計算機網絡安全評價中神經網絡模型的應用分析

黃劍文

摘 要 普通民眾非計算機安全專業，他們使用計算機網絡機技術進行日常的生活交流原因是其本身符合足夠安全和傻瓜的標準，他們并不會花更多的時間精力去關注計算機網絡安全問題。因此基于神經網絡模型在計算機網絡安全評價中的應用，為企業和民眾提供更加安全可靠的網絡安全技術支持，也讓計算機網絡安全評價更加名副其實。本文主要探析計算機網絡安全評價中神經網絡模型的應用，以為相關的工作和研究人員提供有用的參考。

關鍵詞 計算機網絡安全;神經網絡模型

神經網絡模型又稱之為人工神經網絡或神經網絡[1]。神經網絡在智能控制、模式識別、系統辨識等多個現代網絡應用領域有著廣泛和深刻的應用，對現代計算機網絡安全有著極為重大的意義[2]。神經網絡的自學習能力，是解決自動控制技術中控制器適應能力的關鍵技術，目前被廣泛應用在自動駕駛、人工智能等高精尖技術領域中。因此在計算機網絡安全評價中應用神經網絡模型，更有利于提高網絡安全評價工作的可行性、完備性、準確性、簡要性和獨立性。又因為網絡病毒本身就具有與時俱進的特點，因此在計算機網絡安全評價中應用神經網絡模型這一最尖端的信息技術，更符合計算機網絡安全評價對“安全”的絕對追求。

1神經網絡模型的特征

1.1 神經網絡模型借鑒人腦結構的工作原理

二十世紀中期，生物學界和數學界聯合展開了關于模擬人類神經網絡的工作，經過長時間的研究努力，終于做出了首個神經網絡模型[3]（如圖1）。該神經網絡模型的操作系統主要通過模擬人腦工作原理，是科學家研究腦顱骨架、細胞和神經網絡等眾多環節，借鑒人體神經元，并利用現代數模構型技術，完成的新型數學模型。二十世紀六十年代，計算機科學家在首個神經網絡模型的基礎上研究并制作出了感知神經網絡模型，并用該技術服務于計算機操作。

1.2 神經網絡模型的吸引力巨大

神經網絡模型從表面上看就是一個單純的數學模型，其具體表示則由學習規則、節點特征和網絡拓撲來進行。其對網絡安全、人工智能、自動駕駛等相關技術領域具有廣泛的吸引力。其廣泛吸引力主要集中在，高度的容錯能力和魯棒性、并行分布處理能力、分布學習和存儲能力、可模擬高復雜度的非線性關系。

2神經網絡模型在計算機網絡安全評價中的應用

2.1 神經網絡模型的應用符合計算機網絡安全評價體系構建的原則

計算機網絡安全評價中應用神經網絡模型技術，完全能做到網絡信息安全評價工作要求的可行性、完備性、準確性、簡要性和獨立性五大原則。

可行性，指的是神經網絡技術的應用符合計算機網絡安全測評工作的具體要求，能夠有效保證計算機網絡安全評價工作的順利開展;完備性，指的是神經網絡技術的應用能為計算機網絡安全評價工作提供全面的信息支持，這包括完整準確地反映出計算機網絡安全方面的各項指標信息，確保計算機網絡安全評價工作的評價結果具有足夠的可靠性和合理性;準確性，指的是神經網絡技術可通過模擬人腦神經元運轉模式，為網絡計算機安全評價工作提供更加精準的網絡安全評價具體指標，以為網絡安全評價工作的具體開展提供足夠的準確度支持，例如神經網絡技術在低精度運算上采用32位浮點數，在高精度運算上會自動切換成64位浮點數，確保了運算數據的精確可靠;簡要性，指的是神經網絡技術可以用更快捷方便的方式把計算機網絡安全評價的各項指標表達出來，并能適應計算機網絡安全評價工作的實際需求，例如神經網絡技術在低精度運算上自動切換成32位浮點數，可以在準確性不變的前提下更快的給出運算結果;獨立性，指的是神經網絡技術本身的具有高度的容錯能力和魯棒性、并行分布處理能力、分布學習和存儲能力、可模擬高復雜度的非線性關系等特征，在處理復雜問題時，具有更強的抗干擾能力，能夠在計算機網絡安全評價工作中保持更優秀的獨立性，從而能很好地避免在處理關聯性較強的指標時出現互相干擾的局面。

2.2 神經網絡模型在計算機網絡安全評價中的具體應用

計算機網絡安全評價中引入BP神經網絡技術（如圖2），可確定傳播信號的正反方向，可幫助判斷信號所在的層級信息，并對出現問題的信息進行針對性探討。因為信號傳播可能出現正反方向兩個流向同時傳播的可能，故而在操作實踐中，技術人員要特別梳理信號層次，以確保計算機網絡安全評價工作順利準時的進行。一旦出現信號傳輸精度和要求精度偏差問題，可做到早發現早處理，對存在的網絡安全問題做出更有效率的反饋和糾偏。信號從各流程流過，其中較小的信號偏差也會伴隨流入，該類偏差的糾錯和處置，則可通過設定容錯精度區間解決。信號偏差的精度超出設定容錯精度區間，則開始針對該信號進行溯源糾偏，直到信號回歸設定的容錯精度范圍內。輸入層神經節點必須對應計算機網絡安全評價的具體指標，做到精準對照。特別謹慎設置輸入層神經節點，確保輸入神經節點和指標個數能及時準確的相對應，確保評價工作能有序順利實現。如此要求的好處在于，避免問題出現在隱匿層面。

在具體應用中，首先需要設置評價指標集，分析計算機網絡安全的影響因素。之后建立神經網絡模型，包括輸入層、隱含層、輸出層，不同層中涉及方式有所不同。此后需提升BP網絡學習型，發揮神經網絡模型作用，經仿真過程展開計算。仿真過程包括建立評價體系、初始化粒子群、將神經網絡模型輸出，對其訓練，根據閾值參數對神經網絡模式進行調整，整體完成網絡安全評價。神經網絡模型參數中，粒子群規模參數為10，學習因子參數為2，而對其初始化中，應具有一定隨機性。在神經網絡模型中，最大迭代參數，為500，神經網絡模型仿真的誤差為0.001。經過計算進行仿真結果計算，完成計算機網絡安全的評價。

3結束語

神經網絡模型借鑒人腦結構的工作原理，本身具有高度的容錯能力和魯棒性、并行分布處理能力、分布學習和存儲能力、可模擬高復雜度的非線性關系的特點，具有廣泛的應用價值，目前在自動駕駛、人臉識別、網絡安全等各個方面都有著深刻的結合應用，未來應用前景極為廣泛。在計算機網絡安全評價中應用神經網絡模型，本身符合神經網絡安全評價原則，并且可以借助該先進技術的獨特優勢更好地完成計算機網絡安全評價的具體工作。

參考文獻

[1] 張復初.計算機網絡安全評價中神經網絡的應用研究[J].電腦迷，2018（25）：22-23.

[2] 盧瑩瑩.計算機網絡安全評價中神經網絡的應用[J].通訊世界，2018（1）：78-79.

[3] 陳瑞.計算機網絡安全評價中神經網絡的應用研究[J].科技傳播.2018（15）：112-113.