基于人工魚群神經網絡的計算機網絡安全評價

楊曉翠 劉汝濤 徐韶

【摘要】 計算機網絡安全評價是在保障網絡信息安全中的一個重要過程。針對BP神經網絡技術在對網絡安全進行時存在的收斂速度慢、不易獲得全局最優解、診斷精度低以及網絡結構不確定等缺點，而人工魚群算法具有較優的全局收斂能力及較快的尋優速度。因此，本文利用人工魚群算法對BP神經網絡的初始權值和閾值進行了優化，建立了一種新的計算機網絡安全評價模型，并將該模型應用到具體的網絡安全評價實例中。結果表明，人工魚群神經網絡算法具有收斂速度快及泛化能力強的優點，為計算機網絡安全評價提供一種高效、準確及可靠的方法。

【關鍵字】 網絡安全 神經網絡 魚群算法 評價

目前應用較廣泛的BP神經網絡評價算法存在著網絡參數難確定、收斂速度較慢且易陷入極小值等問題。為了解決上述問題，本文應用魚群算法對BP神經網絡進行了改進，結合網絡安全評價實例進行了測試，并將測試數據與標準BP神經網絡進行了比較與分析，取得了理想的結果。

一、基本BP神經網絡算法

BP神經網絡算法是一種采用誤差反向傳播的多層前饋感知器。其特點是具有分布式的信息存儲方式，能進行大規模并行處理，并具有較強的自學習及自適應能力。BP網絡由輸入層（感知單元）、計算層（隱藏層）、輸出層三部分組成。輸入層神經元首先將輸入信息向前傳遞至隱含層節點，經過激活函數預處理后，隱層節點再將輸出信息傳送至輸出層得到結果輸出。輸入層與輸出層節點的個數取決于輸入、輸出向量的維數，隱含層節點個數目前并沒有統一的標準進行參考，需通過反復試錯來確定。

二、人工魚群算法

2.1基本原理

人工魚群算法是指通過長期對魚類覓食行為的觀察，構造人工魚來模擬魚類的覓食、群聚、尾隨以及隨機行為，從而完成全局最優值的尋找。算法所包含的基本過程如下：覓食行為：魚類會利用視覺或嗅覺來感知水中食物濃度的高低，以此來選擇覓食的路線。聚群行為：魚類一般會以群體形式進行覓食，以此來躲避天敵的傷害并以最大概率獲得準確的覓食路線。尾隨行為：當群體中的某條魚或幾條魚尋找到食物后，其附近的其他同伴會立刻尾隨而來，其他更遠處的魚也會相繼游過來。隨機行為：魚在水中的活動是不受外界支配的，基本上處于隨機狀態，這種隨機性有利于魚類更大范圍的尋找食物及同伴。

2.2魚群算法優化BP神經網絡的原理

BP神經網絡在求解最優化問題時容易陷入局部極值，并且網絡的收斂速度較慢。魚群算法通過設定人工魚個體，模擬魚群在水中的覓食、尾隨和群聚行為，通過個體的局部尋優，最終實現全局尋優。人工魚在不斷感知周圍環境狀況及同伴狀態后，集結在幾個局部最優點處，而值較大的最優點附近一般會匯集較多的人工魚，這有助于判斷并實現全局最優值的獲取。因此用人工魚群算法來優化BP神經網絡是一種合理的嘗試。

2.3具體工作步驟

①設定BP神經網絡結構，確定隱層節點數目；②設定人工魚參數，主要包括個體間距離、有效視線范圍以及移動步長等；③人工魚進行覓食、群聚及尾隨行為來優化BP神經網絡；④通過設定的狀態參量，判斷是否達到目標精度；⑤若達到精度要求則輸出網絡優化權值，并執行網絡循環，否則繼續改化參數進行優化；⑥輸出最終優化參數并進行計算機網絡安全評價。

三、實驗與結果比較

將網絡安全的17項評價指標的分值作為BP神經網絡的輸入，網絡的期望輸出只有一項，即安全綜合評價分值。BP神經網絡需要一定數量的已知樣本來訓練，然后才能用訓練好的網絡進行評價。目前用于網絡安全綜合評價的數據還很少，本文采用的是文獻[3]里面的15組數據，其中將1～10項用作網絡訓練，11～15項用作仿真輸出。

算法用Matlab語言實現。通過實驗分析，本文將網絡隱含層節點數設為5，權值調整參數α=0.1，閾值調整參數β=0.1，學習精度ε=0.0001。網絡經過2000次訓練，收斂于所要求的誤差，然后對檢驗樣本及專家評價樣本進行仿真，結果如表1所示，可以看出，魚群神經網絡模型進行計算機網絡安全評價中的平均誤差較小，僅為2.13%，仿真值與標準輸出值非常接近，說明魚群神經網絡對網絡安全評價有很好的泛化和擬合性；而標準BP神經網絡預測結果的平均誤差為4.96%，預測值與實際值偏離較大，說明標準BP神經網絡在網絡安全評價中擬合性不好，測試效果不佳。

四、結束語

利用人工魚群算法優化后的BP神經網絡具有收斂速度快、擬合精度高等優點，克服了標準BP神經網絡收斂速度慢、容易陷入局部極小值的缺點。同時本文采用的實驗數據僅有15個，基于標準BP神經網絡算法得到的相對誤差較大，但優化后的BP神經網絡精度有明顯提高，避免了由于樣本數量少造成的擬合精度低等缺點。