一種網絡系統風險組合評價的方法

摘要：本文設計了最優化權值網絡系統風險組合評價模型，利用不同模型、不同角度來對網絡系統存在的風險進行評價，然后根據評價結果來進行改進，以此來優化網絡系統的最終評價。

關鍵詞：最優化權值;網絡系統;風險評價模型

中圖分類號：TP311 ?文獻標識碼：A ?文章編號：1007-9416（2020）06-0000-00

0引言

當前，網絡屬于開放型系統，它時時刻刻受到著各種外來威脅。網絡入侵、網絡狀態異常等情況隨時隨地都在發生，技術人員只能夠通過網絡安全防范技術來檢測發生異常的網絡行為，這種被動的防控措施嚴重制約著網絡的正常運行管理。網絡系統風險評價模型能夠幫助網絡管理人員快速識別網絡系統中存在的風險和安全隱患，制定出相關預防措施，提高網絡系統運行效率。所以，本文針對網絡系統風險建模與風險評價問題開展研究，有著重要研究意義。

1 網絡系統風險評價的指標體系

由于影響網絡風險評價的因素較多，且存在不確定性，所以，大量的評價指標會影響網絡系統風險評價模型的構建，使得網絡系統風險評價模型的評價效率變得低下[1]。為此，本文基于易量化原則，構建了網絡系統風險評價指標體系。

2 最優化權值的網絡系統風險組合評價模型

2.1 改進證據理論

本文假設中存在個證據，那么存在集合，證據對應著基本可信度分配函數，表示分配給的基本可信度（BPA），就可以實現證據合成，如下所示：

在上述公式中，如果一個證據與其他證券之間存在沖突，表示證據出現異常，結果會出現誤差，可信度低下。所以，本文使用了可信度因子來評價證券的可信度，通過對原始證據進行處理來降低證據之間的沖突。如下所示：

2.2 評價模型的結構

最優化權值的網絡系統風險組合評價模型的構建過程：首先，需要收集整理相關網絡系統風險數據信息，構建出網絡系統風險評價指標。其次，使用支持向量機（SVM）RBP神經網絡（RBFNN）、BP神經網絡（BPNN）來構建風險評價模型。然后，將評價模型的評價結果直接作為證據體來進行分析，同時還需要考慮證據體之間的沖突問題，經過改進證據理論，計算出最終權值。最后，結合網絡安全態勢來憑借最終的網絡系統風險評價結果[2]。

2.3 網絡系統風險評價的初始層

（1） 基于完整性、易量化原則，構建網絡系統風險評價指標;

（2） 當指標不一致時，需要對指標值進行相關處理，如下所示;

（3） 要求相關專家，對網絡系統風險評價指標值的風險等級進行評估;

（4） 根據評估風險指標的結果來構建網絡系統風險評價學習樣本;

（5） 使用支持向量機、RBP神經網絡算法來對訓練樣本集合進行分析和測試，并得出相關風險評價結果。

2.4 網絡系統風險評價的決策層

通過初步層中的RBF神經網絡、支持向量機等構建出了網絡系統風險評價結果構造證據體，然后對改進的證據體進行融合，可以求出最終網絡系統風險評價結果，如下所示：

（1） 根據專家經驗和網絡系統風險評價結果的歷史數據，構建出網絡系統風險評價識別框架結構。

（2） 然后使用支持向量機、RBP神經網絡等構建出網絡系統風險評價結果的證據體。

（3） 然后求出基本可信度。

（4） 并使用證據合成方法對可信度函數進行描述。

（5） 得出網絡系統風險評價結果，如下所示：

3 網絡系統風險評價模型的性能測試與分析

3.1 網絡系統風險評價實驗數據

本文基于改進證據理論，對網絡風險評價模型的有效性進行實驗分析。首先，選擇了Tntel（R）4核CPU2.8GHZ，32GB RAM，Windows 10操作系統作為仿真實驗平臺。其次，將網絡系統風險等級按照很低（1）、低（2）、中（3）、高（4）、很高（5）五個等級進行劃分[3]。3.2 與單一模型的網絡系統風險評價結果的對比

為了驗證網絡系統風險組合模型權值的有效性，使用了支持向量機（SVM）、RBP神經網絡、BP神經網絡來進行對比試驗分析。經過5次試驗仿真數據對比，知道了所有網絡系統風險的評價結果，如下所示：

（1） RBP神經網絡系統風險和BP神經網絡的網絡系統風險評價結果的正確率較低。

（2） 支持向量機的網絡系統風險評價結果遠遠高于RBP神經網絡和BP神經網絡的評價結果。

（3） MDS的網絡系統風險評價結果遠遠大于單一模型的風險評價結果。

3.3 與其他組合模型的網絡系統風險評價結果比較

為了更好的驗證最優化權值的網絡系統風險組合評價模型的評價結果的準確率，本文還對網絡系統風險評價的正確率、訓練時間等內容進行計較分析，如圖1和圖2所示。

我們可以從圖1上清楚的知道，網絡系統風險評價模型的正確率遠遠高于網絡安全評價組合模型，說明使用改進證據理論能夠很好的對各個單一模型的網絡系統風險評價貢獻率進行描述分析。從圖2上清楚的知道，網絡系統風險評價模型的訓練時間消耗最少，正確率最高。

4 結語

為了保證網絡系統風險組合評價達到最優，本文基于單一模型、傳統組合模型特點，構建出了最優化權值網絡系統風險組合評價模型，還對不同類型的網絡系統風險評價模型進行實驗驗證對比分析。其結果如下所示：

（1） 單一模型無法全面有效的建立出網絡系統風險評價模型，因此，無法應用于網絡系統安全管理中。而傳統模型雖然在網絡系統風險評價效果上由于單一模型，但是，由于權值計算使用了經驗方式和平均法，所以，網絡系統風險評價結果仍存在問題。

（2） 本文為了提升網絡系統風選組合評價模型的評價結果，使用了不同方法，根據網絡系統風險特點來構建模型，并使用了可信度來確定權值，保證了網絡系統風險評價結果的準確率[4]。經過試驗對比分析可知，本文構建的最優化權值網絡系統風險組合評價模型的評價結果精確度最高，能夠滿足當前網絡安全管理的使用需求。

參考文獻

[1]張潔卉，潘超，章勇，等.最優化權值的網絡系統風險組合評價模型[J].計算機科學，2019，46（6）：148-152.

[2]賈小玫，李博陽.標準投資組合風險保證金系統在商品期貨中的應用[J].統計與決策，2019，35（7）：174-176.

[3]黃巖渠.基于復雜網絡的系統性金融風險研究[D].長沙：湖南大學，2018.

[4]劉曉東.情緒影響風險決策和投資組合的理論研究[D].長春：東北師范大學，2017.

收稿日期：2020-04-26

作者簡介：王蒙娟（1981—），女，內蒙古烏海人，本科，工程師，研究方向：計算機和電子，計算機技術與科學。