神經網絡在計算機網絡安全評價中的應用

祁宏偉++白海艷

摘 要

隨著互聯網技術逐漸發展，網絡系統實現了開放性、公開性以及自由性，基于網絡這樣的特點，為網絡帶來一定的安全威脅。對于計算機網絡安全進行評價，能夠有效的提升計算機網絡安全。傳統的計算機網絡安全評價效果不佳，基于神經網絡的計算機網絡安全評價的適用性較強。基于此，在本文中針對神經網絡在計算機網絡安全評價中的應用進行研究。

【關鍵詞】神經網絡 計算機網絡 安全評價 應用研究

在科技高度發展的當今社會中，計算機網絡技術已經逐漸應用到人們的生活、學習等不同的領域中。基于計算機網絡的特性，網絡為人們的生活帶來便利的同時也存在著一定的信息安全隱患。在社會發展中，很多由于計算機網絡安全隱患而引發的問題屢見不鮮，因此我們應當高度在重視對于計算機網絡安全的評價。將神經網絡應用到網絡安全評價中，能夠發揮出神經網絡的優勢，使得評價更加的全面。

1 神經網絡的評價原理

1.1 原理分析

在神經網絡中，BP神經網絡的功能最為突出，以BP神經網絡為依據，分析其在計算機網絡安全評價中的應用，首先需要分析神經網絡的結構。BP神經網絡拓撲結構主要分為三個層別，

1.1.1 輸入層

輸入層的具體功能就是對外界信息的接受，將信息傳輸到神經單元中；

1.1.2 中間層

中間層還涵蓋了單隱層和雙隱層。在中間層中，對系統中的信息性能進行處理，功能接近于系統的中央處理器，最終實現信息與外界信息的交換；

1.2.3 輸出層

輸出層與輸入層的功能相互對應，輸出被中間層處理后的信息。

1.2 特點分析

基于BP神經網絡在計算機網絡安全中的應用，能夠在神經網絡的特點，基礎上，提升計算機網絡系統的安全性以及使得評價更加的具體。“誤差方向學習”是神經網絡中顯著特點，神經網絡誤差反向學習功能能夠逐一遍歷計算機網絡中的數據信息，對數據信息的安全性進行逐一的排查。那么何為反向學習，在進行反向學習之前，需要進行正向的學習。正向的學習環節中，能夠將結果與期望輸出的結果進行對比，當結果與期望值之間的誤差比較大時，才會激發反向學習。神經網絡在正向與反向相互結合的模式中，能夠對網絡系統中的故障進行反復性的排查，解決非線性映射問題。

2 神經網絡在計算機網絡安全評價中的運用

神經網絡在計算機網絡安全評價中的運用，首先需要建立計算機網絡安全風險評估模型，其次，針對網絡節點的功能進行詳細的分析，最后，在計算機主機模塊中進行數據信息的捕獲。

2.1 計算機網絡安全風險評估模型

將神經網絡應用在計算機網絡安全評價中，建立相應的風險評價模型，在實際的模型中，主要分為三個層別。

（1）基于神經網絡的計算機網絡系統指標層。在該指標層中能夠顯示出網絡攻擊種類，借助神經網絡正向學習功能對網絡攻擊的數據進行分析，當發現數據信息可疑之后進行神經網絡的方向學習，對網絡病毒進行查殺。在正向學習過程中需要系統獲取兩個要素，分別網絡攻擊數據對于系統的安全性影響，以及網絡主機系統的脆弱性；

（2）網絡主機的風險計算，基于神經網絡的風險計算中包含風險指數，該指數能夠真實的反映出網絡攻擊的濃度、危險程度等；

（3）網絡層風險計算，網絡層的風險計算是指對整個網絡進行風險評估與風險計算，涉及到了整個網絡的風險值。

2.2 基于神經網絡節點功能分析

基于神經網絡的計算機網絡安全風險檢測，其所要檢測與評價的方向主要分為兩個方向：

（1）計算機網絡主機安全風險檢測系統；

（2）網絡安全風險檢測系統。

而在兩個層級的風險檢測系統中，后者也就是網絡安全風險檢測系統是核心的檢測系統，主機安全檢測系統子系統圍繞著網絡的大環境進行安全檢測。當系統中遇到病毒侵襲時，在神經網狀的網絡安全風險防范系統中將會生成網絡病毒攻擊圖。目前，神經網絡攻擊圖主要分為兩種：

（1）屬性攻擊圖。屬性攻擊圖的網絡安全防護功能實現借助屬性攻擊圖中的屬性節點、攻擊節點、“邊”來實現。在神經網絡中憑借屬性攻擊圖實現典型計算機網絡的訪問權限、網絡數據連接、以及網絡數據之間相互信任關系等。

（2）狀態攻擊圖。在神經網絡中，系統安全要素節點會隨著系統變化改變而發生變化。而屬性攻擊圖與狀態攻擊圖不同，狀態攻擊圖是一種獨立性比較強的節點，單一節點在面對網絡攻擊時，耐受能力比較強。然而屬性節點的數量有限，在攻擊環節中不會隨意增加。

2.3 主機數據模塊捕獲

網絡中所包含的數據包信息對計算機網絡帶來安全威脅，因此需要借助神經網絡網卡的形式，對主機數據信息進行安排檢測。由于網卡工作模式調節為混亂，能夠向網絡中的不同數據包敞開大門，因而使得不同類型的數據包都能夠通過網卡進行到系統中來。該種模式對網絡正常運行不產生影響，借助神經網絡的數據安全評價對網絡節點中的數據進行收集，捕獲網絡中的數據包。將這些數據包以隊列的形式進行排放處理，在該模塊完成功能之后就對數據進行釋放與清除。這樣主機數據模塊捕獲形式能夠提升計算機網絡數據包中的數據信息安全。

3 結論

綜上所述，計算機網絡安全評價在傳統評價體系下，難以提升計算機網絡安全，評價效果較差。在本文中研究基于神經網絡的計算機網絡安全評價，借助神經網絡的優勢，在計算機網絡中建立風險評價模型，分析網絡節點功能，以提升計算機網絡安全。

參考文獻

[1]崔曉紅.人工神經網絡技術在安全評價中的應用[D].西安：西安建筑科技大學，2005.

[2]歐陽博文.基于神經網絡理論礦井通風系統安全綜合評價研究[D].西安：西安科技大學，2006.

[3]毛志勇.BP神經網絡在計算機網絡安全評價中的應用[J].信息技術，2008（06）：45-47.

[4]史望聰.神經網絡在計算機網絡安全評價中的應用分析[J].自動化與儀器儀表，2016（06）：210-211.

作者單位

集寧師范學院 內蒙古自治區烏蘭察布市 012000