GABP神經網絡算法在計算機網絡安全評價方面的實施分析

閆馳

摘要：計算機網絡的普及，為人們的工作和生活提供了很大的便利，但是其也帶來了相應的信息安全問題，做好計算機網絡安全評價工作非常重要。常規的計算機網絡安全評價可以借助防火墻、殺毒軟件等實現，而在面對復雜的計算機網絡應用領域時，需要采用具備良好可操作性，適用范圍更廣的安全評價方法。該文就GABP神經網絡算法在計算機網絡安全評價方面的應用實施進行了討論，希望能夠為計算機網絡安全管理提供參考。

關鍵詞：GABP神經網絡算法;計算機網絡;實施

中圖分類號：TP311? ? ? ? 文獻標識碼：A

文章編號：1009-3044（2021）27-0070-02

計算機網絡開始滲透到人們日常生活的方方面面，計算機網絡在發展中，也面臨著相應的安全問題，尤其是在計算機網絡規模不斷擴大，網絡結構越發復雜的情況下，網絡安全漏洞也在不斷增長，一些不法分子可能會利用這些漏洞進行信息的竊取和破壞，嚴重影響了網絡信息安全。

1 神經網絡和GABP神經網絡算法概述

1.1 神經網絡概述

神經網絡（Neural Networks，NNS）是一種特殊的算法數學模型，能夠對動物神經網絡的行為特征進行模仿，實現分布式并行信息的有效處理。神經網絡本身能夠依靠系統的復雜程度，借助內部節點相互連接關系調節的方式，達到預期的信息處理目標。依照模型結構，可以將人工神經網絡分為兩種不同的類型，一種是前饋型網絡，從數學角度可以將其認定是一種規模較大的非線性映射系統，也被稱為多層感知機網絡;另一種是反饋型網絡，屬于大規模非線性動力學系統，也被稱為Hopfield網絡。依照學習方式，可以將神經網絡分為非監督學習網絡、半監督學習網絡和監督學習網絡。

1.2 GABP神經網絡算法

GABP神經網絡算法是遺傳算法（GA）和BP神經網絡算法的結合，GA算法是一種借鑒生物界進化規律提出的算法，能夠借助數學的方式，通過計算機仿真運算，將數學問題的求解轉化成類似于生物進化中的染色體基因交叉變異過程，在面對優化組合問題時，GA算法能夠更快的得到最優結果，因此被廣泛地應用在組合優化、信號處理、自適應控制等領域。BP神經網絡算法是以BP神經網絡現有的算法為基礎，任意選擇一組權值，將給定的目標輸出直接當成是線性方程中的代數和，進行線性方程組的構建，并通過解方程組的方式，得到待求權，能夠對傳統方法收斂速度緩慢、局部極小等問題進行解決。

2 GABP神經網絡算法在計算機網絡安全評價方面的實施

2.1 算法系統設計

BP神經網絡的訓練結果可以分為四個矩陣，矩陣輸入節點為i，隱含節點為j，輸出節點為K，則存在：

借助GA算法，能夠對BP神經網絡進行優化，整合優化過程可以通過上述矩陣進行。

在針對基于GABP神經網絡算法的計算機安全評價系統進行設計時，需要將關注的重點放在幾個方面：

首先是輸入模塊。輸入模塊實際上不僅僅負責數據的輸入，還需要對數據進行初步處理，可以將其分為兩個子模塊，在數據輸入模塊中，需要確定好初始指標，將其指定到入選體系內，結合安全系統的實際需求以及相關政策法規，對初始狀態下的指標體系集進行明確，依照形成的體系集來對數據采集系統進行構建。

其次是運算模塊。運算模塊同樣可以分為兩個子模塊，一是指標分析模塊，能夠從數據指標的角度進行分析，將數據和指標的相互關系體現出來，借助這個關系，可以對指標數據的特性進行分析，也可以對指標群類組合特性進行研究;二是評價模型分析模塊，能夠對系統安全狀態進行描述，把握系統中存在的安全問題，提出相應的預警。

然后是輸出模塊。在復雜的計算機網絡安全評價系統中，輸出模塊需要包含多個目標子模塊：一是安全監測模塊，能夠對計算機網絡當前所處的安全狀態進行評價;二是安全預警模塊，可以從計算機網絡的實際情況出發，隨時開展預警處理，對可能出現的安全問題進行提示報警;三是安全控制模塊，能夠對發送的安全預警信息進行判斷，結合制定出的規范化安全指標，實現管理控制，保證系統運行的安全性和穩定性;四是直觀顯示模塊，能夠將系統中存在的安全問題借助圖表等形式，直觀展示出來。

最后是定性定量。在數據輸入環節，借助相應的參數運作情況，對安全系統的演化形式進行分析，經由相應的分析模式，得到變化規律不同的參數，并對其進行分類評價。在分類評價過程中，因為不同因素的影響，會引發各種各樣的定性及定量問題，而想要對這些問題進行解決，必須關注問題的類型。就目前而言，神經網絡尤其是BP神經網絡在解決復雜計算機網絡安全評價問題方面，發揮著非常積極的作用。

2.2 算法系統實現

2.2.1 做好權系編碼

從目前來看，神經網絡權系數編碼采用的多是實數編碼或者二進制編碼的方式，從方便遺傳算法實施的角度，很多時候二進制編碼是最佳選擇，不過若神經網絡中存在有多維高精度的數值需求，二進制編碼可能在部分層面出現一定缺陷和問題，影響整個編碼過程的順利實施。而在對計算機網絡安全進行評價的過程中，得到的變量數量在100個左右，如果盲目地選擇二進制編碼來對神經網絡的權系數進行編碼，則可能無法達到最佳的執行狀態。基于此，從滿足計算機網絡安全評價需求的角度，在借助GABP神經網絡算法構建相應評價系統的過程中，可以選擇實數編碼，即借助實數的方式，將神經網絡中不同的連接權值表示出來，配合相應的遺傳操作，能夠同時完成兩組實數的直接操作，也可以將染色個體直觀的展示出來。

2.2.2 關注函數處理

遺傳操作環節，需要同時針對多個個體進行操作，使得個體可以組成相應的群體，需要注意的是，在這個過程中，需要從群體多樣性的角度，做好對于種群規模的嚴格控制。為了能夠進一步提升GA算法的檢索效率，在對群體進行初始化操作時，必須保障問題空間分布的均勻性，將所有可能存在的影響因素全部考慮在內。種群大小popsize可以選擇50，依照實際情況將元素取值范圍限定在[-1，1]，在這個范圍內隨機獲取一個數值作為初始值，構建起相應的初始種群。

對照實際情況分析，當神經網絡中隱含層節點數量增加時，網絡訓練誤差也會隨之減小，當節點數量達到5及以上時，網絡訓練誤差雖然依然會減小，不過減小的速率會逐漸趨于穩定，預測模型的誤差也會逐漸變小。從這個角度分析，伴隨著隱含層節點數量的增長，神經網絡本身的學習能力也會逐漸得到增強，繼而帶動模型理解能力的強化。在隱含層節點的數量達到一定程度后，能夠實現對于各類誤差的有效控制，但是也會在一定程度上影響網絡所具備的預測能力，換言之，若隱含層節點數量過多，導致神經網絡過度飽和，則會引發學習因子過剩的情況，導致噪聲的出現，使得網絡整體性能受到很大影響。隱層節點的數量在5-8之間時，預測誤差與訓練誤差的組合能夠達到最佳狀態。

2.2.3 研究結論分析

本文主要從兩個方面進行研究：一是網絡結構要素評估，核心體現在計算機網絡結構保密性評估方面，基于GABP神經網絡算法的計算機網絡安全評估中，相應的態勢評估結果如圖1所示。結合圖1分析，在該網絡拓撲結構中，態勢值呈現出了持續下降的趨勢;二是網絡整體安全綜合性評估，這里采用了歷史增量平均模型進行評估，對應的態勢評估結果如圖2所示。結合圖2分析，在相應時期內，網絡的綜合整體安全性態勢始終處于相對較高的位置，計算機網絡的安全綜合性能整體表現為連續抬升的趨勢。

3 結束語

無論是病毒還是其他網絡攻擊，都會嚴重影響計算機網絡的運行安全，而網絡本身的復雜性以及不同攻擊方式之間的相互聯系，使得常規的計算機網絡安全評估方法暴露出很多不足，無法得到準確可靠的評估結果。以GA遺傳算法和BP神經網絡算法為支撐，就GABP神經網絡算法在計算機網絡安全評價中的應用進行了研究，以此為基礎，對計算機網絡安全態勢進行了評估，也取得了比較理想的效果。

參考文獻：

[1] 劉三滿，賈王晶.基于神經網絡算法的網絡安全檢測和防護[J].山西電子技術，2020（6）：48-51.

[2] 李康.多模態特征融合的網絡安全態勢評估[J].電子科技，2020，33（12）：28-31.

【通聯編輯：代影】