計算機網絡安全評價中神經網絡的應用研究

李忠武　陳麗清

摘 要： 研究神經網絡在計算機網絡安全評價中的應用價值。分析神經網絡的特點及其發展歷程，計算機網絡安全的概念、影響因素及計算機系統的脆弱性，按照可行性、簡要性、獨立性、完備性和準確性的設計原則建立計算機網絡安全評價體系，利用粒子群優化算法對BP神經網絡進行優化，然后應用BP神經網絡設計計算機網絡安全評價模型，按照安全評價步驟對計算機網絡安全進行評價。在計算機網絡安全評價中應用神經網絡可以降低計算機網絡安全風險，降低由于安全問題造成的各項損失。神經網絡是一種具有自適應、自組織、自學習能力的智能人工算法技術，在計算機網絡安全評價中具有極大的應用價值。

關鍵詞： 計算機網絡； 安全評價； 神經網絡； 安全評價體系

中圖分類號： TN964?34 文獻標識碼： A 文章編號： 1004?373X（2014）10?0080?03

Abstract： To study the application value in computer network security evaluation of neural networks， the characteristics and development progress of neural networks， computer network security concept， influencing factors and vulnerability of computer systems are analyzed. The computer network security evaluation system is established according to the design principles of feasibility， independence， completeness and accuracy. BP neural network is optimized by using the particle swarm optimization algorithm. The computer network security evaluation model is designed by means of BP neural network. computer network security is evaluated according to the steps of safety assessment. The application of neural network in the computer network security evaluation can reduce the risk of computer network security and reduce the loss caused by security factors. The neural network is a kind of artificial intelligence algorithm technology with adaptive， self?organizing and self?learning capacities， and has a great application value in computer network security assessment.

Keywords： computer network； safety evaluation； neural network； security evaluation system

隨著網絡技術的快速發展，和計算機的廣泛運用，影響計算機網絡安全的因素不斷增多，如病毒、漏洞、入侵等，每種影響因素之間相互關聯，安全評價結果與因素之間，存在非線性、較復雜的關系。計算機網絡安全的傳統評價方法，操作較復雜，不能準確地描述安全評價結果與因素之間的關系，評價結果精確度較低，如灰色模型、故障樹分析法和層次分析法等。專家評價系統，是另一種評價方法，但系統評價時，需要與專家豐富的知識相聯系，安全評價缺乏科學性，評價結果不客觀，有主觀性，不適合對評價結果與因素之間，復雜關系的安全評價。神經網絡，是由大量的神經元相互連接，形成的非線性自適應動態系統，能夠自身總結規律，適應環境，完成某種過程控制、識別或運算，神經網絡還具有自行處理的特點，可以大大提高工作效率，

1 神經網絡的特點及發展

早在20世紀40年代初期，神經生物學家與數學家合作，提出第一個神經網絡模型，以人體腦部信息處理為基礎，通過數學模型研究腦細胞結構、動作和生物神經元的生理基本特征。這一時期，開創了對神經網絡的探究，為神經網絡的某些方面提供可能[1]。

1958年，計算機科學家在神經網絡模型的基礎上，增加學習機制，提出感知器神經網絡模型，并將神經網絡技術理論應用到工程中。通過神經網絡技術可以對聲納波及時識別，準確確定敵方潛水艇的位置。這一時期，神經網絡形成發展歷史上的第一次高潮。上世紀80年代，科學家提出映射自組織網絡模型，利用映射特有的拓撲性質在計算中進行模擬。1982年生物物理學家，詳細闡述全局與自組織神經網絡局部之間的穩定性，認識到神經網絡模型是一組微分非線性方程。與此同時，我國部分計算機科學家和數學家，開始對神經網絡這一新興領域產生濃厚興趣，開展長期的研究工作。

2 計算機網絡安全評價中神經網絡的應用

（1） 計算機網絡安全

計算機網絡安全，是利用先進的科學技術和網絡管理控制措施，使計算機在網絡環境中，數據的可使用性、完整性和保密性受到相應保護。計算機網絡安全包括邏輯安全和物理安全。邏輯安全，主要包括信息數據的可用性、保密性和完整性。物理安全，主要包括，利用物理對計算機相關設施及系統設備等，起到保護作用，避免丟失、破壞等。計算機網絡安全，不僅包括管理控制系統網絡的軟件、組網的硬件，還包括簡便快捷的網絡服務和共享資源。計算機網絡安全，具有保密性、完整性、可用性、可控性和可審查性五個特征。計算機網絡具有開放性、國際性和自由性，計算機網絡遭受的攻擊，來自多個方面，如物理傳輸線路攻擊，網絡通信協議攻擊，計算機硬件、軟件漏洞攻擊等。計算機網絡安全面臨著國際化挑戰，不僅是本地網絡用戶，可以對計算機網絡造成攻擊，互聯網上的其他國家黑客，也可以對計算機網絡造成攻擊。大部分計算機網絡，對用戶沒有技術等方面的限制，用戶可以自由獲取信息、發布信息等。

（2） 計算機網絡安全評價體系

計算機網絡安全評價體系，是針對影響計算機網絡安全因素建立的體系。通過計算機網絡安全評價體系，能全面、合理、客觀、科學地反映計算機網絡安全的主要影響因素。計算機網絡安全評價體系中的評價指標，應當綜合多種因素得當選取，應從一方面準確地反映評價信息，在計算機網絡安全評價中，保證神經網絡充分發揮作用[2]。

計算機網絡安全評價體系中的一級評價指標，由邏輯安全、物理安全和管理安全構成。邏輯安全評價指標，包括9個二級指標，分別是入侵防范、數據加密、防病毒措施、數字簽名、軟件安全、訪問控制、系統審計、數據恢復和數據備份。物理安全評價指標，包括6個二級指標，分別是設備安全、容錯冗余、線路安全、供電安全、網絡機房安全和防電磁泄漏措施。管理安全評價指標，包括4個二級指標，分別是應急響應機制、人員安全培訓、安全管理制度和安全組織體系。計算機網絡安全評價體系的建立原則，包括以下5點：

① 可行性。計算機網絡安全評價體系應當符合實際的測評工作，便于測評和操作；

② 簡要性。計算機網絡安全評價體系中的各項指標，應當極具代表性，層次分明，簡單扼要；

③ 獨立性。計算機網絡安全評價體系中的各項指標，選取時避免重復，盡可能的減少指標之間的關聯，使計算機網絡安全評價體系，能準確的體現計算機網絡安全的實際問題；

④ 完備性。計算機網絡安全評價體系中的各項指標選取應得當，能完整、全面的反映計算機網絡安全的主要特征，保證評價結果的可靠性和準確性；

⑤ 準確性。計算機網絡安全評價體系中的各項指標，應當準確體現計算機網絡安全的技術水平。

3 BP神經網絡和粒子群優化算法

BP神經網絡，是一種按照誤差逆傳播算法，訓練的前饋多層網絡，是目前神經網絡模型中，應用最廣泛的模型之一。BP神經網絡的學習規則，是采用最速下降法，通過反向傳播，不選調整網絡系統的閾值和權值，使網絡系統的誤差平方和達到最小。BP神經網絡模型的拓撲結構包括輸出層、隱層和輸入層。每層神經元僅僅與相鄰層的神經元相互連接，與同層內的神經元無連接，每層神經元之間沒有反饋連接，三層拓撲結構共同組成，具有結構層次的前饋神經網絡系統。單層前饋神經網絡系統，只能用于求解線性可分問題，而多層前饋神經網絡系統可以用于求解非線性的計算機網絡問題[3]。

4 計算機網絡安全評價模型的設計

應用神經網絡的計算機網絡安全評價模型，包括輸入層、隱含層和輸出層。

（1） 輸入層。輸入層神經元節點的數量，必須與計算機網絡安全評價指標數量相一致。例如，計算機網絡安全評價體系中，設計了18個二級指標，計算機網絡安全評價模型，輸入層神經元節點數量設計時，也必須是18個。

（2） 大部分BP神經網絡采用單向隱含層。在設計時，隱含層節點數的數量多少對神經網絡性能產生的影響較大。如果隱含層節點數的數量過多，會使神經網絡學習時間延長，嚴重時不能收斂；如果隱含層節點數的數量過少，會導致神經網絡的容錯能力變差。隱含層節點數的數量應根據經驗公式確定。通常情況下為5個。

（3） 神經網絡輸出層的設計，是針對計算機網絡安全評價的結果。本文將神經網絡中輸出層的節點數設為2個，輸出結果為（1，1）表示安全；（1，0）表示基本安全；（0，1）表示不安全；（0，0）表示很不安全。

計算機網絡安全評價模型，對網絡安全評價的具體步驟，分為以下幾個方面：

（1） 構建計算機網絡安全評價體系；

（2） 使用粒子群優化算法優化BP神經系統，克服BP神經網絡自身局限性。

優化方法如下：

（1） 將BP神經網絡的目標向量、傳遞函數和結構等初始化；

（2） 對粒子群的初始速度、初始位置、動量系數、迭代次數、參數維數和規模等進行設置；

（3） 利用粒子群訓練集訓練BP神經網絡，評價適應度值；

（4） 將每個粒子的歷史，最好的適應度值與當前適應度值相比較。如果當前適應度值比歷史最好的適應度值優，則將粒子當前適應度值保存，作為個體粒子歷史最好的適應度值；

（5） 計算粒子的慣性權值；

（6） 各個粒子速度和位置進行更新，每個粒子與粒子群之間的系統適應度值誤差，應當分別記錄；

（7） 對系統適應度值誤差進行判斷，當誤差超過允許的最大迭代次數，或達到已經設定好的誤差限值，結束訓練。粒子的全局歷史，最優位置就是BP神經網絡的最優閾值和最佳權值。

利用優化后的BP神經網絡模型，對計算機網絡安全進行評價。

5 結 語

近年來，神經網絡技術發展迅速，應用領域不斷擴大。在計算機網絡安全評價中神經網絡應用越來越廣，并取得了較大的成果。計算機網絡安全評價中，應用的神經網絡技術，具有自適應性、容錯性、外推性、自動抽提功能等優點，通過自我調整減小誤差，對直接數據或數值進行訓練，自動確定原因與結果之間的關系，總結規律，并將已學的知識應用到其他類似樣本中。神經網絡具有在線實時使用的潛力，保證計算機網絡安全評價結果的準確性和客觀性，防止在計算機網絡安全評價階段，評價人員主觀存在不確定性，以及對網絡安全知識的模糊性，是一種有效、可靠的計算機網絡安全評價方法。在本文研究中，主要分析了計算機神經網絡的特點及發展，研究神經網絡在計算機網絡安全評價中的應用。神經網絡技術雖然發展較快，應用較廣，但神經網絡技術目前并不是完全成熟。智能技術的未來發展趨勢，是神經網絡與灰色系統、證據理論、分形、粗集、混沌、小波、遺傳算法、專家系統、模糊邏輯等技術相互融合，共同發揮更大的作用。關于神經網絡與其他技術相融合的，應用和特點等方面，仍值得廣大學者深入研究。

參考文獻

[1] 楊鵬，顧冠群.計算機網絡的發展現狀及網絡體系結構涵義分析[J].計算機科學，2012（15）：13?15.

[2] 于學軍，程博.基于BP神經網絡的工作量估算模型[J].計算機科學，2013（9）：60?62.

[3] 黃麗民，徐紅.基于BP神經網絡的網絡安全評價方法研究[J].山東商業職業技術學院學報，2012（14）：79?81.

[4] 彭沙沙，張紅梅，卞東亮.計算機網絡安全分析研究[J].現代電子技術，2012，35（4）：109?112.

[5] 宋慶大，李冬，徐天野.計算機網絡安全問題和對策研究[J].現代電子技術，2009，32（21）：93?95.

[6] 王淑蓉，王長元，喻鈞.基于服務計算的服務組合研究[J].現代電子技術，2012，35（12）：69?71.