基于神經(jīng)網(wǎng)絡(luò)算法的網(wǎng)絡(luò)安全評價模型*

周　瓏， 郭　威， 王建永， 黃杰韜

(中國南方電網(wǎng) 廣東電網(wǎng)有限責(zé)任公司， 廣州 510630)

當(dāng)前，各種計算機(jī)病毒、木馬和黑客入侵等事件接連發(fā)生，網(wǎng)絡(luò)信息安全的局勢越來越嚴(yán)峻.在復(fù)雜的網(wǎng)絡(luò)環(huán)境中，如何評價和檢測網(wǎng)絡(luò)的安全風(fēng)險程度，成為了信息安全領(lǐng)域的重要問題.很多專家和學(xué)者做出了大量的努力[1-3]，這些算法的優(yōu)點(diǎn)在于從各個角度對網(wǎng)絡(luò)的安全狀態(tài)進(jìn)行了研究，但其缺點(diǎn)是實(shí)用性不強(qiáng).為進(jìn)一步優(yōu)化網(wǎng)絡(luò)安全評價模型，回避BP神經(jīng)網(wǎng)絡(luò)算法收斂慢、搜索能力差等問題，本文引入了GA遺傳算法，得出了結(jié)合這兩種算法的網(wǎng)絡(luò)安全評價模型，該模型既克服了BP神經(jīng)網(wǎng)絡(luò)算法和GA遺傳算法的缺點(diǎn)，同時兼具這兩種算法的優(yōu)點(diǎn)，能夠理想地完成網(wǎng)絡(luò)安全評價工作.

1　評價指標(biāo)設(shè)計

在復(fù)雜網(wǎng)絡(luò)環(huán)境中，公眾信息安全受到了多方面威脅，例如惡意攻擊、軟件漏洞、軟件后門和操作失誤等.為了能夠準(zhǔn)確地評估網(wǎng)絡(luò)安全受威脅的程度，需要建立起一套綜合評價指標(biāo)體系.

1.1　評價指標(biāo)種類

評價指標(biāo)需要從層次結(jié)構(gòu)、安全特性和系統(tǒng)安全評價體系等角度進(jìn)行討論[4].首先，目前網(wǎng)絡(luò)的層次結(jié)構(gòu)大多都是TCP/IP協(xié)議的分層模型，應(yīng)用層負(fù)責(zé)用戶的應(yīng)用程序，其安全措施包括個人認(rèn)證、加密和簽名等；傳輸層負(fù)責(zé)用戶端的進(jìn)程通信，使用了安全套接字、訪問控制和加密等技術(shù)；網(wǎng)絡(luò)層負(fù)責(zé)網(wǎng)絡(luò)的路由服務(wù)，使用了防火墻、IPSec技術(shù)；鏈路層負(fù)責(zé)網(wǎng)絡(luò)中點(diǎn)到點(diǎn)的通信服務(wù)，主要用加密技術(shù)來保障安全；物理層負(fù)責(zé)實(shí)現(xiàn)網(wǎng)絡(luò)中的物理連接，使用了數(shù)據(jù)流加密技術(shù)等安全措施.其次，網(wǎng)絡(luò)的安全特性主要包括數(shù)據(jù)的保密性、完整性、可用性、可控性和不可否認(rèn)性，數(shù)據(jù)的保密性是指未授權(quán)的第三方不能取得該數(shù)據(jù)；完整性保護(hù)網(wǎng)絡(luò)中真實(shí)信息不被未授權(quán)的第三方修改；可用性能夠防止人為因素對網(wǎng)絡(luò)信息的破壞；可控性是指對內(nèi)部的信息和信息系統(tǒng)進(jìn)行監(jiān)管，防止惡意代碼的執(zhí)行和破壞；不可否認(rèn)性是指對授權(quán)的用戶行為進(jìn)行監(jiān)控，防止用戶否認(rèn)自己的行為[5].最后，網(wǎng)絡(luò)安全的評價體系主要由網(wǎng)絡(luò)的管理安全、環(huán)境安全、硬件安全、軟件安全和數(shù)據(jù)安全等方面組成，這些大的方面可以囊括網(wǎng)絡(luò)安全的各個具體評價指標(biāo)，如入侵檢測和訪問控制等檢測指標(biāo).

1.2　設(shè)計原則

在設(shè)計評價指標(biāo)時，還必須遵循以下原則：

1) 完備性.網(wǎng)絡(luò)安全評價指標(biāo)應(yīng)該全面、完整和有效刻畫出網(wǎng)絡(luò)安全的基本特征，得出精確可信的評價結(jié)果.

2) 獨(dú)立性.評價指標(biāo)之間經(jīng)常會有或多或少的相關(guān)性，設(shè)計人員應(yīng)該盡量減少多個指標(biāo)的聯(lián)系，提高評價的準(zhǔn)確性.

3) 簡要性.優(yōu)良的評價指標(biāo)能夠簡明扼要地反映網(wǎng)絡(luò)的安全水平.

4) 可操作性.指標(biāo)設(shè)計必須切合實(shí)際，涉及數(shù)據(jù)的收集和處理過程簡單易行.

1.3　評價指標(biāo)體系

為建立科學(xué)的評價指標(biāo)體系，本文引入了德爾菲法(Delphi)，該方法使用了背對背的方式咨詢專家小組的意見，小組成員匿名發(fā)表意見，同時成員之間不允許相互討論，通過這樣多輪的反復(fù)詢問和反饋修正，得到集中的預(yù)測意見，從而總結(jié)出符合實(shí)際情況的預(yù)測結(jié)論.這種方法也叫專家意見法，具有匿名性、反饋性和優(yōu)良的統(tǒng)計特性，能夠結(jié)合多個專家主觀意見和客觀規(guī)律，可以對大量無法定量分析的指標(biāo)進(jìn)行相對準(zhǔn)確的估算.首先確定專家小組的所有成員和若干評價指標(biāo)，制作出成員需要填寫的咨詢表格，然后進(jìn)行首輪初步咨詢，并計算需要統(tǒng)計的參數(shù)，進(jìn)行多輪咨詢并反復(fù)修正專家意見，最后統(tǒng)一專家成員的意見，本文使用德爾菲法流程圖如圖1所示[6].

圖1　德爾菲法流程圖Fig.1　Flow chart of Delphi method

在德爾菲法的作用下，經(jīng)過系統(tǒng)分析和對專家評分的統(tǒng)計，選取出的指標(biāo)形成了本文評價模型的完整指標(biāo)體系，該體系結(jié)構(gòu)如圖2所示.

2　算法模型

神經(jīng)網(wǎng)絡(luò)(BP)算法是一種借鑒人體神經(jīng)元結(jié)構(gòu)來進(jìn)行信息處理和計算的智能算法，具有高度的自組織性和自學(xué)習(xí)性等優(yōu)點(diǎn)，善于處理推理、判斷等問題，但該算法也存在收斂速度慢、容易陷入局部極小值和網(wǎng)絡(luò)泛化能力差等缺點(diǎn)[7-8].為了避免BP算法的上述缺陷，本文引入了GA遺傳算法，將這兩種算法結(jié)合到一起來進(jìn)行計算，并對網(wǎng)絡(luò)的安全程度進(jìn)行計算和評價.在算法中，令E為目標(biāo)函數(shù)，w和v分別為輸入層到隱含層、隱含層到輸出層的權(quán)值矩陣，θ和r分別為對應(yīng)的閾值矩陣，m為輸入層的數(shù)量，n為輸出層的數(shù)量，p為隱含層的數(shù)量，則GABP算法的數(shù)學(xué)表達(dá)式為

圖2　網(wǎng)絡(luò)安全評價指標(biāo)體系Fig.2　Network security evaluation index system

(1)

如上所述，GABP算法的輸入層x∈Rm，輸出層y∈Rn，輸入層到隱含層的權(quán)值矩陣w∈Rm×p，閾值矩陣為θ∈Rp，隱含層到輸出層的權(quán)值矩陣v∈Rp×n，閾值矩陣為r∈Rn.設(shè)隱含層h∈Rp，則輸入層到隱含層的關(guān)系為h=xiwi+θi，且隱含層到輸出層的關(guān)系為y=hvi+ri.其中，算法需要優(yōu)化的對象是w、θ、v和r.

2.1　目標(biāo)函數(shù)

(2)

1) 大致選定權(quán)值矩陣等初始值；

2) 直到誤差指標(biāo)Ek小于某一設(shè)定值，否則重復(fù)步驟3)；

(3)

該算法的變異運(yùn)算使用均勻變異的方法，即個體在變異時，僅隨機(jī)改變個體向量中的某個分量，得到的新個體必須具有更小的目標(biāo)函數(shù)值才能取代變異前的個體，如果不是，則個體保持不變，其數(shù)學(xué)表達(dá)式為

(4)

2.2　算法步驟

本文算法的歸納步驟如下：

1) 初始化，按照上文中提到的算法來得到初步解(w，v，θ，r)，設(shè)定遺傳進(jìn)化代數(shù)k、輸入矩陣X、目標(biāo)函數(shù)值E、遺傳最大代數(shù)N、交叉概率Pc和變異概率Pm.

2) 如果目標(biāo)函數(shù)值E<ε(ε為常數(shù))，跳轉(zhuǎn)至步驟6)；否則，設(shè)定k=0，跳轉(zhuǎn)至步驟3).

3)k=k+1，如果k≥N，跳到步驟5)；否則，計算當(dāng)前解的目標(biāo)函數(shù)值E.

4) 以交叉概率Pc和變異概率Pm隨機(jī)對當(dāng)前解進(jìn)行交叉或者變異運(yùn)算，得到備選解，然后使用輪盤賭選擇方法對當(dāng)前解和備選解進(jìn)行評估和對比，生成目標(biāo)函數(shù)值更小的新一代個體，跳轉(zhuǎn)至步驟3).

5) 輸出第N代個體，同時計算目標(biāo)函數(shù)值E，跳轉(zhuǎn)至步驟2).

6) 輸出最終解.

3　仿真與分析

在網(wǎng)絡(luò)安全評價研究領(lǐng)域，評價結(jié)果可以分為A(很高)、B(高)、C(一般)、D(低)4個等級，設(shè)滿分為1分，這些等級的評分分布如表1[10]所示.

表1　安全等級評分分布Tab.1　Distribution of safety level scoring

為驗(yàn)證GABP算法的可行性和執(zhí)行效率，本文使用Matlab平臺進(jìn)行仿真.在具體仿真前，BP神經(jīng)網(wǎng)絡(luò)算法必須先使用多組數(shù)據(jù)進(jìn)行訓(xùn)練，之后才能使用訓(xùn)練完成的神經(jīng)網(wǎng)絡(luò)進(jìn)行評價.在本文中多組網(wǎng)絡(luò)安全指標(biāo)數(shù)據(jù)被用來訓(xùn)練神經(jīng)網(wǎng)絡(luò).在仿真過程中，5組輸入數(shù)據(jù)(每組數(shù)據(jù)C1～C17)和期望輸出數(shù)據(jù)被用來進(jìn)行具體的仿真評價，在執(zhí)行過程中，上述算法被編譯成Matlab程序腳本，首先神經(jīng)網(wǎng)絡(luò)進(jìn)行了8 000多次訓(xùn)練，其輸出誤差最終達(dá)到收斂.

在神經(jīng)網(wǎng)絡(luò)算法仿真中，隱含層的節(jié)點(diǎn)數(shù)是一個重要參數(shù).理論證明，如果隱含層節(jié)點(diǎn)數(shù)增加到一定程度，BP神經(jīng)網(wǎng)絡(luò)算法的訓(xùn)練誤差可以無限逼近0.在仿真過程中，本文針對不同隱含層節(jié)點(diǎn)函數(shù)，使用GABP算法對相同數(shù)據(jù)進(jìn)行訓(xùn)練，根據(jù)其仿真結(jié)果得到不同隱含層節(jié)點(diǎn)的訓(xùn)練誤差與預(yù)測誤差，分別如圖3、4所示.

由圖3可知，隨著隱含層節(jié)點(diǎn)數(shù)的增加，評價算法的訓(xùn)練誤差在不斷下降，最后趨近于0，在節(jié)點(diǎn)數(shù)達(dá)到5之后，其下降速率就會增強(qiáng)，這說明隱含層節(jié)點(diǎn)數(shù)的增加可以增強(qiáng)算法的學(xué)習(xí)能力.由圖4可知，隨著隱含層節(jié)點(diǎn)數(shù)從2增加到5，評價算法的預(yù)測誤差急劇降低，隱含層節(jié)點(diǎn)數(shù)從5增加到7時，其預(yù)測誤差基本不變，隱含層節(jié)點(diǎn)數(shù)繼續(xù)增加時，預(yù)測誤差會急劇增加.這意味著隱含層節(jié)點(diǎn)數(shù)在比較小的時候，評價算法的預(yù)測能力會隨著節(jié)點(diǎn)數(shù)增加而增強(qiáng)，然而節(jié)點(diǎn)數(shù)增加到一定程度時，算法中的神經(jīng)網(wǎng)絡(luò)會產(chǎn)生過度吻合，即節(jié)點(diǎn)太多反而令噪聲增加，這時算法的預(yù)測能力下降.綜上所述，為了令評價算法的訓(xùn)練誤差和預(yù)測能力達(dá)到相對理想的狀態(tài)，隱含層節(jié)點(diǎn)數(shù)最好設(shè)置在[5，7]之間.本文神經(jīng)網(wǎng)絡(luò)的隱含層節(jié)點(diǎn)數(shù)設(shè)置為5，學(xué)習(xí)精度設(shè)置為0.001，其仿真使用數(shù)據(jù)如表2所示.

圖3　不同隱含層節(jié)點(diǎn)數(shù)設(shè)置的訓(xùn)練誤差Fig.3　　　　Training error of number of nodes in different hidden layers

圖4　不同隱含層節(jié)點(diǎn)數(shù)設(shè)置的預(yù)測誤差Fig.4　　　　Prediction error of number of nodes in different hidden layers

表2　仿真使用數(shù)據(jù)Tab.2　Data used in simulation

本文網(wǎng)絡(luò)安全仿真結(jié)果如表3所示.表3中評分是根據(jù)目標(biāo)函數(shù)值E計算得出的，其計算公式為

結(jié)果表明，該模型的最大相對誤差為3.7%，實(shí)際輸出與期望輸出基本一致，所有的網(wǎng)絡(luò)安全等級為B，網(wǎng)絡(luò)的安全程度較高.

另外，將本文的算法與BP算法和遺傳算法進(jìn)行了誤差比較，比較結(jié)果如表4所示.通過對比可以發(fā)現(xiàn)，本文算法的評估精度均高于BP算法和遺傳算法.

表3　仿真結(jié)果Tab.3　Simulation results

表4　BP、GA與GABP算法的誤差比較Tab.4　　　　Comparison in error of BP，GA and GABP algorithms　%

4　結(jié)　論

本文在分析神經(jīng)網(wǎng)絡(luò)算法和遺傳算法的基礎(chǔ)上，通過優(yōu)化組合提出了能夠評價網(wǎng)絡(luò)信息安全的GABP算法，并對該算法的評價功能進(jìn)行了逼近實(shí)際的仿真.仿真結(jié)果表明，本文所提出的GABP算法性能優(yōu)于BP算法和遺傳算法，可以準(zhǔn)確地評價出網(wǎng)絡(luò)的信息安全程度.綜上所述，GABP算法可以科學(xué)評價安全指標(biāo)體系，并可以使用網(wǎng)絡(luò)實(shí)時監(jiān)控數(shù)據(jù)，定量地評價出網(wǎng)絡(luò)的信息安全狀況，為未來網(wǎng)絡(luò)信息安全研究提供了參考.