因子分析和神經網絡的信息系統風險評估模型

2020-12-23 04:33:21孟瑾

現代電子技術 2020年23期

孟瑾

摘 ?要：風險評估是信息系統應用必不可少的一項技術，為此，提出一種因子分析和神經網絡的信息系統風險評估模型。構建可有效描述信息系統風險情況的信息系統風險評估指標體系，采用因子分析法消除指標相關性、降低風險評估指標體系復雜度，獲取公共評估指標;采用灰狼優化（GWO）算法優化BP神經網絡，解決其收斂速度慢、容易陷入局部最優、初始化參數具備較強依賴性等問題;將所獲公共指標作為GWO?BP神經網絡的輸入數據，建立信息系統風險評估模型，實現信息系統風險評估。在Matlab環境下完成模型仿真驗證，結果表明，所提模型可有效降低風險指標相關性，提升信息系統風險評估的速率，且收斂速度快、信息系統風險評估準確性高。

關鍵詞：信息系統; 風險評估; 因子分析; 評估指標獲取; 神經網絡優化; 模型構建; 累積貢獻率

中圖分類號： TN915.08?34; TP391 ? ? ? ? ? ? ? ? ?文獻標識碼： A ? ? ? ? ? ? ? ? ? 文章編號： 1004?373X（2020）23?0062?05

Abstract： Risk assessment is an essential technology in the application of information system. Therefore， an information system risk assessment model based on factor analysis and neural network is proposed. An index system of information system risk assessment is constructed， which can effectively describe the risk situation of information system. The factor analysis method is used to eliminate the correlation among the indexes， reduce the complexity of the risk assessment index system， and obtain the public assessment indexes. The grey wolf optimizer （GWO） algorithm is used to optimize the BP neural network to solve the problems of slow convergence， prone to falling into local optimization， strong dependence of initialization parameters， etc. The public index is taken as the input data of GWO?BP neural network to establish the risk assessment model of information system and realize the risk assessment of information system. The results of the model simulation experiment in Matlab environment show that the proposed model can effectively reduce the correlation among risk indicators， improve the velocity of information system risk assessment， and it also has fast convergence speed and high accuracy of information system risk assessment.

Keywords： information system; risk assessment; factor analysis; assessment indicator acquisition; neural network optimization; model construction; accumulative contribution rate

0 ?引 ?言

伴隨我國信息化發展進程加快，信息系統在政府、商業、各大企業中應用十分普遍。信息系統以其自身具備的開放性優勢，給人們的工作及生活帶來了極大的便利[1?3]。伴隨信息系統價值體現越發顯著的同時，信息系統存在的安全問題同樣不可忽視。一些不法人員通過非法途徑入侵信息系統盜取資料，給個人和企業帶來了嚴重的經濟損失，因此信息系統的風險評估必不可少[4]。通過信息系統風險評估可有效了解信息系統存在的安全問題以及未來可能存在的風險，便于及時采取應對措施將風險扼殺在搖籃[5]。針對信息系統風險的影響因素多、變化較為復雜等特點，提出基于因子分析（FA）法和GWO算法優化BP神經網絡的信息系統風險評估模型，提升信息系統風險評估效果[6?7]。

1 ?FA和神經網絡的信息系統風險評估模型

1.1 ?構建信息系統風險評估指標體系

信息系統風險是一個相對概念，一般采用可直接或間接體現信息系統風險產生影響因子的信息系統風險評估指標，評估一個信息系統的安全性[8]。為此以科學性和合理性為原則，結合國內外相關研究構建信息系統風險評估指標體系，結果如圖1所示。

[2] 王飛球，黃健陵，符競，等.基于BP神經網絡的跨既有線高速鐵路橋梁施工安全風險評估[J].鐵道科學與工程學報，2019，16（5）：1129?1136.

[3] 何華鋒，何耀民，徐永壯.基于改進型BP神經網絡的導引頭測高性能評估[J].系統工程與電子技術，2019，41（7）：1544?1550.

[4] 盧信文.證據理論和神經網絡的教學質量評估模型[J].現代電子技術，2017，40（15）：119?121.

[5] 任青山，方逵，朱幸輝.基于多元回歸的BP神經網絡生豬價格預測模型[J].江蘇農業科學，2019，47（14）：277?281.

[6] 蔣定國，全秀峰，李飛，等.基于BP神經網絡的水體葉綠素a濃度預測模型優化研究[J].南水北調與水利科技，2019，17（2）：81?88.

[7] 李勤敏，郭進利.基于主成分分析和神經網絡對作者影響力的評估[J].情報學報，2019，38（7）：709?715.

[8] 嚴凱，姚凱學，楊玥倩，等.基于PCA?GA?BP神經網絡的茶園環境預測研究[J].數學的實踐與認識，2019，49（9）：180?187.

[9] 黃健，李橋，巨能攀，等.基于主控因子分析與GM?IAGA?WNN聯合模型的平推式滑坡位移預測研究：以垮梁子滑坡為例[J].工程地質學報，2019，27（4）：862?872.

[10] 古麗尼沙·卡斯木，木合塔爾·扎熱，張東亞，等.基于因子分析的無花果引進品種果實品質性狀綜合評價[J].食品科學，2018，39（1）：99?104.