基于神經(jīng)網(wǎng)絡的計算機網(wǎng)絡安全評價仿真模型分析

◆高小虎

（江蘇商貿(mào)職業(yè)學院 江蘇 226011）

基于神經(jīng)網(wǎng)絡的計算機網(wǎng)絡安全評價仿真模型分析

◆高小虎

（江蘇商貿(mào)職業(yè)學院 江蘇 226011）

隨著計算機技術(shù)的不斷發(fā)展，創(chuàng)新了傳統(tǒng)文件處理及辦公自動化技術(shù)，成為以復雜內(nèi)、外部網(wǎng)及全球互聯(lián)網(wǎng)為基礎的現(xiàn)代計算機處理業(yè)務，隨之計算機系統(tǒng)的連接能力也有了進一步的提高。在此背景下，網(wǎng)絡連接安全問題也逐漸凸顯出來，為了有效解決計算機網(wǎng)絡安全問題，相關(guān)專家相繼提出了多種神經(jīng)元模型，具有重要作用的要數(shù)神經(jīng)網(wǎng)絡，其常常在計算機網(wǎng)絡安全評價中使用?；诖?，本文就以神經(jīng)網(wǎng)絡為基礎，研究計算機網(wǎng)絡安全評價仿真模型。

神經(jīng)網(wǎng)絡；網(wǎng)絡安全評價；仿真模型

0 引言

由于網(wǎng)絡技術(shù)飛快的發(fā)展，其信息系統(tǒng)存在較大的安全風險威脅，創(chuàng)建計算機網(wǎng)絡安全評價仿真模型，以此創(chuàng)建具有檢測方法及風險評估的網(wǎng)絡安全評價系統(tǒng)，確保計算機網(wǎng)絡信息的安全性。

1 計算機網(wǎng)絡安全評價體系

計算機網(wǎng)絡屬于較為復雜的網(wǎng)絡，所以要全面考慮能夠影響網(wǎng)絡安全的所有因素，以此才能夠使計算機網(wǎng)絡評價指標更加嚴謹。計算機網(wǎng)絡安全指標全方面的反映出了計算機的安全情況，因為不同安全指標的量綱不同，所以不能夠直接比較，為了能夠使安全指標之間能夠相互的運算和比較，所以就要對安全指標統(tǒng)一處理[1]，安全指標權(quán)值表示為：

xi=xi-xmin/xmax-xmin

xi表示為安全指標統(tǒng)一標準權(quán)值，xmax表示為第i個安全指標最大權(quán)值，xmin表示為第i個安全指標最小權(quán)值。

根據(jù)安全指標權(quán)重，可以將安全等級分為ABCD四個等級，A表示安全，B基本安全，C表示不安全，D表示非常不安全。

BP神經(jīng)網(wǎng)絡具體來說就是以逆向誤差為基礎的一種技術(shù)，現(xiàn)在的神經(jīng)網(wǎng)絡計算是在梯度下降設計的基礎上進行的，并且適當?shù)膶W(wǎng)絡權(quán)值和閾值進行調(diào)整，能夠降低輸出期望值及實際輸出值的誤差。為了能夠彌補BP神經(jīng)網(wǎng)絡中的缺點，可以通過GA算法進行改善，具體步驟為：

將BP神經(jīng)網(wǎng)絡目標向量及傳遞函數(shù)進行初始化；

根據(jù)實際需求設置粒子群的最大規(guī)模、迭代上限次數(shù)、位置及初始速度；

通過訓練集訓練BP神經(jīng)網(wǎng)絡，對粒子的適應狀態(tài)進行評價；將BP神經(jīng)網(wǎng)絡的慣性權(quán)值進行計算；

對粒子位置及速度及時更新，將粒子群體及個體之間的適應值差距進行保存；

根據(jù)誤差及迭代次數(shù)的上限，如果誤差超過一個，那么結(jié)束訓練，這個時候的粒子全局最優(yōu)值就是神經(jīng)網(wǎng)絡中的最優(yōu)閾值及權(quán)值[2]。

2 基于神經(jīng)網(wǎng)絡的計算機網(wǎng)絡安全評價仿真模型

2.1 權(quán)系值及染色體位串編碼

本節(jié)以BP神經(jīng)網(wǎng)絡為例，計算其訓練結(jié)果，共具有四個矩陣，在設定的時候，使i表示輸入節(jié)點、k表示輸出節(jié)點、j表示隱含節(jié)點，具體表現(xiàn)為以下：

輸入層至隱含層的權(quán)值矩陣表示為：

W=w11,w12,...,w1j;w21,w22,...,w2j;w31,w32,...,w3j;w41,w42,...,w4j

隱含層的閾值矩陣表示為：

γ=γ1，γ2，...，γj

隱含層至輸出層的權(quán)值矩陣表示為：

V=v11,v12,...,v1j;v21,v22,...,v2j;v31,v32,...,v3j;v41,v42,...,v4j

輸出層的閾值矩陣表示為：

h=h1，h2，...，hj

為了使用GA算法優(yōu)化BP神經(jīng)網(wǎng)絡權(quán)值，首先就要優(yōu)化以上矩陣，使其形成染色體串，從而編碼[3]。

2.2 自適應函數(shù)

通過GA算法優(yōu)化權(quán)值首先就要設計函數(shù)，要求此函數(shù)能夠基于輸出層誤差，并且能夠評價染色體及具有自適應功能，此函數(shù)的的表達式為：

ft=1/E t=1,2,3...

2.3 神經(jīng)網(wǎng)絡算法

初始化樣本數(shù)據(jù)，在相應的矩陣中錄入樣本數(shù)據(jù)，輸入矩陣表示為input（s=1,2，...，i），輸出數(shù)據(jù)表示為output（s=1,2，...，j）。使學習速率為α和β，使其生成染色體數(shù)據(jù)，表示為（ιs=ι，...，N），分別設定雜交概率及變異概率，雜交概率表示為 Pc，變異概率表示為Pm；

Until滿足以上條件的需求；

開始；

For istep=1 to N do；

開始；

本文中的染色體所對應的編碼得到的矩陣分別為W、γ和V；

使Z為0；

對所有樣本通過上述矩陣計算相對應的誤差及誤差總和，誤差表示為誤差綜合表示為

通過Ζ及ft=1/E，對染色體自適應函數(shù)值進行計算；

以所有染色體自適應函數(shù)值重復上述操作；

交換；

開始；

變換；

結(jié)束；

開始；

變異；

結(jié)束。

以上為GABP算法實現(xiàn)的具體步驟[4]。

2.4 GA算法的實現(xiàn)步驟

首先，對權(quán)系進行編碼。由于系統(tǒng)中具有96個變量，所以本文中所研究的神經(jīng)網(wǎng)絡的權(quán)值系數(shù)在編碼的時候使用的是實數(shù)。如果是一般情況的話，在進行編碼的時候都是使用二進制。

編碼具體為：

圖1 GA算法編碼圖

σi（i=1,2，...，17）表示為單元的數(shù)量。

另外，初始化及自適應函數(shù)。GA算法的搜索最優(yōu)函數(shù)表示為θc=（cij，bij），使minE=（1/2）∑（yak-yi）2，其中yak表示為期望輸出，yi表示實際輸出，以此得到各個染色體的適應度，表示為ft=（1/E）（t=1,2,3，...）[5]。

其次，選擇比例。選擇比例是在賭輪法的基礎上選擇的概率分布過程，其主要表示為：

（1）將單個染色體的適應值進行計算，適應值表示為 eval（θi）；

在羅盤轉(zhuǎn)動popsize次的時候，根據(jù)對應的方式選擇單個染色體；

之后，雜交。雜交主要有兩種方式，其一，根據(jù)遺傳算法雜交，此種方法較為簡單，類似于二進制，就是劃分浮點數(shù)；其二，根據(jù)算數(shù)雜交，就是組合兩個不同的變量。

最后，變異。本文中所研究的仿真模型使用的為均勻變異，被變異的個體要有一個良好的適應值，以此接受全新的成員，從而代替編譯之前的群體。

3 計算機網(wǎng)絡安全評價仿真模型的實現(xiàn)

本文中所研究的計算機網(wǎng)絡安全評價模型通過 Matlab語言進行實現(xiàn)，神經(jīng)網(wǎng)絡有五個隱藏節(jié)點，將閾值系數(shù)的值調(diào)整為0.1，將權(quán)值的參數(shù)調(diào)整為0.1，通過多次訓練，其結(jié)果收斂在要求誤差的范圍之內(nèi)。所以本文中的計算機網(wǎng)絡安全評價仿真模型是可靠有效的，實際輸出值與預期值的相對誤差小于 3.7%，安全等于與預期的值相同。

4 結(jié)束語

本文通過GA算法彌補了神經(jīng)網(wǎng)絡中的缺點，之后淺述了以神經(jīng)網(wǎng)絡為基礎的計算機網(wǎng)絡安全評價仿真模型，并且對其進行了實現(xiàn)。通過評價可以看出來，本文中的計算機網(wǎng)絡安全評價模型是可靠真實的，并且擁有優(yōu)異的性能，具有一定的理論價值。

[1]溫斯琴, 王彪.基于神經(jīng)網(wǎng)絡的計算機網(wǎng)絡安全評價仿真模型[J].現(xiàn)代電子技術(shù), 2017.

[2]王偉.基于概率神經(jīng)網(wǎng)絡的計算機網(wǎng)絡安全仿真分析[J].制造業(yè)自動化，2010.

[3]胡春.基于神經(jīng)網(wǎng)絡的計算機網(wǎng)絡安全評估體系研究[J].電腦知識與技術(shù):學術(shù)交流，2015.

[4]杜濤.基于神經(jīng)網(wǎng)絡的計算機網(wǎng)絡安全評價技術(shù)[J].長春工業(yè)大學學報，2015.

[5]史望聰.神經(jīng)網(wǎng)絡在計算機網(wǎng)絡安全評價中的應用分析[J].自動化與儀器儀表，2016.