基于人工智能算法的無線移動通信系統風險評價

李新

摘 ?要： 風險評價模型是保證無線移動通信系統安全的一種重要技術，針對當前無線移動通信系統風險評價正確率低，評價耗時長等缺陷，設計基于人工智能算法的無線移動通信系統風險評價模型。首先，對無線移動通信系統風險評價的國內外研究現狀進行分析，建立無線移動通信系統風險評價指標體系;然后，根據無線移動通信系統風險評價指標體系收集學習樣本，并采用人工智能算法優化神經網絡構建無線移動通信系統風險評價模型;最后，進行無線移動通信系統風險評價仿真對比測試。結果表明，人工智能算法的無線移動通信系統風險評價正確率超過95%，評價誤差小于其他模型，而且無線移動通信系統風險評價時間明顯減少，實時性能更好，具有更高的實際應用價值。

關鍵詞： 風險評價; 無線移動通信系統; 人工智能算法; 風險評價模型; 神經網絡優化; 研究現狀分析

中圖分類號： TN919?34; TP391 ? ? ? ? ? ? ? ? ? 文獻標識碼： A ? ? ? ? ? ? ? ? ? ? 文章編號： 1004?373X（2020）01?0012?04

Wireless mobile communication system risk assessment

based on artificial intelligence algorithm

LI Xin

Abstract： Risk assessment model is an important technology to ensure the security of wireless mobile communication system. To deal with the defects of low accuracy and long time?consumption of risk evaluation in current wireless mobile communication system， a risk assessment model based on artificial intelligence algorithm is designed for wireless mobile communication system. Firstly， the research status of risk assessment for wireless mobile communication system at home and abroad is analyzed and the risk evaluation index system for wireless mobile communication system is established. Then， learning samples are collected according to the risk evaluation index system for wireless mobile communication system， and the artificial intelligence algorithm is adopted to optimize the neural network for the construction of risk evaluation model for wireless mobile communication system. Finally， the simulation and comparative test of risk assessment for wireless mobile communication system is implemented. The results show that the accuracy rate of wireless mobile communication system risk assessment model based on artificial intelligence algorithm is over 95%， and its evaluation error is less than other models. Moreover， the duration of risk assessment for wireless mobile communication system is obviously shortened and its real?time performance is better. Therefore， it has higher practical application value.

Keywords： risk assessment; wireless mobile communication system; artificial intelligence algorithm; risk assessment model; neural network optimization; research status analysis

0 ?引 ?言

在無線移動通信系統的工作過程中，有許多因素會影響其安全，對通信系統產生干擾，如非法入侵、隱私數據的竊取等，使其存在許多潛在的危險，而風險評價可以對無線移動通信系統存在的安全問題進行預先估計，因此需要建立正確率高的無線移動通信系統風險評價模型[1?3]。

無線移動通信系統風險評價的研究可以劃分為3個階段：初始階段為人工階段，一些相關的專家根據自己的經驗對無線移動通信系統的歷史數據進行分析，然后根據自己的經驗得到無線移動通信系統風險等級，該方法耗時長，評價正確率低，風險評價結果具有一定的盲目性[4?6]。第二個階段為線性的無線移動通信系統風險評價模型，通過引入灰色模型、聚類分析等對無線移動通信系統的狀態歷史數據進行灰色分析或者聚類分析，該類方法認為無線移動通信系統風險呈線性的變化特點，使得無線移動通信系統風險評價結果不穩定，而且無線移動通信系統風險有一定隨機性變化特點，評價錯誤率較高[7?9]。第三個階段為非線性的無線移動通信系統風險評價模型主要采用神經網絡、貝葉斯網絡模型等[10?12]，它們可以描述無線移動通信系統風險的多種變化特點，如非線性、隨機性、動態性等。非線性的無線移動通信系統風險評價結果比其他階段的模型更優，尤其是BP神經網絡的性能最優，在無線移動通信系統風險評價中應用最為廣泛。BP神經網絡的無線移動通信系統風險評價正確率與初始連接權值有直接聯系[13?15]。

針對BP神經網絡應用于無線移動通信系統風險評價中的參數優化問題，設計基于人工智能算法的無線移動通信系統風險評價模型，并與其他無線移動通信系統風險評價模型進行了對比測試。

1 ?相關理論

1.1 ?BP神經網絡

設BP神經網絡輸入數據為[X=（X1，X2，…，Xn）T]，[n]表示輸入層神經元的節點數，相應的輸出數據為[O=（O1，O2，…，Om）T]，[m]表示輸出層神經元的節點數，[Wij]和[Wjk]分別為隱含層和輸出層的連接權重，對于第[i]層輸入分量[Xi]，隱含層和輸出層相應的輸出可以表示為：

[Yo=f（XiW）] （1）

BP神經網絡的訓練步驟如下：

1） 隨機初始化權值[Wij]和[Wjk]，它們的值一定不能相同，通常范圍為（-1.0，1.0），對于樣本（[Xp]，[Yp]），其輸出值為[Op]。

2） 計算[Op]和[Yp]之間的誤差，根據誤差調整權值矩陣，對于第[p]個樣本，可以得到：

[Ep=12j=1m（ypj-opj）2] ?（2）

全部樣本的神經網絡誤差計算公式為：

[E=l=1sEpl] ?（3）

式中[s]為樣本數目。

極小化[E]過程可以看作是一個優化問題，采用最速下降法對權值矩陣進行調整，即：

[Wjk=Wjk+ΔWjk=Wjk+αO（1.0-Ok）（Yk-Ok）Oj] ?（4）

[Wij=Wij+ΔWij=Wij+αOj（1.0-Oj）Oi·k1=1hk2=1mWk1k2Oj+1，k2（1.0-Oj+1，k2）（Yj+1，k2-Oj+1，k2）] ?（5）

式中[α]表示學習率。

傳統BP神經網絡的[Wij]和[Wjk]初始值采用隨機方式確定，使得BP神經網絡的性能不穩定，問題的求解無法得到最優結果，因此本文引入人工智能算法中的粒子群優化算法對[Wij]和[Wjk]初始值進行尋優確定。

1.2 ?人工智能算法

第[i]個粒子的位置向量為[xi=（xi1，xi2，…，xiD）]，其表示一組[Wij]和[Wjk]初始值，同時還有一個速度向量[vi=][（vi1，vi2，…，viD）]。粒子通過跟蹤個體和群體最優位置進行飛行方向的調整，具體為：

[vid（t+1）=ωvid（t）+c1r1（pid-xid（t））+c2r2（pgd-xid（t））] ? ? ?（6）

[xid（t+1）=xid（t）+vid（t+1）] （7）

式中：[t]為迭代次數;[ω]為慣性權重。

2 ?人工智能算法的無線移動通信系統風險評價模型

2.1 ?無線移動通信系統風險評價指標及風險等級設置

由于無線移動通信系統風險具有一定的隨機性，因此，無線移動通信系統風險指標構建基于科學性、適用性、可操作性等原則，首先將無線移動通信系統風險評價指標劃分為兩類：人為風險指標體系和技術風險指標體系。技術風險指標體系劃分為：硬件設施、物理環境與保障、軟件設施等風險子指標體系，它們又可細分為具體的風險指標，如軟件設施風險指標細分為計算機操作系統、網絡操作系統、網絡通信協議等指標;人為風險指標體系只包括管理者的風險子指標體系，其又可以細化，建立的層次型指標結構如圖1所示。

根據無線移動通信系統風險評價規范，其風險等級可以設置為5級，具體值以及說明如表1所示。

2.2 ?基于人工智能算法的無線移動通信系統風險評價步驟

1） 根據科學性、適用性、可操作性等原則，選擇無線移動通信系統風險指標。

2） 根據無線移動通信系統風險指標收集相應的無線移動通信系統風險評價數據。

3） 通過相關專家標記無線移動通信系統風險的等級。

4） 由于有的指標需要量化處理，有的指標需要進行離散化處理，因此對指標進行相應的預處理，然后對預處理的值進行縮放處理，具體如下：

[x′i=（xi-max）（max-min）] （9）

式中：max和min分別表示無線移動通信系統風險指標的最大值和最小值。

5） 選擇部分數據組成無線移動通信系統風險評價訓練樣本集，輸入到BP神經網絡中，并初始化BP神經網絡的相關參數，如訓練最小誤差、最大訓練代數等。

6） 采用人工智能算法——粒子群優化算法確定BP神經網絡的初始連接權值。

7） 根據初始連接權值及相關參數進行神經網絡的正向學習和誤差反向傳播，并通過梯度下降算法對權值進行不斷調整，使訓練誤差滿足預先設定的訓練最小誤差范圍。

8） 通過上述步驟建立無線移動通信系統風險評價模型，具體流程如圖2所示。

3 ?仿真測試

3.1 ?無線移動通信系統風險評價數據源

為了測試本文設計的基于人工智能算法的無線移動通信系統風險評價模型的性能，選擇無線移動通信系統一段時間風險歷史數據作為研究對象。首先采集無線移動通信系統風險評價指標的數據，并進行一定的預處理，然后得到相應的無線移動通信系統風險等級值，由于篇幅有限，只顯示無線移動通信系統風險值，如圖3所示。對圖3無線移動通信系統風險的原始值進行分析，可以清楚地知道，無線移動通信系統風險變化不定，具有強烈的隨機性，但也有一定規律性變化特點，選擇最后50個數據作為驗證樣本，其他作為無線移動通信系統風險評價的訓練樣本。

3.2 ?本文模型的無線移動通信系統風險評價結果分析

采用粒子群優化算法確定BP神經網絡的初始連接權值，然后得到本文模型的無線移動通信系統風險評價結果如圖4所示。對圖4的無線移動通信系統風險評價結果進行分析可以看出，本文模型的無線移動通信系統風險評價偏差相當小，可以忽略不計，無線移動通信系統風險評價正確率高，評價結果的可信度高，是一種可行的無線移動通信系統風險評價模型。

3.3 ?與經典無線移動通信系統風險評價模型的性能比較

為了測試基于人工智能算法的無線移動通信系統風險評價模型的優越性，采用灰色模型、聚類分析、標準BP神經網絡對相同數據集、在相同仿真環境進行對比實驗，統計無線移動通信系統風險評價正確率以及訓練時間，具體如表2所示。從表2可以發現，本文基于人工智能算法的無線移動通信系統風險評價模型的評價正確率超過了95%，經典無線移動通信系統風險評價模型的正確率均低于95%，而且本文模型的訓練時間短于經典無線移動通信系統風險評價模型，加快了無線移動通信系統風險評價速度。因此，本文模型的無線移動通信系統風險評價結果更加理想。

4 ?結 ?語

無線移動通信系統安全是當前研究的熱點，為了解決當前無線移動通信系統風險評價存在的難題，設計了基于人工智能算法的無線移動通信系統風險評價模型。結果表明，人工智能算法的無線移動通信系統風險評價正確率超過95%，無線移動通信系統風險評價訓練速度快，是一種正確率高、結果可信度高、效率高的無線移動通信系統風險評價建模工具。

參考文獻

[1] 徐一帆，呂建偉，謝宗仁，等.計及技術風險的復雜系統多分辨率風險評估方法[J].國防科技大學學報，2018，40（5）：161?170.

[2] 李艷，黃光球，張斌.基于攻擊事件的動態網絡風險評估框架[J].計算機工程與科學，2016，38（9）：1803?1811.

[3] 周未，張宏，李博涵.基于攻防狀態圖模型的網絡風險評估方法[J].東南大學學報（自然科學版），2016，46（4）：688?694.

[4] 陳建莉.基于未確知數學的網絡安全風險評估模型[J].空軍工程大學學報（自然科學版），2014，15（2）：91?94.

[5] 趙剛，吳天水.結合灰色網絡威脅分析的信息安全風險評估[J].清華大學學報（自然科學版），2013，53（12）：1761?1767.

[6] 葛海慧，肖達，陳天平，等.基于動態關聯分析的網絡安全風險評估方法[J].電子與信息學報，2013，35（11）：2630?2636.

[7] 梁禮，楊君剛，朱廣良，等.基于實時告警的層次化網絡安全風險評估方法[J].計算機工程與設計，2013，34（7）：2315?2323.

[8] 付沙.一種改進風險矩陣法在網絡系統風險評估中的應用[J].計算機系統應用，2012，21（1）：148?151.

[9] 傅建新，黃聯芬，姚彥.基于層次分析法?灰色聚類的無線網絡安全風險評估方法[J].廈門大學學報（自然科學版），2010，49（5）：622?626.

[10] 張焱，黃曙光，汪永益.基于DS理論與層次權重的網絡安全風險評估[J].計算機應用與軟件，2011，28（11）：294?297.

[11] 董紀芳.聚類分析和神經網絡相融合的網絡信息系統風險評價[J].農業網絡信息，2015，25（10）：29?32.

[12] 趙保華.層次分析法和神經網絡的信息系統風險評估[J].微電子學與計算機，2015，32（10）：163?166.

[13] 盧志剛，劉俊榮，劉寶旭.基于GTST?MLD的復雜網絡風險評估方法[J].計算機科學，2014，41（7）：194?199.

[14] 王月紅.基于證據理論的無線通信系統安全風險評價[J].火力與指揮控制，2017，42（7）：86?89.

[15] 成科，宋海聲，安占福，等.基于GA參數優化的t?SVR網絡安全風險評估方法[J].計算機工程與應用，2014，50（12）：91?95.

作者簡介：李 ?新（1981—），女，碩士，講師，主要研究方向為移動通信與無線技術。