基于神經網絡算法的無線網絡安全模型設計

何明陽 張光治 柴煒

摘要：為實現對無線網絡的有效保護，文章運用BP神經網絡和GA遺傳算法，完成對無線網絡安全模型設計。首先，將BP神經網絡與GA遺傳算法進行有效的融合，提出一種GABP神經網絡算法。其次，針對無線網絡安全問題，運用該算法，從無線網絡拓撲結構設計、無線網絡入侵檢測單位模型構建入手，完成對無線網絡安全模型的設計。最后，對該模型進行仿真分析。結果表明：將BP神經網絡與GA遺傳算法應用到無線網絡攻擊類型中從而提高識別率，降低了誤報率，確保了無線網絡的安全性和可靠性。筆者希望該研究可以為相關人員提供有效的借鑒和參考。

關鍵詞：BP神經網絡；GA遺傳算法；無線網絡安全模型

中圖分類號： TN925．93? 文獻標志碼： A

0 引言

無線網絡的設計允許數據通過任何媒介傳輸，這種開放性為網絡病毒和不法分子的竊聽及攻擊提供了可乘之機，從而加大了網絡安全管理的挑戰。用戶在應用無線網絡傳輸數據期間，要突出網絡的安全性和可靠性，降低網絡遭受攻擊風險［1］。而神經網絡算法具有容錯能力強、自主學習能力強等特點，通過進行不斷地學習和訓練，可以實現對異常數據的精確化識別，保證無線網絡安全識別的精確性和高效性。因此，本文在綜合運用BP神經網絡與GA遺傳算法的基礎上，完成對無線網絡安全模型設計。

1 BP神經網絡及改進

1.1 BP神經網絡

BP神經網絡作為一種常見的網絡模型，內部關聯多個神經元。通過對生物神經系統進行真實化模擬，將現實事物的映射關系形象直觀地呈現出來，借助多種事件數據進行反復訓練，從而獲得最終模擬結果。BP神經網絡結構如圖1所示。

在使用BP神經網絡算法進行學習期間，技術團隊首先需要精確地確定輸入信息，以確保訓練過程的有效性。借助網絡輸入層，計算每一單元輸入值，給出相應的輸出結果。當輸出層所獲得的輸出值并非期望值時，技術人員需要采用逐層遞歸的方式，確定實際輸出值與期望輸出值之間的差值，結合該差值，科學調整和控制給定權值，確保所獲得的輸出值達到預先所設置好的訓練次數［2］。

當BP神經網絡算法處于學習初期狀態時，首先，技術人員要采用隨機選取的方式，從無線網絡海量輸入信息中，選取某一樣本實際輸入值和期望輸出值，計算出實際輸入值與期望輸出值之間的誤差。如果誤差值正好處于預先設置好的范圍內，可以將該誤差值視為最終輸出結果，反之，需要再次進入隨機選取環節中進行迭代操作。

1.2 GA遺傳算法

GA遺傳算法是一種常用的計算機算法模型，是從遺傳學的基礎知識演變而來。通過對自然進化過程進行真實化模擬，從而達到快速搜索最優解的目的。在遺傳算法中，某一種群會存在潛在性問題，種群單個個體代表單個基因，通過組合多個基因，可以形成相應的染色體。基因編碼工作相對比較復雜，所以，運用二進制編碼形式，可以保證映射編碼處理水平［3］。當形成初代種群后，運用優勝劣汰思想，獲得最佳近似解。在進行逐代演化期間，結合個體適應度，選擇合適個體，采用交叉組合的方式，獲得種群最優個體。該最優個體可被視為近似最優解。GA遺傳算法基本流程如圖2所示。

GA遺傳算法主要是指借助多個候選集合所形成的一組近似解，結合現有的適應性條件，對候選集合的適應度值進行精確化計算，結合最終計算結果，獲取相應的候選解，剔除不滿足適應性條件的解集，對候選集進行一系列操作，如候選集選擇、候選集交叉、候選集變異等，進而獲得新的候選解［4］。GA遺傳算法主要是指通過組合某一特征方式，搜索染色體群，保證全局擇優效果。此外，在搜索染色體群期間，利用變遷規則，確定正確的搜索方向，促使GA遺傳算法應用范圍不斷擴大，從而獲得最佳基因結構，使得該基因結構完全符合適應性條件。

1.3 GABP神經網絡算法

本研究運用GA遺傳算法的全局搜索能力特性，以優化和改進BP神經網絡的連接權和網絡結構。在BP神經網絡中，含有網絡輸入層、網絡輸出層、網絡中間層3個組成部分。當確定網絡數據樣本后，網絡節點隨之確定，故運用GA遺傳算法可以有效地優化和完善網絡節點，確保神經網絡表現出較高檢測識別精確度［5］。在參照BP神經網絡的基礎上，運用GA遺傳算法所優化的GABP神經網絡算法如下。

minE（w，v，θ，r）=12∑N1k=1∑nt=1［yk（t）-yk（t）］2

s.t. w∈Rm×p，v∈Rp×n，θ∈Rp，r∈Rn（1）

式（1）中，yK（t）代表在t時刻K節點所形成的連接權值；w代表節點閾值，n代表種群數；m代表個體數；p代表預選概率。技術人員通過運用GA遺傳算法，可以解決非線性優化問題，從而獲得最佳網絡連接權，保證網絡結構設計合理性和有效性。經過計算，如果最終GABP神經網絡連接權值低于所設定的誤差值時，說明運用GABP神經網絡算法所構建的無線網絡安全模型科學合理［6］。

運用GA遺傳算法優化和改進BP神經網絡時，首先，技術人員確定網絡模型訓練次數和訓練樣本，以模型輸入集合的方式，不斷地訓練所確定好的訓練樣本。此外，技術人員還要確定出檢測樣本誤差。采用編碼形式所獲得的碼串含有以下2個組成部分：（1）控制碼。控制碼主要用于對隱節點數量的調整和控制，從而形成0—1的連接地串。其中，0代表無線網絡無連接；1代表無線網絡已連接。結合網絡輸入層所對應的節點數量，可以精確地計算出該地串的實際長度。（2）串碼權重系數。串碼權重系數主要用于對無線網絡連接權的實時控制，結合無線網絡節點的輸入個數和輸出個數，精確地計算串長，每個串與連接權相對應。

在初始種群中，含有多個個體，單個個體由碼串、均勻隨機數2個部分組成。其中，碼串為0—1碼；均勻隨機數主要分布于所設置好的區間內，采用交叉變異的方式，對個體進行變異處理，確保相鄰2個個體能夠進行交叉操作。此外，初始種群還要根據變異前個體、變異后個體以及在指定區間內所獲得的隨機數，將經過變異操作的所有個體透射在所設置好的搜索區間內。采用重復交叉變異操作等方式，對群體進行統一進化處理，使其進化至第K代。從進化后的所有群體中，選出適應度最高的個體，對其進行解碼處理，從而獲得相應的隱節點數量，然后，連接所獲得隱節點，從而形成相應的連接權，將隱節點、連接權直接輸入和存儲至模型中，從而計算出最優解。對總體樣本進行劃分，使其劃分為以下2個部分，分別是訓練樣本、檢測樣本。訓練樣本處理步驟如下：首先，采用進化操作的方式，對訓練樣本進行統一進化處理，使得該訓練樣本進化至第K代，從而獲得最終個體解碼、權系數。其次，向構建好的神經網絡結構中輸入和存儲訓練樣本，從而獲得相應的輸入樣本，該輸入樣本主要包含網絡權系數和隱節點2個部分，利用進化操作后的訓練樣本，不斷地提高整個檢測網絡的泛化能力。

2 無線網絡安全問題分析

由于無線網絡具有一定的移動性和開放性，這導致在傳輸信息期間，無線網絡很容易遭受監聽攻擊、插入攻擊、未授權信息服務、網絡魯棒性問題、移動IP安全問題及干線干擾等多種安全威脅。其中，監聽攻擊方式主要是指采用空中截取的方式，截取和分析網絡所傳輸的信號，從而獲得所需要的信息；插入攻擊方式主要是指采用假冒合法用戶方式，對相關傳輸信息進行竊聽，從而獲得所需要的控制權；未授權信息服務主要是指非法用戶在沒有經過授權允許的情況下，私自濫用網絡信息資源，造成網絡重要信息出現泄露、丟失等風險；網絡魯棒性主要是指無線網絡自身對其他網絡通信設備所造成的損壞容忍度，這一特性反映出無線網絡的生存能力大小；移動IP安全主要是指在指定的區域范圍內，用戶終端進行跨區查閱網絡信息時所出現的信息丟失、泄露等安全風險；無線干擾主要是指當同頻段信號發射功率較大時，無線網絡所表現出的抗干擾能力。

3 基于GABP神經網絡算法的無線網絡安全模型構建與仿真

3.1 模型構建

3.1.1 無線網絡拓撲結劃分

無線網絡中，其拓撲結構主要包含以下3種：（1）基礎結構集中式拓撲結構。該拓撲結構可以借助有線網絡，與移動用戶之間形成良好的通信關系。在網絡中心輻射末端，主要設置移動用戶終端，所有用戶終端通過運用BS/AP方式，與其他用戶之間構建良好的通信狀態。（2）分布式網絡拓撲結構。該拓撲結構被廣泛地應用于軍事領域中。分布式網絡用戶所分布的區域相對比較廣泛。在發射信號功率的影響下，特定用戶終端通信對象比較局限，僅局限于部分用戶［7］。（3）蜂窩式拓撲結構。該拓撲結構作為一種多基礎機構配置，被廣泛地應用于大陸無線網絡與衛星無線網絡之間。在蜂窩式無線通信模式的應用背景下，為保證信息傳輸的安全性和可靠性，技術人員需要選用低功率的基站，這些基站所覆蓋的區域比較有限，借助該拓撲結構，可以保證無線網絡的安全性和可靠性［8］。

3.1.2 無線網絡入侵檢測單位模型構建

為保證無線網絡的可靠性和安全性，技術團隊對無線網絡進行有效的檢測和識別，將分布式結構設置在網絡攻擊入侵監測系統和響應系統之間，確保不同檢測單位之間形成良好的協同合作關系。對于無線網絡系統而言，需要將獨立檢測單位設置在相應的節點上，確保各個單位之間相互獨立，互不聯系，從而達到有效檢測本地行為的目的，同時，還能保證網絡攻擊行為處理的及時性。無線網絡入侵檢測單位的模型如圖3所示，利用該模型，可以深入分析所采集好的數據，從而實現對異常數據的精確化檢測。

3.2 模型仿真分析

3.2.1 試驗數據獲取

本次仿真試驗，所獲取的試驗數據主要包含攻擊類型、訓練樣本、測試樣本3種，具體數據如表1所示。在歸一化處理原始數據的基礎上，采用歸一化處理方法，確保數據集在指定的模型訓練期間所形成的識別結果完全一致，同時，還要縮短時間，減小計算資源。

3.2.2 仿真試驗及結果分析

在本次仿真試驗時，運用GABP神經網絡算法對端口掃描、嗅探、種植木馬、傳播病毒等攻擊類型進行檢測，獲得如表2所示的檢測結果。從表2中的數據可以看出，GABP神經網絡算法具有識別率高、誤報率低等特點，完全滿足無線網絡安全模型精確化識別需求。

4 結語

在信息時代背景下，我國對無線網絡的安全性和可靠性提出了更高的要求，旨在保證國家和社會發展的穩定性和可靠性。而GABP神經網絡算法具有自主學習能力強、容錯能力強等特點，該算法采用不斷地學習、訓練的方式，可以精確化、高效化檢測和識別網絡樣本異常數據，從而進一步地提高無線網絡檢測識別的精確度，從而實現對企業用戶或者個人用戶的機密信息的有效保護。為充分發揮GABP神經網絡算法在無線網絡中保護作用，提高網絡安全攻擊識別率，本文在運用BP神經網絡的基礎上，借助GA遺傳算法的全局搜索能力，對無線網絡結構進行優化，完成對無線網絡安全模型設計和仿真，經過仿真，發現該模型設計和應用可以實現對網絡攻擊行為的精確化、高效化識別，降低無線網絡誤報率，為用戶傳輸網絡數據提供安全、可靠的無線網絡環境。總之，本文所提出的GABP神經網絡算法具有較高的有效性和可靠性，通過將該算法應用于無線網絡安全模型中，可以實現對無線網絡攻擊類型的精確化、高效化識別，將誤報率降到最低，為企業和個體用戶打造安全、可靠的無線網絡。

參考文獻

［1］顏蔚.基于卷積神經網絡的無線網絡安全風險評估及控制［J］.沈陽工業大學學報，2022（5）：565-569.

［2］馬越，陳曉偉，李思鑒，等.一種無線傳感器網絡安全路由算法研究［J］.網絡安全技術與應用，2023（5）：78-80.

［3］蔣志頎，范雷.基于機器學習的無線通信網絡安全漏洞智能監測系統［J］.電子設計工程，2021（15）：115-119.

［4］胡明.遺傳算法優化神經網絡和無線網絡攻擊檢測研究［J］.佳木斯大學學報（自然科學版），2023（5）：39-42.

［5］曹賢龍.面向全局優化的無線網絡安全態勢感知模型［J］.信息與電腦，2020（21）：145-146.

［6］胡喆馨，卜凡亮，丁丹丹.基于GAPSO優化的神經網絡無線信道參數預測［J］.無線電工程，2023（12）：2944-2950.

［7］黨曉婧，鄧世聰，呂啟深，等.基于動態防御技術的無線網絡安全模型改進［J］.沈陽工業大學學報，2021（2）：198-202.

［8］劉國輝.基于人工智能的網絡安全信息自動識別系統設計［J］.黑龍江工業學院學報（綜合版），2020（7）：78-81.

（編輯 王永超）

Design of wireless network security model based on neural network algorithm

HE? Mingyang1， ZHANG? Guangzhi2， CHAI? Wei1*

（1.InfoQuick Global Connection Tech Ltd.， Hangzhou Branch， Hangzhou 310012， China;

2.InfoQuick Global Connection Tech Ltd.， Beijing 100028， China）

Abstract：? In order to protect wireless network effectively， this paper designs the security model of wireless network by using BP neural network and GA genetic algorithm. Firstly， a GABP neural network algorithm is proposed based on the effective fusion of BP neural network and GA. Secondly， aiming at the wireless network security problem， this research uses this algorithm to design the wireless network security model from the wireless network topology design and wireless network intrusion detection unit model. Finally， this research carries on the simulation analysis to this model. The results show that the BP neural network and GA genetic algorithm are applied to wireless network attack types to improve the recognition rate， reduce the false alarm rate and ensure the security and reliability of wireless network. I hope this study can provide effective reference for the relevant personnel.

Key words： BP neural networks; GA genetic algorithms; wireless network security model