BP神經網絡在高校校園網絡安全評價中的應用與研究

◆金義 周傳生

BP神經網絡在高校校園網絡安全評價中的應用與研究

◆金義 周傳生通訊作者

（沈陽師范大學 遼寧 110034）

隨著高校信息化建設的熱潮，網絡規模基本覆蓋了整個校園。但黑客入侵的增多以及網絡病毒的泛濫，給校園網絡安全帶來了隱患，同時也對校園網絡安全的評價提出了更高的要求。本文利用BP神經網絡構建評價模型，將其應用于校園網絡安全評價當中。參考國內外對校園網絡安全評價的研究成果，將評價指標數據量化輸入，并通過Matlab仿真實驗，訓練并得到滿意的評價結果，驗證了評價模型的適用性。

校園網絡安全；BP神經網絡；評價模型

對于網絡安全評價來說，傳統的評價方法存在著主觀性強、精確度低等問題，經常會有許多定性因素穿插交融在復雜的評價問題當中，而且一般的評價方法很難反應指標間的非線性關系，人們常常難以準確地論述各目標屬性間的相互關系。而BP神經網絡具備很強的處理非線性間關系的能力，利用樣本數據訓練和學習實現對網絡當中連接各個神經元之間的權值和閾值的自適應，最終實現對非線性特性的有效預測，從而一定程度上避免了評價的主觀性和不確定性。

1 BP神經網絡的基本原理

BP神經網絡是當今應用最廣泛的人工神經網絡模型之一，它是一種多層前饋網絡，利用誤差逆傳播算法進行訓練，能學習和存貯大量的輸入-輸出模式映射關系的數學方程[1]。網絡模型拓撲結構包含輸入層、隱含層和輸出層。隱含層可以為一層或多層，均由多個神經元組成，每層上的神經元稱為節點或單元。BP神經網絡拓撲結構如圖1所示。

圖1 BP神經網絡拓撲結構圖

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。

2 高校校園網絡安全評價指標體系

通過對國內外已提出的網絡安全評價標準進行研究和分析，并結合我國高校校園網絡安全現狀，制定了一套能夠綜合和全面反映校園網絡安全特征的指標集合。校園網絡安全評價指標如表1所示，該指標數據也可根據實際需求進行定制化的擴展。

表1 高校校園網絡安全評價指標

3 高校校園網絡安全評價模型的建立

BP神經網絡評價模型構建的詳細過程如下：

（1）網絡層數的確定：

BP神經網絡可以包含一個或多個隱含層。但事實已經證明，對于單個隱含層的神經網絡來說，可適量的增加神經元的節點個數來實現任意非線性的映射，也可降低復雜度。因此本文采用的拓撲結構為含有一層隱含層的三層BP神經網絡。

（2）輸入層神經元個數要由輸入向量的維數來決定：

根據表1可知，影響校園網絡安全的主要指標有15項，即輸入層神經元個數為=15。

（3）輸出層神經元個數的確定：

將校園網絡安全評價結果作為網絡神經元的輸出，即輸出層神經元個數為=1。

（4）隱含層節點數的選擇：

BP神經網絡的性能受隱含層節點個數的影響，雖然增加隱含層的節點個數可以提高網絡性能，但也會導致訓練時間過長。本文根據下面的公式來確定隱含層節點數[2]：

其實中是隱含層神經元節點數，和是輸入和輸出層神經元節點數。將=15，=1帶入到公式當中，通過計算，本文采用的隱含層個數為5。

（5）確定了上述的數據之后，具體的計算步驟如下：

為了加快網絡訓練和收斂速度，對訓練樣本進行預處理，經常采用歸一化方法。公式為：

輸入一個訓練樣本數據，作為輸入值。計算中間層各神經元的輸入x即：

在隱含層中選擇單極性Sigmoid函數和雙極性Sigmoid 函數作為其激活函數（），即：

計算各層的學習誤差d：

修改局部的網絡權值：

當運算結果滿足條件時，網絡訓練完成，將自動保存訓練結果的權值到BP神經網絡中，此時網絡模型可以定型，用于對評價對象進行判斷識別。否則返回（2）執行，直到滿足全部輸入輸出要求為止。

4 基于Matlab的仿真實驗

本文使用Matlab平臺進行仿真。根據參考文獻，選取了10組校園網絡安全評價數據，如表2所示。用這10組數據作為訓練樣本，又選取5組數據被用來當作檢驗樣本，以檢驗評價效果和模型的可行性。

通過Matlab人工神經網絡工具箱訓練網絡，創建BP神經網絡評價模型，并對樣本數據進行訓練。其實現過程如圖2所示。

校園網絡安全的主要指標有15項，所以輸入層神經元個數為=15，安全評價結果作為網絡神經元的輸出，所以輸出層的神經元個數=1，網絡隱含層節點數選為5，學習精度為0.001。輸入10組數據，訓練次數為1600次時其輸出誤差最終到達了收斂。其訓練過程如圖3所示。對檢驗樣本進行評價，評價結果如表3所示。

表2 學習樣本

圖3 數據樣本的訓練過程

表3 檢驗結果

在校園網絡安全評價研究領域，可將評價結果大致可以分為A（安全系數很高）、B（安全系數較高）、C（安全系數一般）、D（安全系數低）4個等級，設滿分為10分[4]。檢驗輸出值與樣本期望輸出值的最大相對誤差不超過3.0%，輸出安全等級與期望輸出完全相同，驗證了評價模型的準確性和合理性。

5 結語

在高校校園信息化建設的浪潮當中，校園網絡安全依舊是我們不可忽略的問題，本文利用BP神經網絡構建評價模型，通過權值和閾值的自適應自學習，不斷修正誤差，使其逼近理想的輸出值，得到了更科學、更合理的評價結果。仿真實驗表明，該模型可以有效地應用到校園網絡安全評價當中。

[1]楊昌昌，武瑛，等.BP神經網絡在大學生社團評價中的應用[J].電腦知識與技術，2020，16（08）：206-207.

[2]張磊，方正，王磊，宋彬.基于BP神經網絡的課程質量評價體系研究與應用[J].赤峰學院學報（自然科學版），2020，36（01）：102-104.

[3]占俊.基于自適應BP經網絡的計算機網絡安全評價[J].現代電子技術，2015，38（23）：85-88.

[4]周瓏，郭威，王建永，黃杰韜.基于神經網絡算法的網絡安全評價模型[J].沈陽工業大學學報，2018，40（04）：426-430.