基于卷積神經網絡的無線網絡安全風險評估和控制研究

摘" 要：無線網絡安全風險評估過程中存在的評估準確率低、控制精度低等問題，導致無法獲取理想的安全風險評估結果。為解決這些問題，提出了一種基于卷積神經網絡的評估和控制方法，用于對無線網絡安全風險進行全面評估。借助遺傳算法與比例-積分-微分控制（Proportional-Integral-Derivative Control，PID控制）原理，實現了對網絡的穩定控制。以KDD Cup99數據庫為實驗對象，對該方法的可行性和效果進行測試。實驗結果證明：無線網絡安全風險評估及控制方法具有較高的網絡安全風險評估效果，且誤報率非常低；與其他評估方法對比，該控制方法不僅能夠進一步縮短無線網絡安全風險的評估時間和控制耗時，還能夠為其防御功能提高提供相應的參考。

關鍵詞：卷積神經網絡" 無線網絡" 安全風險評估" PID控制

Wireless Network Security Risk Assessment and Control Based on Convolutional Neural Networks

YOU Bingying

Fuzhou Software Technology Vocational College， Fuzhou， Fujian Province， 350400 China

Abstract： The problems of low evaluation accuracy and low control precision in the process of wireless network security risk assessment result in the inability to obtain ideal security risk assessment results. To solve these problems， a convolutional neural network-based evaluation and control method is proposed for comprehensive assessment of wireless network security risks. By utilizing Genetic Algorithm（GA） and Proportional-Integral-Derivative （PID） control principles， stable control of the network has been achieved. Taking the KDD Cup99 database as the experimental object， the feasibility and effectiveness of this method have been tested. The experimental results demonstrate that the wireless network security risk assessment and control method has a high network security risk assessment effect and a very low 1 alarm rate; Compared with other evaluation methods， this control method can not only further shorten the assessment time and control time of wireless network security risks， but also provide corresponding references for improving its defense function.

Key Words： Convolutional neural network; Wireless network; Security risk assessment; PID control

目前，無線網絡憑借著自身操作便捷、靈活自如等優勢被廣泛地應用于信號源傳播領域中。但是，該網絡在具體應用中存在安全系數低、保密性差的問題，所傳播的信號源很容易被不法分子惡意攻擊和竊取。為解決這一問題，相關部門強化對無線網絡的優化和改進，科學評估和控制無線網絡可能存在的風險，確保無線網絡能夠穩定、安全地運行 。如今，國內外大量學者均研究和探討了無線網絡安全風險評估與控制問題，并出現多種評估方法。其中，基于卷積神經網絡的無線網絡風險評估方法比較常用，運用該方法，可以科學評估無線網絡安全風險，提高無線網絡運行安全性。因此，現結合卷積神經網絡、遺傳算法（Genetic Algorithm，GA）與比例-積分-微分控制（Proportional-Integral-Derivative Control，PID控制）理論，提出了一種新的評估與控制方法。

1 無線網絡安全風險評估及控制方法研究

1.1 無線網絡安全風險評估模型設計

針對無線網絡安全風險評估的研究，技術人員選擇以發生在無線網絡中的不同類型入侵行為為研究對象，借助圖1所示的卷積神經網絡模型對其進行分類，從而達到評估風險的目的。在評估過程中，卷積神經網絡的應用可以發展為4個方面。

從卷積層方面來看，該層作為能夠實現多個領域數學積分轉換的層次，通過對卷積的兩個不同變量在某個區間中進行相乘求和操作[1]。假設無線網絡輸入的數據與卷積權值分別為a（m）和x，那么，經卷積處理后的無線網絡數據b（m）為

經卷積層處理后，可以獲得關于無線網絡的特征，也可以進一步提高無線網絡原始特征，降低網絡中的噪聲干擾問題[2]。

池化層作為卷積神經網絡中的重要核心層之一，通過輸入卷積層，能夠起到限制神經元數量達到降維無線網絡數據的目的，并且無線網絡輸入或輸出的數量具有一致性。

分類層作為卷積神經網絡模型中的分類器，可以實現對無線網絡中存在的安全風險進行精準的分類。同時，對于模型中輸入的無線網絡數據，利用softmax函數可以完成對輸入的網絡數據進行相應的評價[3]。

1.2 無線網絡安全風險評估方法研究

無線網絡環境十分復雜，由不同類型的設備共同連接而成，因此，無線網絡安全數據存在異構性與動態化特點，所以，只有從多個維度才能夠提取有效的數據信息。網絡風險包含了網絡系統本身、入侵行為、攻擊威脅、資產價值等多種因素。為了提高對無線網絡風險評估的正確率，需要全面對網絡的狀態信息進行采集，正確掌握網絡中的每一個節點上的脆弱性數據信息，只有這樣，才能夠確保對風險進行全面分析[4]。合適的評估指標體系能夠更加精準地評估網絡安全風險前后的無線網絡性能變化情況。網絡信息安全關乎每一個人的隱私和國家的安全。在信息時代，數據的重要性不言而喻，一旦信息被非法獲取或破壞，后果不堪設想。因此，確保信息在傳輸和訪問過程中的安全，防止被他人非法刪除或破壞，是網絡安全的核心任務。為了應對網絡威脅，需要制訂和實施一套主動防御和綜合防范的策略。安全防護措施是降低系統風險、脆弱性的有效手段。通過采取一系列的安全措施，可以大大減少網絡威脅的發生。假設一個無線網絡安全風險評估會產生n行與e列的評估矩陣，也就是：X=（xij）n×e，且每個不同的評價指標都具有對應的維度和大小。

1.3 無線網絡安全風險評估模型建設

首先，在構建無線網絡風險評估模型時，選擇將無線網絡安全態勢要素的提取結果當作評估模型的評估指標，以此可以獲得對應的評估因素集。

其次，將對應評估因素集輸入到安全風險評估模型中，就可以獲得相關攻擊或者威脅行為數據。但是，由于網絡中存在的攻擊類型相對較多，所以，其得到的評估數據比較復雜。為消除某些數據特征對最后評估分類的結果造成一定程度的影響，技術人員選擇采用門控循環單元模型來搭建無線網絡安全風險評估模型，這樣不僅可以確保模型的穩定性，還能夠對網絡數據安全風險信息進行表征[5]。同時，可以把當前網絡安全態勢評估數據輸入到模型中，就可以獲得關于t時刻的狀態。GRU評估狀態為

式（2）中：代表當前候選集的記憶狀態；代表評估狀態。

由于前向傳播時需要實時對無線網絡參數進行更新，采用人工模式進行調試，不僅會造成大量時間浪費，還無法得到最佳配置參數。所以，技術人員選擇借助GA獲取最佳參數，求得風險正確率，并將最終得到的最大適應度數據的最優解表示為安全風險評估模型的配置參數。

最后，采用隨機抽樣的方式對子樣本進行訓練樣本與特征集合抽取，經多次抽取后，就可以獲得N個子樣本集合，從而確保數據的多樣性，再借助平均結果表征網絡安全風險的評估結果。

2 遺傳算法與PID無線網絡穩定控制優化方法

2.1 無線網絡不安全狀態的研究

如果無線網絡存在不安全狀態且設其不確定過程為Ct，那么，C就是不安全狀態中的無線網絡節點，t則代表運行的時間。根據PID控制理論，設其控制誤差為d，且[-d，0]中C的連續類誤差函數空間等于FC[-d，0]，則可以求得C的失穩狀態Mt：

式（3）中：代表無線網絡控制輸出；和均代表可變函數。在無線網絡不安全狀態之下，可以求得關于無線網絡穩定控制的方式：

式（4）中：ν代表無線網絡穩定控制的可行區域；νt代表在t時間段中的可行區域。經求解之后，就可以得到最大期望值，并實現無線網絡穩定控制模型的搭建。

2.2 PID控制優化設計

為了進一步確保無線網絡穩定控制，技術人員選擇將GA引入到基于PID控制理論的控制優化方法中，以此解決出現局部最佳現象、參數調節差和定位難等問題。該算法的應用還能夠進一步促使無線挽留過的擬合精準性得到提升，其原理如下。首先，獲取相關參數和目標函數之后，搭建無線網絡不安全狀態的相關數據初始種群，利用PID神經網絡控制標準對權值的初始值進行配置。其次，對網絡中存在的失穩樣本的適應度值進行計算，并完成父母染色體的交配。再次，根據交配后的結果進行遺傳處理，處理后的結果為新個體。如果得到的新個體樣本中的染色體數量超過預設的閾值，則需要對染色體進行充分交配和遺傳處理，直到小于或等于預設的閾值結束，并輸出結果，結束算法。最后，對最大適應度值的數據進行權重初始化設置。這樣一來，不僅確保了無線網絡得到穩定地控制，還能夠保障無線網絡的安全。

2.3 仿真實驗分析

為了進一步測試該方法的可行性，選擇采用KDD Cup99（網絡安全攻擊數據庫）為測試數據集，進行仿真實驗。

為了確保所提出的評估方法的可行性，選擇將本方法與反向傳播（（Back Propagation，BP）神經網絡算法和徑向基函數（Radial Basis Function，RBF）神經網絡算法3者之間進行了對比分析，并以正確率對比測試的指標。經測試結果來看，基于卷積神經網絡的安全風險評估方法在對無線網絡中存在的安全風險進行評估時，其風險評估的正確率最高，超過了其他評估方法。同時，卷積神經網絡的應用還有效改善了無線網絡安全風險最后的評估質量，使其評估結果的可信度得到進一步提升。

3 結語

綜上所述，為了提高無線網絡安全風險評估的正確率與控制質量，技術人員根據卷積神經網絡、GA和PID控制理論，提出并設計了一種能夠實現對無線網絡安全風險評估與控制的方法。在實際應用過程中，該方法不僅能夠精準評估網絡中存在的安全風險行為，還借助其控制方法進一步對網絡的穩定進行控制，達到了理想設計效果。

參考文獻

[1]栗慧峰.基于人工智能算法的網絡安全風險評估方法[J].信息與電腦（理論版），2022，34（13）：185-187.

[2]張志敏.基于神經網絡算法的無線網絡安全模型研究[J].成都工業學院學報，2022，25（1）：25-28.

[3]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，2022，44（5）：565-569.

[4]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.

[5] 于燕. 無線網絡安全風險研究及關鍵技術應用[J]. 電子元器件與信息技術，2022，6（1）：253-254.