基于SOM-BP云神經(jīng)網(wǎng)絡(luò)的計算機網(wǎng)絡(luò)對抗效能評估

張振坤

(湖北青年職業(yè)學(xué)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(wǎng)絡(luò)對抗在信息化戰(zhàn)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(nèi)學(xué)者針對計算機網(wǎng)絡(luò)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(biāo)體系和評估方法，但這些方法依賴專家的經(jīng)驗，隨意性、不確定性大。本文針對計算機網(wǎng)絡(luò)對抗效能評估，建立了評估指標(biāo)體系，提出了SOM-BP云神經(jīng)網(wǎng)絡(luò)的評估方法。該方法充分結(jié)合云模型的隨機性和模糊性，利用了神經(jīng)網(wǎng)絡(luò)優(yōu)點，使評估結(jié)果更精確、更可信，具有很強的實用性。

1 計算機網(wǎng)絡(luò)對抗效能評估指標(biāo)體系

計算機網(wǎng)絡(luò)對抗[1]設(shè)計內(nèi)容復(fù)雜，因素眾多，關(guān)聯(lián)性強，對其進(jìn)行效能評估不能脫離其技術(shù)性的依賴，在評估方法上還是要以技術(shù)性能指標(biāo)為基礎(chǔ)，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(jù)計算機網(wǎng)絡(luò)對抗的功能、結(jié)構(gòu)特點，依照計算機網(wǎng)絡(luò)對抗效能評估的指標(biāo)選取原則，來確定計算機網(wǎng)絡(luò)對抗效能指標(biāo)體系，如圖1所示。

圖1 計算機網(wǎng)絡(luò)對抗效能指標(biāo)體系

2 SOM-BP云神經(jīng)網(wǎng)絡(luò)工作原理

2.1 BP云神經(jīng)網(wǎng)絡(luò)

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(zhuǎn)換模型，實現(xiàn)定量數(shù)值與定性概念之間的不確定性轉(zhuǎn)換，其精髓為模糊性和隨機性的完美結(jié)合。人工神經(jīng)網(wǎng)絡(luò)[3](ANN)是描述人類大腦系統(tǒng)一階特性的，作為一個數(shù)學(xué)模型，可以用計算機程序來模擬，也可以用電子線路來實現(xiàn)，是研究人工智能的一種方法。對于解決網(wǎng)絡(luò)對抗效能評估這一類復(fù)雜的非線性問題，BP云神經(jīng)網(wǎng)絡(luò)有其獨特的優(yōu)勢。BP云神經(jīng)網(wǎng)絡(luò)結(jié)合了云模型與神經(jīng)網(wǎng)絡(luò)的優(yōu)點，又具有模糊性和隨機性，以及神經(jīng)網(wǎng)絡(luò)的超強學(xué)習(xí)能力。BP云神經(jīng)網(wǎng)絡(luò)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(jīng)網(wǎng)絡(luò)模型如圖2所示。

圖2 BP云神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)圖

BP云神經(jīng)網(wǎng)絡(luò)吸收了傳統(tǒng)BP神經(jīng)網(wǎng)絡(luò)的學(xué)習(xí)和記憶能力及權(quán)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(wǎng)絡(luò)結(jié)構(gòu)具有很強的實用性，也能夠滿足復(fù)雜系統(tǒng)多輸入多輸出的要求。

2.2 SOM-BP云神經(jīng)網(wǎng)絡(luò)

BP云神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)如圖2所示。由于訓(xùn)練樣本對于神經(jīng)網(wǎng)絡(luò)訓(xùn)練具有重要的作用，訓(xùn)練樣本中是否具有代表性在很大程度上對網(wǎng)絡(luò)的性能有著重要影響。而在收集訓(xùn)練樣本的過程中，會受到客觀因素和人為因素的影響，導(dǎo)致產(chǎn)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(xùn)練效果，增強網(wǎng)絡(luò)的泛化能力,這是訓(xùn)練神經(jīng)網(wǎng)絡(luò)很重要的一步。SOM神經(jīng)網(wǎng)絡(luò)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(jīng)網(wǎng)絡(luò)，從神經(jīng)網(wǎng)絡(luò)訓(xùn)練開始到得出仿真結(jié)果。先用SOM神經(jīng)網(wǎng)絡(luò)對訓(xùn)練樣本進(jìn)行處理，利用處理后的樣本對BP云神經(jīng)網(wǎng)絡(luò)進(jìn)行訓(xùn)練，這樣做不僅提高了訓(xùn)練樣本的可靠性，而且提高了BP云神經(jīng)網(wǎng)絡(luò)的性能。

SOM-BP云神經(jīng)網(wǎng)絡(luò)算法步驟[4]:

(1) 根據(jù)具體使用領(lǐng)域要求和原始訓(xùn)練數(shù)據(jù)的特點，首先要設(shè)計出合適的SOM子網(wǎng)結(jié)構(gòu)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(yīng)初步分類的類別數(shù)目，可取為SOM子網(wǎng)輸出層神經(jīng)元數(shù)目)；

(3) 根據(jù)SOM子網(wǎng)的聚類結(jié)果確定指導(dǎo)BP云神經(jīng)網(wǎng)絡(luò)子網(wǎng)分類的目標(biāo)向量，用來生成BP云神經(jīng)網(wǎng)絡(luò)的輸入樣本和輸出樣本集；

(4) 按BP云神經(jīng)網(wǎng)絡(luò)算法訓(xùn)練各個BP云神經(jīng)網(wǎng)絡(luò)子網(wǎng);

(5) 訓(xùn)練過的神經(jīng)網(wǎng)絡(luò)就是用來進(jìn)行數(shù)據(jù)精確分類的組合分類模型。將待分類數(shù)據(jù)集輸入模型后，SOM神經(jīng)網(wǎng)絡(luò)將聚集到與其相似度最大的訓(xùn)練數(shù)據(jù)所在結(jié)點位置，由該結(jié)點激活相應(yīng)的BP云神經(jīng)網(wǎng)絡(luò)子網(wǎng)，BP云神經(jīng)網(wǎng)絡(luò)子網(wǎng)以待分類數(shù)據(jù)集為輸入向量，輸出精確的結(jié)果。

SOM-BP云神經(jīng)網(wǎng)絡(luò)算法流程圖如圖3所示。

圖3 SOM-BP云神經(jīng)網(wǎng)絡(luò)算法流程圖

3 基于SOM-BP云神經(jīng)網(wǎng)絡(luò)的效能評估

3.1 訓(xùn)練樣本的選取及歸一化處理

以計算機網(wǎng)絡(luò)對抗訓(xùn)練中獲取的數(shù)據(jù)為SOM-BP神經(jīng)網(wǎng)絡(luò)輸入值，以優(yōu)、良、中、差和很差為SOM-BP神經(jīng)網(wǎng)絡(luò)的輸出。

計算機網(wǎng)絡(luò)對抗效能指標(biāo)的原始值需經(jīng)過歸一化后才能用來訓(xùn)練SOM-BP神經(jīng)網(wǎng)絡(luò)，采用線性變換的方法對原始樣本進(jìn)行歸一化處理:

當(dāng)指標(biāo)值越大，網(wǎng)絡(luò)對抗效能越好時(如網(wǎng)絡(luò)竊聽能力)，處理公式為：

x′=(x-Imin)/(Imax-Imin)

(1)

當(dāng)指標(biāo)值越小，網(wǎng)絡(luò)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(wǎng)絡(luò)對抗對應(yīng)分指標(biāo)(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(jié)果分析

根據(jù)輸入模式，組合模型中的SOM神經(jīng)網(wǎng)絡(luò)輸入層的神經(jīng)元數(shù)目取為5。由于SOM神經(jīng)網(wǎng)絡(luò)只是進(jìn)行初步分類任務(wù)，不需要達(dá)到較高的網(wǎng)絡(luò)映射精度，因此輸出層神經(jīng)元數(shù)目和訓(xùn)練最大步長就可設(shè)置為較小的值。參照網(wǎng)絡(luò)評估的等級數(shù)，采用1×5的輸出陣列，調(diào)用Matlab神經(jīng)網(wǎng)絡(luò)工具箱中的newsom()函數(shù)，根據(jù)訓(xùn)練樣本建立SOM神經(jīng)網(wǎng)絡(luò)，將訓(xùn)練最小步長設(shè)定為1 000。

根據(jù)SOM神經(jīng)網(wǎng)絡(luò)的輸出結(jié)果，建立5個BP云神經(jīng)網(wǎng)絡(luò)子網(wǎng)(規(guī)定每個BP云神經(jīng)網(wǎng)絡(luò)子網(wǎng)都含1個隱藏層，輸入神經(jīng)元數(shù)目都取5，輸出神經(jīng)元數(shù)目都取5，隱含層的神經(jīng)元數(shù)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(shù)，調(diào)用Matlab神經(jīng)網(wǎng)絡(luò)工具箱中的newff()函數(shù)建立BP云神經(jīng)網(wǎng)絡(luò)子網(wǎng)。5個BP云神經(jīng)網(wǎng)絡(luò)子網(wǎng)將會自動以初步分類結(jié)果中各類所包含的樣本數(shù)據(jù)作為輸入，以其網(wǎng)絡(luò)評估等級對應(yīng)的期望向量作為訓(xùn)練的輸出。

將歸一化后的樣本用于SOM-BP神經(jīng)網(wǎng)絡(luò)的訓(xùn)練，經(jīng)過反復(fù)學(xué)習(xí)，指導(dǎo)精度滿足要求為止。對SOM-BP神經(jīng)網(wǎng)絡(luò)評估能力進(jìn)行驗證，通過檢驗樣本來檢驗?zāi)Ｐ停贸龅慕Y(jié)果與專家定性評價結(jié)果進(jìn)行比較，得到結(jié)果如表1所示。從表1的數(shù)據(jù)對比來看，SOM-BP神經(jīng)網(wǎng)絡(luò)輸出數(shù)據(jù)與專家的定性判斷對計算機網(wǎng)絡(luò)對抗效能評估的結(jié)果完全一致，表明利用SOM-BP神經(jīng)網(wǎng)絡(luò)對計算機網(wǎng)絡(luò)對抗效能評估具有可行性，而且應(yīng)用SOM-BP神經(jīng)網(wǎng)絡(luò)進(jìn)行預(yù)測比以前傳統(tǒng)的評估方法要更可信、更精確。

表1 SOM-BP云神經(jīng)網(wǎng)絡(luò)與專家評價結(jié)果比較

4 結(jié)束語

隨著人工智能、5G技術(shù)的不斷發(fā)展，計算機網(wǎng)絡(luò)越來越重要，計算機網(wǎng)絡(luò)對抗伴隨著整個戰(zhàn)爭的全部過程，影響著一個國家的信息作戰(zhàn)能力。利用SOM-BP云神經(jīng)網(wǎng)絡(luò)進(jìn)行計算機網(wǎng)絡(luò)對抗效能評估，能克服評價中的不確定性、復(fù)雜性等問題，為科學(xué)決策提供可靠的依據(jù)。