么式（3）所示判斷函數的輸出結果就越接近“1”；相反地，訪問在“超平面”中映射分布與點數據量化模態數據特征之間的距離越遠，對應的安全程度越低，那么式（3）所示判斷函數的輸出結果就越接近“-1”。在此基礎上，具體的距離計算方式可以表示為：

d=1H·Q∑Δf_ij（6）

其中，d表示訪問在“超平面”中映射分布于點數據量化模態數據特征之間的距離參數，H表示卷積神經網絡池化層的壓縮系數，Q表示卷積神經網絡全連接層的數量，Δf_ij表示輸入量化模態數據點積差。

由此，實現對智能機器人信息安全訪問的有效控制，最大限度保障在異常訪問場景下，機器人信息系統的安全性不會受到影響。

2 測試與分析

在此基礎上，對測試智能機器人信息系統在訪問階段信息處理能力進行分析，在感知階段，識別外部環境數據的準確率可以達到98%以上；決策階段，根據數據信息進行決策的時間小于 1.0 s；執行階段，執行決策指令的響應速度小于 0.5 s；數據傳輸階段，額定傳輸速率為1.0 Gbps，丟包率小于1.0%。

2.1 測試方案

在開展具體的訪問控制階段，分別將魏麗娟^［5］方法、林奕夫等^［6］方法以及本文方法嵌入測試智能機器人信息系統，進行對比測試。共設置了5種較為常見的異常訪問請求狀態：未授權訪問、暴力破解攻擊、SQL注入攻擊、跨站腳本攻擊、拒絕服務攻擊。

2.2 測試結果與分析

在3種不同訪問控制方法下，測試機器人信息系統的安全態勢值進行統計，對應的數據結果如圖1所示。

結合圖1所示的測試結果可以看出，在3種不同訪問控制方法下，測試機器人信息系統的安全態勢值表現出了較為明顯的差異。相比之下，在本文設計訪問控制方法下，不同異常訪問對于測試機器人信息系統的安全態勢值影響并不明顯，具體的參數始終在90.0以上，與對照組相比，在可靠性方面具有顯著優勢。

3 結語

為了保障智能機器人信息的安全，本文提出了基于卷積神經網絡的智能機器人信息安全訪問控制方法研究，利用卷積神經網絡從大量數據中識別出關鍵信息，通過分析訪問請求，識別出潛在的安全威脅，從而提高系統的響應速度和安全性。

參考文獻

［1］蔡斌.基于屬性加密算法的計算機數據安全訪問控制技術［J］.科技創新與應用，2024（10）：165-168.

［2］楊永祥.電網異構數據安全存儲管理中的訪問控制與權限管理研究［J］.電氣技術與經濟，2024（3）：274-277.

［3］郭毅.API接口資源漏洞分析及訪問控制方法研究與實現［J］.網絡安全技術與應用，2024（3）：43-47.

［4］楊洋.分布式數據庫隱私數據細粒度安全訪問控制研究［J］.淮北師范大學學報（自然科學版），2024（1）：71-76.

［5］魏麗娟.基于局域網的人工智能安全信息訪問控制系統設計［J］.數字通信世界，2024（2）：69-71.

［6］林奕夫，陳雪，許媛媛，等.基于零信任安全模型的電力敏感數據訪問控制方法［J］.信息安全研究，2024（1）：88-93.

［7］鄭真真，段曉輝.基于多元線性回歸數學模型的通信敏感信息快速識別方法［J］.長江信息通信，2024（3）：52-54.

（編輯 沈 強）

Control method of intelligent robot based on convolutional neural network

WANG Zhi

（School of Information Engineering，Zhengzhou University of Industrial Technology， Xinzheng 451100， China）

Abstract：This article proposes an access control method based on convolutional neural networks for the diverse modal access information received by intelligent robots.By quantifying image， text， and speech data， a convolutional neural network is introduced to analyze the mapping distribution in the hyperplane and determine the output of the access control function. Tests have shown that abnormal access under this method has little impact on the system security situation， with parameters stable above 90.0， significantly better than the control group， demonstrating advantages in reliability.

Key words：convolutional neural network; information security access control; point data quantification mode; “hyperplane”; data characteristics; mapping distribution; judgment function