基于自適應BP神經網絡的網絡安全評價模式

黃振晗

（福建廣播電視大學莆田分校 福建省莆田市 351100）

1 自適應BP神經網絡

1.1 BP神經網絡

維基百科這樣介紹人工神經網絡：是數據學習模型的一系列稱呼，其來源于生物神經網絡，通常用來評估和預測大量未知數據的功能。其可以簡單圖1來說明，其中xi為輸入，f(·)為激活函數， wix是權值，yi是輸出。通過不同的激活函數和權值就可以得到不同的輸出。

而BP（Back Propagation）神經網絡被稱為逆向傳播神經網絡，其原理就是先通過任意確定一個權值和選擇激活函數，計算得到輸出。然后將此輸出與正確的輸出進行誤差分析，通過學習修正權值，最終得到正確的輸出過程。當然，BP神經網絡也存在無法收斂、或者運算速度慢的缺點。所以研究者通過將一些優化算法運用在BP神經網絡，從而提高運算的收斂性和速度。

常見的激活函數有階躍函數、線性函數和S型函數。由于BP神經網絡有很好的非線性分析能力，所以很多研究者使用非線性激活函數。BP神經網絡應用十分廣泛，包括數據預測、模式識別和信號處理等領域。

其一般性的分析方法如下所示：

網絡結構設計→數據的處理→隱含層和激活函數的設定→模型實現

在BP神經網絡的發展過程中，由于BP神經網絡的缺點，研究者提出了很多優化算法，例如附加動量法，其通過調節權值和閥值的變化值，減少了網絡上微小變化的干擾，其調節公式為：

該改進公式中mc為動量因子，其減少了學習過程的震蕩趨勢。但是這種也存在參數選取的隨機性和收斂速度慢的缺點。同樣針對最常用激活函數-S型函數，當輸入變量太大時，存在梯度下降的問題，提出了彈性BP方法。這些方法都在一定范圍解決了BP神經網絡的一些固有缺點。針對不一樣的應用領域，可以根據經驗選擇適合的方法。

1.2 自適應BP神經網絡應用

齊曉慧[1]將BP神經網絡應用到ESO（擴張狀態觀測器）的優化中，應用自適應算法的思想，又將優化后的ESO應用到ADRC(自抗擾控制器)的計算中，結果表明了很好的應用效果。譚駿[2]將自適應BP神經網絡應用于網絡流量識別算法中，基于BP神經網絡和粒子群優化算法的自適應性，擴展了流量識別的應用范圍。BP神經網絡的應用不限于網絡領域。研究者還將自適應BP神經網絡運用在醫藥和物理學當中[3][4]。

自適應BP神經網絡是不是一個通用的計算過程，但是自適應BP神經網絡能夠有效的解決BP神經網絡一些固有的缺點。并且根據不同的數據類型進行調節。在文章-基于自適應BP神經網絡的結構損傷檢測中提出自適應調整激活函數的導數和學習速率，有效減少了每次迭代的誤差，提升了整體學習速率。通過在結構損傷檢測的應用實踐，驗證了該方法的有效性。

圖1

圖2

目前關于自適應BP神經網絡的應用有很多，但是目前還沒有提出一個適用于大多領域的學習算法。也沒有一個統一的定義。本文在這里對自適應BP神經網絡進行一個大膽的定義，自適應BP神經網絡是一種基于BP神經網絡的改良算法，其針對BP神經網絡在實際應用的缺點，通過在學習過程中加入自適應算法或因子，提高學習的準確性和速率。通過研究的不斷深入，自適應BP神經網絡會在更多的領域得以實踐。

2 網絡安全評價模式

2.1 網絡安全

從互聯網誕生到現在已經經過了50年的歷史，目前網絡已經融入了我們的生活。中國在近幾年的互聯網大潮中逐漸崛起，越來越多的中國企業參與到了國際網絡的建設當中。被譽為又一次網絡升級的5G技術在中國也開展的如火如荼。網絡的重要性可想而知，而網絡安全是我們實現可靠、準確的未來生活必須要解決的問題。根據百度百科的描述，網絡安全有五大主要特性，分別為保密性、完整性、可用性、可控性和可審查性，要做到這幾點，對于網絡涉及的各個領域的要求都非常大。目前，網絡安全保護可以簡單用下面的圖來描述，包括防火墻、防毒軟件、監控軟件等。如圖2所示。

實現網絡安全不僅要不斷優化網絡環境和實行網絡監管，網絡評價也至關重要，網絡評價系統能夠把眾多信息交匯的網絡進行分類和篩選，從而實現網絡的健康化。

2.2 網絡安全評價模式

網絡安全是指網絡系統的硬件、軟件及其系統中的數據受到保護，而目前，網絡安全技術主要集中在防火墻、入侵檢測技術和病毒檢測技術等被動安全技術。沒有對網絡安全進行主動的評價體系。而國外很多發達國家已經開始對網絡安全評價指標進行研究，美國研究者利用卡內基梅隆大學系統安全工程能力成熟度模型SSECMM建立了信息安全保障評價指標體系。國內研究者針對網絡安全評價模式還基于一些特殊案例，評價方法基本采用定性的一些方法，包括模糊層次分析法、專家評價系統等。而計算機網絡系統作為一個復雜、非線性的系統，要從系統的角度去評價，必須找到一種有很強非線性處理能力，以及能夠適應多種環境的技術手段。

網絡安全包括物理安全、網絡結構安全、系統的安全、應用系統的安全以及管理風險。首先要建立網絡安全的評價標準，本文基于影響網絡安全幾大因素，通過賦予不同權值來得到網絡安全的評價指標。而根據前面介紹的自適應BP神經網絡，其特點能夠很好的解決網絡評價系統中影響因素多和非線性聯系，BP網絡包括輸入層、輸出層和隱含層，其一般的表達公式為：

而實際應用的時候會發現標準BP神經網絡存在收斂速度慢的缺點。這個方面，可以用幾種自適應的改進算法來應對。例如動量法，其將學習經驗用到權值修正上，可以減少學習過程的震蕩問題。

式中主要靠η-動量項因子來改善收斂速度， 。當然還有其他的解決收斂速度慢的自適應算法，此處不再贅述。

針對BP神經網絡因為激活函數無法收斂的問題，有研究者提出彈性BP方法，這種方法是通過消除偏導數的大小有害的影響權步，權的大小僅僅由權專門的值來確定：

這些方法都能夠很好的解決實際應用中存在問題，研究者也在不斷更新這些方法，而對于網絡安全評價系統的建立就需要這些自適應BP神經網絡不斷去學習和實踐，從而建立較為完善的網絡安全評價體系。雖然目前仍沒有完美的自適應BP神經網絡來對網絡安全進行評價，但是BP神經網絡的數據處理能力、非線性映射能力都能夠完美的適應網絡安全的評價過程。

3 網絡安全評價模式的未來趨勢

網絡安全設計領域，包括物理硬件、數學算法、管理社會等。要對網絡安全進行評價，必須從系統的角度進行考慮。網絡安全評價模式的建立就需要采用系統工具，綜合考慮各方面的影響。在網絡安全評價問題上，目標屬性之間的關系大多屬于非線性關系，例如前面提到硬件安全和電源安全，基本無法用一個固定的公式來描述。所以基于神經網絡這類擁有自動學習、很強的非線性處理能力的技術工具就能夠很好的解決這類問題。而自適應BP神經網絡又能夠彌補算法本身的不足。所以這里大膽預測，基于BP神經網絡，加上自適應算法和其他學習工具，是網絡安全評價的一個發展趨勢。 目前，自適用BP神經網絡還存在一些問題等待解決，但隨著技術的發展，自適用BP神經網絡作為一個接口，能夠推動研究者進一步去研究此類問題。這樣才能更好的為互聯網時代發展提供保障。

4 總結

本文針對目前發展迅速的網絡和日益增加的網絡安全問題，提出了基于自適應BP神經網絡的網絡安全評價體系建立。分析了自適應BP神經網絡用于網絡評價的可行性和優越性，同時分析了自適應算法在BP神經網絡模型上的應用，以及能夠更好的為網絡安全評價系統的建立提供很好的基礎。分析表明了該方法的是能夠為網絡安全評價提供很好的技術基礎，而網絡安全評價對于整個網絡安全系統的建立也是至關重要的。通過本文的研究，希望能夠為網絡安全評價提供一定的現實依據和理論支持。