基于客群特征的營業(yè)廳信息安全評(píng)估模型

邵 靚 夏 景 吳 雄

1(國網(wǎng)上海市電力公司 上海 200000) 2(國網(wǎng)上海市電力公司松江供電公司 上海 201600) 3(上海欣能信息科技發(fā)展有限公司 上海 200025)

在營業(yè)廳工作過程中，為了保證業(yè)務(wù)發(fā)展符合信息安全管理要求，需要以降低信息安全風(fēng)險(xiǎn)為目的[1]，設(shè)計(jì)安全評(píng)估模型，以促進(jìn)營業(yè)廳工作的低風(fēng)險(xiǎn)運(yùn)營.在營業(yè)廳信息安全評(píng)估過程中，需要降低評(píng)價(jià)的主觀因素[2]，獲取準(zhǔn)確性較高的安全評(píng)估結(jié)果，才能使評(píng)估結(jié)果具有更高的利用率，為營業(yè)廳工作的發(fā)展打下基礎(chǔ).現(xiàn)有的安全評(píng)估方法仍無法滿足營業(yè)廳信息安全評(píng)估要求.

文獻(xiàn)[3]基于粗糙集算法，在分辨函數(shù)的作用下對(duì)數(shù)據(jù)樣本的屬性進(jìn)行分析.通過小生境模型計(jì)算最優(yōu)屬性樣本的多樣性，并依托于GEP算法提升評(píng)估模型的收斂速度.進(jìn)而依靠遺傳算法展開全局搜索，將評(píng)估結(jié)果以風(fēng)險(xiǎn)等級(jí)的形式呈現(xiàn)出來.仿真實(shí)驗(yàn)結(jié)果表明，該方法的評(píng)估結(jié)果不夠客觀，應(yīng)用性能較差.文獻(xiàn)[4]通過分析網(wǎng)絡(luò)結(jié)構(gòu)特點(diǎn)，按照當(dāng)前信息安全需求設(shè)置評(píng)估標(biāo)準(zhǔn).在評(píng)估指標(biāo)選取過程中需要包含多樣化的指標(biāo)，應(yīng)用組合賦權(quán)算法和改進(jìn)的層次分析法計(jì)算不同指標(biāo)的權(quán)重值.選取權(quán)重較高的指標(biāo)構(gòu)建灰色聚類分級(jí)評(píng)估模型，評(píng)估量化選取指標(biāo).但是，該方法在應(yīng)用中展現(xiàn)出來的評(píng)估準(zhǔn)確率較低.文獻(xiàn)[5]提出的信息安全風(fēng)險(xiǎn)評(píng)估方法結(jié)合了靜態(tài)、動(dòng)態(tài)2種維度.按照安全等級(jí)保護(hù)要求生成特征向量，并建立符合安全需求的關(guān)聯(lián)系數(shù)矩陣.根據(jù)風(fēng)險(xiǎn)和威脅事件發(fā)生概率，設(shè)計(jì)評(píng)估模型，并對(duì)信息安全進(jìn)行分析，但該方法評(píng)估結(jié)果的全局收斂性較差.

本文針對(duì)上述方法的不足之處，結(jié)合客群特征分析，構(gòu)建新的營業(yè)廳信息安全評(píng)估模型.客群特征的分析需要從用戶的購買心理、行為能力等方面進(jìn)行深入研究，并結(jié)合用戶的購買心態(tài)和偏好，生成準(zhǔn)確度較高的客群特征.在營業(yè)廳信息安全評(píng)估過程中，依據(jù)客群特征分析結(jié)果，選取安全評(píng)估算法中所應(yīng)用的主要評(píng)估指標(biāo)，使得評(píng)估結(jié)果更加貼近真實(shí)風(fēng)險(xiǎn)值.

1 基于客群特征的營業(yè)廳信息安全評(píng)估模型設(shè)計(jì)

1.1 采集營業(yè)廳運(yùn)營數(shù)據(jù)

信息安全評(píng)估需要以數(shù)據(jù)為基礎(chǔ)，將營業(yè)廳運(yùn)營過程中相關(guān)的數(shù)據(jù)源列舉出來[6].通過數(shù)據(jù)源掌握營業(yè)廳運(yùn)營過程中與用戶相關(guān)的數(shù)據(jù).通常情況下，營業(yè)廳所掌握的用戶個(gè)人信息存放在客戶管理系統(tǒng)內(nèi)，而該用戶的消費(fèi)特征需要通過產(chǎn)品系統(tǒng)獲取.所以，在運(yùn)營數(shù)據(jù)采集過程中，將營業(yè)廳互聯(lián)網(wǎng)系統(tǒng)、IT生產(chǎn)系統(tǒng)、業(yè)務(wù)管理系統(tǒng)等多個(gè)系統(tǒng)包含的用戶信息匯總起來，按照一定原則形成元數(shù)據(jù)體系.

在元數(shù)據(jù)體系中，業(yè)務(wù)管理、IT生產(chǎn)與供電網(wǎng)絡(luò)系統(tǒng)均屬于營業(yè)廳內(nèi)部信息，采集數(shù)據(jù)可信度較高，可以直接進(jìn)行采集工作.而其他數(shù)據(jù)源所采集的數(shù)據(jù)屬于外部數(shù)據(jù)，從其他機(jī)構(gòu)和合作伙伴手中提取出來.正因?yàn)槿绱?，采集?shù)據(jù)所包含的價(jià)值較低[7].在數(shù)據(jù)應(yīng)用之前需要應(yīng)用企業(yè)內(nèi)部可信度數(shù)據(jù)進(jìn)行驗(yàn)證，提取出具有較高價(jià)值的營業(yè)廳運(yùn)營數(shù)據(jù).為了滿足營業(yè)廳信息安全評(píng)估模型的應(yīng)用需求，本文采集的數(shù)據(jù)包括用戶訪問行為和訪問內(nèi)容，以及用戶所發(fā)送的言論內(nèi)容.經(jīng)過與內(nèi)部數(shù)據(jù)的相互驗(yàn)證，提取出價(jià)值密度較高的數(shù)據(jù).本文利用FTP協(xié)議實(shí)現(xiàn)數(shù)據(jù)采集，并利用多臺(tái)服務(wù)器構(gòu)建互聯(lián)網(wǎng)數(shù)據(jù)存儲(chǔ)集群.采用分布式網(wǎng)絡(luò)爬蟲技術(shù)采集營業(yè)廳運(yùn)營數(shù)據(jù)，結(jié)合插件和模擬等多種采集技術(shù)提升數(shù)據(jù)采集的效率，將采集的營業(yè)廳運(yùn)營數(shù)據(jù)作為信息安全評(píng)估的基礎(chǔ).

1.2 提取用戶群體特征

本文以客群特征分析結(jié)果為核心構(gòu)建評(píng)估模型.在用戶群體特征提取過程中對(duì)營業(yè)廳運(yùn)營網(wǎng)絡(luò)進(jìn)行分析，根據(jù)網(wǎng)絡(luò)拓?fù)浣Y(jié)構(gòu)，結(jié)合上述采集數(shù)據(jù)刻畫出用戶群體特征[8].這一過程主要包括3個(gè)階段：首先通過規(guī)則結(jié)構(gòu)將營業(yè)廳運(yùn)營網(wǎng)絡(luò)的信息安全規(guī)則描述出來；根據(jù)風(fēng)險(xiǎn)信息出現(xiàn)概率分析節(jié)點(diǎn)之間的連接情況，從而形成隨機(jī)網(wǎng)絡(luò)結(jié)構(gòu)；最后一類網(wǎng)絡(luò)結(jié)構(gòu)較為復(fù)雜，依據(jù)規(guī)則網(wǎng)絡(luò)得出的聚集系數(shù)以及隨機(jī)網(wǎng)絡(luò)獲取的特征路徑長度，共同組成小世界網(wǎng)絡(luò)，3種網(wǎng)絡(luò)的拓?fù)浣Y(jié)構(gòu)如圖1所示:

圖1 3種網(wǎng)絡(luò)拓?fù)浣Y(jié)構(gòu)圖

以上述網(wǎng)絡(luò)拓?fù)浣Y(jié)構(gòu)為基礎(chǔ)，結(jié)合采集數(shù)據(jù)計(jì)算營業(yè)廳運(yùn)營網(wǎng)絡(luò)的節(jié)點(diǎn)度、膨脹率和聚集系數(shù)、特征路徑長度等多種指標(biāo)，在多種刻畫角度的作用下準(zhǔn)確呈現(xiàn)出客群特征[9].其中，通過分析某一網(wǎng)絡(luò)節(jié)點(diǎn)所包含的相鄰節(jié)點(diǎn)數(shù)量，獲取該節(jié)點(diǎn)的節(jié)點(diǎn)度，計(jì)算公式為

D(v)=|{v0,(v,v0)or(v0,v)∈{1,2,…,O}}|,

(1)

其中，v,v0表示2個(gè)選取的節(jié)點(diǎn)，D表示節(jié)點(diǎn)度，{1,2,…,O}表示網(wǎng)絡(luò)節(jié)點(diǎn)總數(shù).通過節(jié)點(diǎn)度計(jì)算結(jié)果，可以表示用戶對(duì)營業(yè)廳業(yè)務(wù)工作的重要程度，以及該用戶流失所帶來的負(fù)面影響.根據(jù)節(jié)點(diǎn)度整體分布情況，使得營業(yè)廳可以將核心用戶從用戶群體中提取出來，進(jìn)行重點(diǎn)關(guān)注.

通過網(wǎng)絡(luò)節(jié)點(diǎn)聚集情況分析獲取聚集系數(shù)計(jì)算結(jié)果，展現(xiàn)出營業(yè)廳網(wǎng)絡(luò)所呈現(xiàn)的局部特征，將用戶訪問重合程度反映出來.則聚集系數(shù)計(jì)算公式為

(2)

其中，C表示聚集系數(shù)，kv表示節(jié)點(diǎn)v相鄰節(jié)點(diǎn)數(shù)量，ev表示相鄰節(jié)點(diǎn)之間邊的數(shù)量.對(duì)于網(wǎng)絡(luò)g進(jìn)行整體聚集系數(shù)的計(jì)算，可以從節(jié)點(diǎn)平均聚集系數(shù)獲取，計(jì)算公式表示為

(3)

其中，n表示網(wǎng)絡(luò)節(jié)點(diǎn)數(shù)量.通常情況下，用戶訪問信息的重要程度受節(jié)點(diǎn)聚集系數(shù)的影響，在整體網(wǎng)絡(luò)中聚集在某一處的節(jié)點(diǎn)數(shù)量較多，則表明該處所包含的信息較為重要.

而營業(yè)廳運(yùn)營網(wǎng)絡(luò)中特征路徑長度往往描述了網(wǎng)絡(luò)結(jié)構(gòu)的連通性，也就是全局特征[10].在營業(yè)廳運(yùn)營網(wǎng)絡(luò)中選擇2個(gè)節(jié)點(diǎn)，利用節(jié)點(diǎn)相連的最少邊數(shù)可以表示節(jié)點(diǎn)的路徑長度.所以，節(jié)點(diǎn)特征路徑長度計(jì)算公式表示為

(4)

其中，L表示特征路徑長度，i，j表示2個(gè)隨機(jī)選取的節(jié)點(diǎn)，d表示節(jié)點(diǎn)之間距離.獲取上述計(jì)算結(jié)果后，綜合分析所有節(jié)點(diǎn)到其他節(jié)點(diǎn)的路徑長度，將每個(gè)節(jié)點(diǎn)的最短路徑相加，與能夠到達(dá)的節(jié)點(diǎn)數(shù)相除，獲取平均最短路徑計(jì)算公式:

(5)

根據(jù)式(4)計(jì)算結(jié)果，可以表示客群的平均網(wǎng)絡(luò)直徑.也就是用戶與營業(yè)廳之間的交互需要通過多少人.而式(5)的計(jì)算體現(xiàn)了營業(yè)廳客群中不同用戶的交往能力.

最后，通過計(jì)算固定范圍內(nèi)的最多節(jié)點(diǎn)數(shù)得出節(jié)點(diǎn)膨脹率，將信息擴(kuò)散速度描述出來.那么，膨脹率計(jì)算公式為

Ey(v)=|{vy,(vy,vy-1)∈{1,2,…,O} andvy-1?{1,2,…,Vy-1}}|+Oy-1(v),

(6)

其中，E表示膨脹率，y表示網(wǎng)絡(luò)直徑，Vy-1表示擴(kuò)散節(jié)點(diǎn)數(shù)量.膨脹率計(jì)算屬于遞歸公式，通過計(jì)算最初節(jié)點(diǎn)在某一層內(nèi)的擴(kuò)散數(shù)量就明確了該層擴(kuò)散初始節(jié)點(diǎn)數(shù)量，直到滿足遞歸終止條件截止計(jì)算.所以，根據(jù)膨脹率計(jì)算結(jié)果可以將用戶直接影響力呈現(xiàn)出來，對(duì)膨脹率大的客戶群體給予較大關(guān)注.至此，完成用戶群體特征的提取工作，將客群特征作為營業(yè)廳信息安全評(píng)估模型設(shè)計(jì)中評(píng)估指標(biāo)選擇依據(jù).

1.3 構(gòu)建信息安全評(píng)估模型法

客群特征提取結(jié)果無法直接應(yīng)用于信息安全評(píng)估算法中，本文通過組織探測分析方法，分析客群特征屬性與營業(yè)廳關(guān)系數(shù)據(jù)，生成與營業(yè)廳信息安全密切相關(guān)的指標(biāo).根據(jù)不同用戶各項(xiàng)數(shù)據(jù)的相似屬性，獲取營業(yè)廳運(yùn)營網(wǎng)絡(luò)中客群特征向量.在應(yīng)用過程中，分析客群特征屬性和關(guān)聯(lián)程度均可以描述信息安全狀態(tài)，所以在組織探測分析技術(shù)的作用下，聚類形成客群特征中的主導(dǎo)向量，根據(jù)基于客群特征分析的聚類結(jié)果，明確營業(yè)廳信息安全評(píng)估的主要影響因素.

考慮到涉及因素建立評(píng)估指標(biāo)體系，并建立信息安全評(píng)估算法.綜合分析各種評(píng)估指標(biāo)所帶來的影響，從正面影響、負(fù)面影響2個(gè)角度構(gòu)建評(píng)語集.由于不同的信息安全評(píng)估指標(biāo)所呈現(xiàn)的評(píng)價(jià)結(jié)果等級(jí)有所差異.所以，在信息安全評(píng)估算法設(shè)計(jì)過程中，對(duì)所有等級(jí)的指標(biāo)評(píng)價(jià)結(jié)果進(jìn)行整理，計(jì)算出每個(gè)等級(jí)指標(biāo)的隸屬度，并生成式(7)所示的評(píng)估矩陣R：

(7)

其中，rij表示指標(biāo)評(píng)價(jià)結(jié)果，m表示指標(biāo)集中指標(biāo)數(shù)量，b表示評(píng)語集中評(píng)語數(shù)量.以評(píng)估矩陣為基礎(chǔ)，獲取某項(xiàng)指標(biāo)支持評(píng)語所展示的肯定隸屬度下限，而指標(biāo)不支持評(píng)語的否定隸屬度下限，利用上述2個(gè)隸屬度計(jì)算結(jié)果得到等級(jí)指標(biāo)的隸屬度.由于營業(yè)廳信息安全評(píng)估指標(biāo)數(shù)量較多，為了保證模型評(píng)估結(jié)果與真實(shí)結(jié)果誤差較小，需要對(duì)每個(gè)指標(biāo)的權(quán)重值進(jìn)行計(jì)算，按照計(jì)算得出的權(quán)重值，明確該評(píng)估指標(biāo)在模型中的重要程度.隨機(jī)選取一個(gè)評(píng)估指標(biāo)，評(píng)估指標(biāo)的熵會(huì)與評(píng)估指標(biāo)權(quán)重呈現(xiàn)反比例增長，所以指標(biāo)的權(quán)重因子計(jì)算公式為

(8)

其中，s表示信息安全評(píng)估指標(biāo)，Ws表示指標(biāo)權(quán)重因子，As表示信息安全評(píng)估指標(biāo)重要程度，N表示評(píng)估指標(biāo)總數(shù).考慮到真假隸屬度2個(gè)角度帶來的影響，將評(píng)估指標(biāo)權(quán)重計(jì)算公式表示為

(9)

其中，t表示真隸屬度，f表示假隸屬度.根據(jù)營業(yè)廳信息安全評(píng)估指標(biāo)權(quán)重計(jì)算結(jié)果，文中選取權(quán)重較高的評(píng)價(jià)指標(biāo)，提升了安全評(píng)估結(jié)果的準(zhǔn)確性.利用上述設(shè)計(jì)的評(píng)價(jià)矩陣和指標(biāo)權(quán)重計(jì)算結(jié)果，開展信息安全綜合判斷.將模糊綜合運(yùn)算符號(hào)定義為“*”，則生成式(10)：

(Q*P)(u,w)=∨(Q(u,k)∧P(k,w)),

(10)

其中，Q表示1級(jí)綜合評(píng)判結(jié)果，P表示2級(jí)綜合評(píng)判結(jié)果，k表示評(píng)價(jià)指標(biāo)，u表示指標(biāo)k在1級(jí)評(píng)判中顯示結(jié)果，w表示指標(biāo)k在2級(jí)評(píng)判中顯示結(jié)果.綜合分析2級(jí)評(píng)價(jià)結(jié)果，獲取信息安全狀態(tài).

1.4 確定信息安全風(fēng)險(xiǎn)等級(jí)

為了將營業(yè)廳信息安全評(píng)估算法得出的結(jié)果更加直觀地呈現(xiàn)出來，本文采用灰色聚類方法，利用灰數(shù)的白化權(quán)函數(shù)，將信息安全評(píng)估結(jié)果劃分為不同的風(fēng)險(xiǎn)等級(jí)，便于工作人員后續(xù)操作.本文通過灰數(shù)白化權(quán)函數(shù)進(jìn)行聚類操作，驗(yàn)證信息安全評(píng)估結(jié)果所屬的風(fēng)險(xiǎn)級(jí)別，所以在評(píng)估灰數(shù)的應(yīng)用過程中，需要預(yù)先確定等級(jí)數(shù)、灰數(shù)、白化權(quán)函數(shù).通過分析可以發(fā)現(xiàn)，灰數(shù)白化權(quán)函數(shù)主要包括5種類型，具體如圖2所示.

圖2 5類灰數(shù)的白化權(quán)函數(shù)

圖2顯示的5類灰數(shù)的白化權(quán)函數(shù)分別對(duì)應(yīng)營業(yè)廳信息安全風(fēng)險(xiǎn)等級(jí)，從1級(jí)到5級(jí).利用信息安全評(píng)估算法得出的評(píng)估指標(biāo)結(jié)果，獲取所有評(píng)估指標(biāo)的綜合聚類系數(shù)，并按照無量綱化方法對(duì)所有評(píng)估指標(biāo)進(jìn)行歸一化處理.因?yàn)槊恳粋€(gè)信息安全評(píng)估指標(biāo)所展現(xiàn)出的量綱有所差異，其自身類型也不一致，所以各種指標(biāo)評(píng)估結(jié)果數(shù)據(jù)具有不可公度性特點(diǎn).為了將評(píng)價(jià)結(jié)果快速進(jìn)行比較，依據(jù)某種效用函數(shù)將所有指標(biāo)數(shù)據(jù)統(tǒng)一到固定的無量綱區(qū)范圍內(nèi)，本文將無量綱處理的實(shí)際取值范圍設(shè)置為[0,1].在歸一化計(jì)算完成后，從指標(biāo)評(píng)價(jià)結(jié)果中尋找最不安全指標(biāo)，以此作為依據(jù)輸出營業(yè)廳信息安全風(fēng)險(xiǎn)等級(jí).

2 實(shí)驗(yàn)設(shè)計(jì)與結(jié)果分析

考慮到理論設(shè)計(jì)與實(shí)際應(yīng)用往往存在較大差異，為了保證本文所設(shè)計(jì)信息安全評(píng)估模型的實(shí)際應(yīng)用效果，特展開實(shí)驗(yàn)測試，根據(jù)測試結(jié)果判斷設(shè)計(jì)模型的應(yīng)用性能.

2.1 數(shù)據(jù)來源

由于營業(yè)廳的工作流程具有獨(dú)特性，本文選取某一家供電營業(yè)廳為數(shù)據(jù)采集目標(biāo).該公司的運(yùn)營原理如圖3所示，基于IT技術(shù)和計(jì)算機(jī)網(wǎng)絡(luò)進(jìn)行與用戶的交易和互動(dòng)等行為.

圖3 某供電營業(yè)廳運(yùn)營圖

本文針對(duì)上述供電營業(yè)廳運(yùn)營結(jié)構(gòu)和1個(gè)月內(nèi)的用戶詳細(xì)數(shù)據(jù)進(jìn)行抓取，并將抓取結(jié)果以表格的形式呈現(xiàn)出來.通過對(duì)用戶基本資料深入分析，將獲取的XML文件解析處理，獲取用戶群體近期消費(fèi)記錄，以便獲取客群特征.

實(shí)驗(yàn)數(shù)據(jù)的選取應(yīng)用網(wǎng)絡(luò)爬蟲技術(shù)，將眾多用戶的交易記錄和供電記錄完整提取出來.在網(wǎng)絡(luò)爬蟲的作用下，歷經(jīng)數(shù)據(jù)抓取、XML文件解析、數(shù)據(jù)清洗和提取URL等一系列操作，獲取具有較高價(jià)值的數(shù)據(jù).隨機(jī)選取某個(gè)用戶ID，以此作為起始點(diǎn)利用爬蟲算法優(yōu)先遍歷運(yùn)營網(wǎng)絡(luò).通過逐層深入分析，獲取供電營業(yè)廳運(yùn)營網(wǎng)絡(luò)中的相關(guān)節(jié)點(diǎn)和數(shù)據(jù)，經(jīng)由解析算法提取出所需鏈接，將采集數(shù)據(jù)構(gòu)成實(shí)驗(yàn)所需數(shù)據(jù)集.

2.2 選取評(píng)價(jià)指標(biāo)

在實(shí)驗(yàn)數(shù)據(jù)中，隨機(jī)選取的供電營業(yè)廳運(yùn)營網(wǎng)絡(luò)中包含50個(gè)用戶.對(duì)每一個(gè)用戶數(shù)據(jù)中聚集系數(shù)、特征路徑長度以及膨脹率等指標(biāo)進(jìn)行計(jì)算，獲取用戶屬性特征.綜合考慮所有用戶的屬性特征，通過組織探測分析算法，對(duì)數(shù)據(jù)集屬性特征進(jìn)行組織聚類，形成圖4所示的群體特征分析結(jié)果：

圖4 群體特征分析結(jié)果

根據(jù)圖4所示的聚類結(jié)果進(jìn)行分析可知，在信息安全評(píng)估過程中，生成6個(gè)特征聚類中心.基于營業(yè)廳客群特征，生成相對(duì)應(yīng)信息安全風(fēng)險(xiǎn)評(píng)估指標(biāo).其中，M1表示用戶越權(quán)訪問資源，M2表示數(shù)據(jù)泄露，M3表示拒絕服務(wù)，M4表示未授權(quán)修改數(shù)據(jù)，M5表示系統(tǒng)功能崩潰，M6表示未授權(quán)訪問.利用上述指標(biāo)，采用文中設(shè)計(jì)的評(píng)估算法，分析信息安全風(fēng)險(xiǎn)特點(diǎn).

2.3 評(píng)估結(jié)果分析

本文采用Matlab7.0軟件平臺(tái)，通過編程的方式構(gòu)建本文設(shè)計(jì)的信息安全評(píng)估模型，在實(shí)驗(yàn)數(shù)據(jù)集中隨機(jī)選取8組數(shù)據(jù)，展開信息安全評(píng)估.應(yīng)用本文設(shè)計(jì)模型獲取的信息安全評(píng)估結(jié)果如表1所示.

表1所示為本文模型針對(duì)每項(xiàng)評(píng)估指標(biāo)進(jìn)行的評(píng)估結(jié)果.

表1 信息安全評(píng)估結(jié)果統(tǒng)計(jì)表

利用本文設(shè)計(jì)的評(píng)估算法，綜合上述多項(xiàng)指標(biāo)評(píng)估結(jié)果獲取信息風(fēng)險(xiǎn)評(píng)估值.除了本文設(shè)計(jì)的安全評(píng)估模型外，選擇文獻(xiàn)[3-4]提出的模型進(jìn)行信息安全評(píng)估.對(duì)3種方法風(fēng)險(xiǎn)評(píng)估值與真實(shí)風(fēng)險(xiǎn)值相比的相對(duì)誤差進(jìn)行計(jì)算：

(11)

3種方法的風(fēng)險(xiǎn)評(píng)估值計(jì)算結(jié)果如圖5所示:

圖5 3種方法風(fēng)險(xiǎn)評(píng)估值與真實(shí)值對(duì)比

通過圖5可知，本文設(shè)計(jì)模型評(píng)估結(jié)果的相對(duì)誤差為1.79%，相比文獻(xiàn)[3]方法評(píng)估結(jié)果使得相對(duì)誤差降低15.73%，與文獻(xiàn)[4]評(píng)估方法相比相對(duì)誤差降低21.89%.本文設(shè)計(jì)評(píng)估模型與信息真實(shí)風(fēng)險(xiǎn)值最為接近，而文獻(xiàn)[3-4]提出模型獲取的評(píng)估風(fēng)險(xiǎn)值與真實(shí)風(fēng)險(xiǎn)值相比，具有較大偏差.綜上所述，本文設(shè)計(jì)模型以客群特征為基礎(chǔ)，極大提升了信息安全風(fēng)險(xiǎn)評(píng)估結(jié)果的準(zhǔn)確率，保障營業(yè)廳信息安全.

3 結(jié)束語

本文針對(duì)營業(yè)廳信息安全問題進(jìn)行了研究，提出以客群特征為基礎(chǔ)的安全評(píng)估模型.通過營業(yè)廳運(yùn)營系統(tǒng)的主要工作系統(tǒng)采集數(shù)據(jù)，根據(jù)數(shù)據(jù)分析得到客群特征，生成評(píng)估指標(biāo)，根據(jù)安全評(píng)估算法獲取信息風(fēng)險(xiǎn)等級(jí)，從而更好地保障營業(yè)廳信息安全.實(shí)驗(yàn)結(jié)果顯示，本文設(shè)計(jì)的評(píng)估模型，在應(yīng)用過程中獲取的評(píng)估風(fēng)險(xiǎn)值與真實(shí)風(fēng)險(xiǎn)值極為接近，可以準(zhǔn)確反映出信息風(fēng)險(xiǎn)狀態(tài).雖然本文設(shè)計(jì)的模型達(dá)到了預(yù)期應(yīng)用效果，但客群特征分析理論研究時(shí)間尚短，獲取結(jié)果還不夠全面.所以在未來研究過程中，需要對(duì)相關(guān)理論知識(shí)深入探索，為安全評(píng)估模型的發(fā)展提供理論依據(jù).