基于粒子群神經(jīng)網(wǎng)絡(luò)的農(nóng)機(jī)調(diào)度網(wǎng)絡(luò)安全態(tài)勢評價

江 楠,蔡增玉,張建偉

(鄭州輕工業(yè)學(xué)院,鄭州 450002)

0 引言

隨著農(nóng)業(yè)機(jī)械化的深入發(fā)展,農(nóng)機(jī)規(guī)模作業(yè)和跨區(qū)域作業(yè)已成為趨勢,農(nóng)機(jī)現(xiàn)有作業(yè)模式面臨著嚴(yán)峻挑戰(zhàn)。農(nóng)機(jī)作業(yè)存在信息發(fā)布滯后及作業(yè)效率低等問題,同時缺乏有效的調(diào)度策略,造成農(nóng)機(jī)資源配置不合理,制約了農(nóng)機(jī)作業(yè)的健康發(fā)展。地理信息系統(tǒng)技術(shù)、無線通信技術(shù)和GPS定位技術(shù)的發(fā)展為解決這些問題提供了有效的支持。為了提高農(nóng)機(jī)的規(guī)?；鳂I(yè)效率,實(shí)現(xiàn)農(nóng)機(jī)高效率高質(zhì)量的作業(yè),農(nóng)機(jī)調(diào)度網(wǎng)絡(luò)系統(tǒng)是必不可少的。由于網(wǎng)絡(luò)系統(tǒng)涉及到信息管理、無線通信和電子地圖等,其規(guī)模較大,網(wǎng)絡(luò)安全問題不能忽視,本次擬采用基于粒子群優(yōu)化的神經(jīng)網(wǎng)絡(luò)算法對網(wǎng)絡(luò)的安全態(tài)勢進(jìn)行評價,以期得到更加準(zhǔn)確和高效的安全評價。

1 農(nóng)機(jī)調(diào)度網(wǎng)絡(luò)系統(tǒng)功能設(shè)計(jì)與實(shí)現(xiàn)

農(nóng)機(jī)監(jiān)控調(diào)度系統(tǒng)的主要功能是在農(nóng)忙時節(jié)合理地安排農(nóng)機(jī)的作業(yè),以提高多農(nóng)機(jī)作業(yè)的效率,并對農(nóng)機(jī)的作業(yè)情況進(jìn)行實(shí)時監(jiān)控,以提高農(nóng)機(jī)的作業(yè)質(zhì)量。整個農(nóng)機(jī)調(diào)度系統(tǒng)包括農(nóng)機(jī)調(diào)度模塊、農(nóng)機(jī)監(jiān)控模塊、農(nóng)機(jī)信息管理模型、地圖信息模塊和系統(tǒng)維護(hù)模塊5部分功能模塊,其主要框架結(jié)構(gòu)如圖1所示。

圖1 農(nóng)機(jī)調(diào)度網(wǎng)絡(luò)系統(tǒng)框架結(jié)構(gòu)Fig.1 The frame structure of agricultural machinery dispatching network system

地圖子系統(tǒng)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(jīng)緯度顯示等,并將作業(yè)地塊信息保存到地圖中。農(nóng)機(jī)信息管理模塊主要是負(fù)責(zé)農(nóng)機(jī)、駕駛員信息的錄入和修改,以及農(nóng)機(jī)實(shí)時信息的查詢,并可以處理車載終端發(fā)出的警報和反饋信息等。農(nóng)機(jī)調(diào)度模塊主要負(fù)責(zé)農(nóng)機(jī)的調(diào)度使用,根據(jù)收割地點(diǎn)和面積信息,合理地分配使用農(nóng)機(jī),并規(guī)劃農(nóng)機(jī)調(diào)配路徑,保證農(nóng)機(jī)能夠高效率、高質(zhì)量的完成作業(yè)。

2 網(wǎng)絡(luò)安全評價優(yōu)化模型

在傳統(tǒng)的網(wǎng)絡(luò)安全評價過程中,網(wǎng)絡(luò)安全項(xiàng)目及等級的一些權(quán)重、隸屬函數(shù)等一般需要人為確定,會造成一定的評價誤差。人工神經(jīng)網(wǎng)絡(luò)是基于生物學(xué)中的神經(jīng)網(wǎng)絡(luò)模擬人腦工作的一種計(jì)算模型,可以通過訓(xùn)練的方式獲取經(jīng)驗(yàn)知識,并將這些經(jīng)驗(yàn)存儲在存儲器中,由于采用并行計(jì)算方式,人工神經(jīng)網(wǎng)絡(luò)的計(jì)算處理速度較快。采用多層神經(jīng)網(wǎng)絡(luò)不僅具有很強(qiáng)的分類能力,還可以實(shí)現(xiàn)大部分連續(xù)函數(shù)的逼近,對于網(wǎng)絡(luò)安全評價的海量數(shù)據(jù)處理具有重要的意義。

如圖2所示：在多層神經(jīng)網(wǎng)絡(luò)的各層次中設(shè)置一些權(quán)重系數(shù),可以提高設(shè)計(jì)網(wǎng)絡(luò)學(xué)習(xí)的準(zhǔn)確性,對于解決復(fù)雜的數(shù)據(jù)處理問題具有重要的意義。神經(jīng)網(wǎng)絡(luò)學(xué)習(xí)一般分為兩種：一是需要提供正確的輸出,這一組輸出的數(shù)據(jù)成為訓(xùn)練樣本;二是自適應(yīng)學(xué)習(xí),按照系統(tǒng)環(huán)境提供的數(shù)據(jù)自發(fā)的適應(yīng)性學(xué)習(xí)。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(xùn)練樣本數(shù)據(jù),制定學(xué)習(xí)規(guī)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(jīng)網(wǎng)絡(luò)Fig.2 Multilayer feedforward neural network

圖3 BP算法前饋網(wǎng)絡(luò)中的信號流Fig.3 Signal flow in the feedforward network of BP algorithm

采用前饋神經(jīng)網(wǎng)絡(luò)其信號流共分為兩種：一種是實(shí)際的工作流,用實(shí)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(shí)際輸出和預(yù)期輸出的誤差,由輸出端反向傳播。假設(shè)第n次迭代中,輸出端的第j個單元的輸出yj(n)。yj(n)為預(yù)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(shù),假設(shè)訓(xùn)練樣本總數(shù)為N個,則平均誤差的均值為

(3)

這就是多層前饋網(wǎng)絡(luò)學(xué)習(xí)的目標(biāo)函數(shù),學(xué)習(xí)的目的是使均方誤差達(dá)到最小。這一目標(biāo)可以利用神經(jīng)網(wǎng)絡(luò)的不斷訓(xùn)練,調(diào)整各參數(shù)的權(quán)值來實(shí)現(xiàn)。在學(xué)習(xí)過程中,可以采用一定的學(xué)習(xí)規(guī)則,對權(quán)值進(jìn)行調(diào)整,假設(shè)Wji為單元i到單元j的連接權(quán)值,則有

Δwji=-ηδj(n)yi(n)

(4)

其中,η為學(xué)習(xí)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(fù)表示梯度下降的方向。在進(jìn)行復(fù)雜的網(wǎng)絡(luò)安全數(shù)據(jù)評價時,采用神經(jīng)神經(jīng)網(wǎng)絡(luò)算法往往容易陷入局部極值的缺陷,因此可以采用相關(guān)算法對神經(jīng)網(wǎng)絡(luò)算法進(jìn)行優(yōu)化,本次采用粒子群(PSO)對算法進(jìn)行優(yōu)化。假設(shè)神經(jīng)網(wǎng)絡(luò)中包含了M個優(yōu)化權(quán)值,組成一個M維向量,一個神經(jīng)網(wǎng)絡(luò)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(quán)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(yōu)化過程中,可以用一個6維的向量來表示計(jì)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(jīng)網(wǎng)絡(luò)的權(quán)值,其結(jié)構(gòu)如圖4所示。

圖4 神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)示意圖Fig.4 The structure schematic diagram of neural network

在進(jìn)行粒子群優(yōu)化過程中,需要對訓(xùn)練樣本的誤差的均方值進(jìn)行計(jì)算,然后將其作為目標(biāo)函數(shù)構(gòu)造適應(yīng)度函數(shù),從而計(jì)算出每個個體的適應(yīng)度,即

(6)

其中,tk,p為訓(xùn)練樣本P在K輸出端的給定輸出,則適應(yīng)度函數(shù)定義為

(7)

當(dāng)目標(biāo)函數(shù)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(jīng)網(wǎng)絡(luò)算法進(jìn)行優(yōu)化的流程如圖5所示。

圖5 神經(jīng)網(wǎng)絡(luò)粒子群優(yōu)化示意圖Fig.5 The schematic diagram of neural network particle swarm optimization

神經(jīng)網(wǎng)絡(luò)粒子群優(yōu)化的過程：首先給定初試的粒子群,將向量映射為權(quán)值,利用神經(jīng)網(wǎng)絡(luò)訓(xùn)練樣進(jìn)行訓(xùn)練,然后計(jì)算個體的均方差作為適應(yīng)度值。當(dāng)滿足要求條件時,輸出神經(jīng)網(wǎng)絡(luò)的權(quán)值作為優(yōu)化的結(jié)果使用;如果不滿足條件,則需要按照微粒群進(jìn)行計(jì)算,生成新的個體微粒,重新進(jìn)行計(jì)算,直到網(wǎng)絡(luò)安全評價的權(quán)值達(dá)到最優(yōu)。

3 農(nóng)機(jī)調(diào)度系統(tǒng)網(wǎng)絡(luò)安全態(tài)勢評價

在農(nóng)忙時節(jié),農(nóng)機(jī)調(diào)度系統(tǒng)的正常運(yùn)行非常關(guān)鍵,如果網(wǎng)絡(luò)受到攻擊或者網(wǎng)絡(luò)自身存在安全隱患,使網(wǎng)絡(luò)癱瘓,農(nóng)機(jī)不能正常進(jìn)行合理的調(diào)度,將會導(dǎo)致農(nóng)機(jī)作業(yè)效率低,不能按時完成生產(chǎn)任務(wù)。為了保證農(nóng)機(jī)調(diào)度系統(tǒng)的正常運(yùn)行,需要對農(nóng)機(jī)監(jiān)控調(diào)度系統(tǒng)實(shí)時進(jìn)行網(wǎng)絡(luò)安全態(tài)勢評價。為此,專門設(shè)計(jì)了農(nóng)機(jī)調(diào)度監(jiān)控系統(tǒng),以對其網(wǎng)絡(luò)安全進(jìn)行評價,主要由3部分組成,如圖6所示。

圖6 農(nóng)機(jī)調(diào)度系統(tǒng)框架Fig.6 The framework of agricultural machinery dispatching system

農(nóng)機(jī)監(jiān)控調(diào)度系統(tǒng)主要由車載終端、監(jiān)控服務(wù)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(shè)備,可以實(shí)時地采集作業(yè)收割信息及農(nóng)機(jī)自身作業(yè)狀態(tài)的一些信息和位置信息,通過GPRS傳送到監(jiān)控中心。車載終端服務(wù)器服務(wù)器主要是進(jìn)行通信,將采集的收割機(jī)實(shí)時信息發(fā)給遠(yuǎn)程調(diào)度終端,并接收調(diào)度終端發(fā)出的控制指令,進(jìn)行作業(yè)控制,數(shù)據(jù)被存儲到存儲器,用戶可以從存儲器中提取數(shù)據(jù)?？蛻艨刂平K端可以利用地理信息系統(tǒng),對遠(yuǎn)程的農(nóng)機(jī)狀態(tài)和作業(yè)位置進(jìn)行實(shí)時監(jiān)控,然后向農(nóng)機(jī)管理員發(fā)布調(diào)度信息,實(shí)現(xiàn)農(nóng)機(jī)的作業(yè)調(diào)度。在進(jìn)行農(nóng)機(jī)調(diào)度網(wǎng)絡(luò)安全態(tài)勢評價時,可以首先利用經(jīng)驗(yàn)對各項(xiàng)指標(biāo)進(jìn)行測評,以物理安全為例,其量化值在[0-1],假設(shè)其測評項(xiàng)為4項(xiàng),如防盜、防水、防火和防雷,根據(jù)各項(xiàng)指標(biāo)信息,量化后的安全級別如表1所示。

表1 網(wǎng)絡(luò)安全級別Table 1 Network security level

采用粒子群優(yōu)化的神經(jīng)網(wǎng)絡(luò)算法,對海量數(shù)據(jù)進(jìn)行了處理,并采用MatLab編程測試的方法,對安全等級進(jìn)行了測試,其測試結(jié)果按照安全級別進(jìn)行顯示,如表2所示。

表2 網(wǎng)絡(luò)安全級別評價結(jié)果Table 2 Evaluation results of network security level

采用粒子群優(yōu)化的神經(jīng)網(wǎng)絡(luò)算法克服了人為確定權(quán)重、隸屬函數(shù)等缺陷,各項(xiàng)評價指標(biāo)都通過神經(jīng)網(wǎng)絡(luò)訓(xùn)練符合單指標(biāo)評價標(biāo)準(zhǔn),可以客觀公正地對網(wǎng)絡(luò)安全進(jìn)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(yàn)證粒子群神經(jīng)網(wǎng)絡(luò)對于網(wǎng)絡(luò)安全態(tài)勢評價的可靠性,將其和僅適用神經(jīng)網(wǎng)絡(luò)而不使用粒子群優(yōu)化的評價方法進(jìn)行了對比,由對比結(jié)果可以看出,采用粒子群優(yōu)化后可以明顯地提升網(wǎng)絡(luò)安全態(tài)勢評價的速度和精度。

4 結(jié)論

采用神經(jīng)網(wǎng)絡(luò)算法對農(nóng)機(jī)調(diào)度網(wǎng)絡(luò)的數(shù)據(jù)進(jìn)行安全評價,并利用粒子群算法對神經(jīng)網(wǎng)絡(luò)算法進(jìn)行了優(yōu)化,從而有效提高了安全評價的效率。對網(wǎng)絡(luò)安全評價的算法進(jìn)行了可行性和可靠性驗(yàn)證,驗(yàn)證結(jié)果表明：采用粒子群神經(jīng)網(wǎng)絡(luò)算法可以成功得到網(wǎng)絡(luò)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(shí)現(xiàn)大規(guī)模網(wǎng)絡(luò)安全態(tài)勢評價的研究具有重要的意義。