论文部分内容阅读
摘 要:作为一项很重要的参考指标,网络安全评价在通常涉及到计算机的网络安全问题时,其中包含的网络受病毒、相关漏洞入侵等问题本身是非线性的,研究者就需要参考具有线性的评价方法,否则其中描述的各项参考指标就会使其评价结果精度大大降低。为了防止这种情况发生,专家通常采用在神经网络的基础上应用一种粒子优化的方法。具体的实施方法就是先通过系统的挑选相关指标并确定其权重,通过BP神经网络对其进行优化,进而得出对整个安全网络的一些相关评价等级。通过与传统评价方法相比较,该方法在有效提升了整体的评价速度的同时,其评价精度也得到了大大的提升。
关键词:计算机网络;神经网络;安全评价应用
中图分类号:TP183
现如今,互联网在生活中应用愈加广泛,涉及到日常生活的诸多领域,在其给人们提供帮助的同时,也衍生了大量的网络安全问题,如:计算机病毒、漏洞、相关用户资源的窃取、隐私的泄露等等。出现这些问题,就要求相关专家要能够制定出一套完整的网络安全的评价体系,进而有效的对可能出现的上述问题进行预防,为广大计算机客户免除大量的损失。
1 网络安全
一般来说,网络安全是网络本身系统的相关软件、硬件或是系统内部的相关数据受到一定程度的保护,进而不受外界的偶然或恶意原因而受到的破坏、泄露和更改,网络系统本身仍能够继续正常、可靠地运行,涉及到的相应网络服务不受中断。网络安全可以涉及到:通信技术、信息安全技术、密码技术、网络技术、应用数学、信息论、数论、计算机科学等不同的领域。从广义的角度来讲,只要是与网络信息的完整性、保密性、真实性、可控性和可用性等诸多技术相关的都属于网络安全的相关研究领域。
网络安全对于相关管理者和网络运行来说,他们希望网络本身的安全受到相应的保护进而对本地的网络相关信息的读写和访问等操作实现控制。而对于一些国家政府或者是相关企业的安保部门来说,以前者不同的是,他们更侧重于对含有有害的、非法的和一些涉及到企业自身利益和国家机密的相关信息进行防堵和过滤,从而避免一些重要的信息被黑客盗取,给国家、人民或者是企业自身带来巨大的损失。
2 计算机网络安全现状
针对于之前所提到的计算机网络可能受到的诸多安全因素影响,其所作出的评价结果通常与这些因素整体呈非线性关系。在过去的传统评价方法中,研究者通常采用故障树分析法和层次分析法等对计算机的网络安全进行相关的评价,而在实际操作中,这些方法大多相对复杂,不便于操作,并且在其结果上不能有效的对这些非线性关系进行描述,评价精度非常低。
随着计算机相关技术近些年的快速发展,相关涉及到的行业所处理的相关业务也从之前相对简单的单机文件处理、数学运算、相对间内的局域网内部的办公自动化和内部业务处理发展到现如今更为复杂的企业外部网和全球互联网等世界范围的业务处理和信息共享。在计算机自身系统相应处理能力提升的同时,对于网络的连接能力也随之在逐步提高着,但与此同时,相应产生的一些安全问题也逐渐凸显出来,主要体现在以下这些方面:网络拓扑结构的安全、网络系统的安全、应用系统的安全、网络物理安全和网络的管理安全等。
近些年来,相关研究人员采用一些人工智能的算法,建立出一套全新的人工神经网络,将这种网络运用到网络安全的评价中,很大程度的避免了上述提到的诸多问题。而在现如今的大量神经网络中,BP神经网络(英文缩写:BPNN)在应用中最为成熟和广泛。但同时,BPNN本身也存在着搜索能力差、训练速度慢等缺点,因此,对现如今的神经网络在网络安全评价中的应用进一步的进行研究,使其评价精度提到提升逐渐成为该领域的研究重点。
3 涉及到计算机网络相关评价的基本原理
涉及到其具体相关评价,就要求在相对应的评价标准规定下,通过对其内容和影响范围进行整理,再基于其网络的安全情况进行分析,进而得出相关的评价,罗列出一系列的网络安全等级,通过数学模型的建立,大致如下:
网络安全等级=f(a1,a2,a3…,ax,…,an)
其中的a代表着影响网络评价的相关因子,f就是整体网络安全等级的数学模型。
通过对其数学模型的建立,我们可以发现相关的影响因素对其整体网络安全等级的影响是相当重要的,并呈现出一种非线性的不确定关系,本文通过采用BP神经网络来对其相关的影响因素进行评价和打分,得出相关因素对结果影响的权重比例,進而提升整体安全评价的精度。
3.1 BP神经网络的具体应用
作为现如今在互联网涉及到的安全评价领域中一种应用较为广泛的模型,BP神经网络通常采取梯度下降的算法来对影响到网络权值的误差行进时刻的调整,进而使其期望输出和实际的输出误差达到最小。
3.2 BP网络的相关特点
BP网络的构建主要有如下几种优点:
(1)算法简单:通常采用梯度的下降的算法,通过对误差逆向传播中相关权值、阀值的调整,来寻求神经网络中期望和实际输出的最小误差值。
(2)非线性的逼近能力强:这就使其受到相关因素的影响程度大大降低,进而使整体的评价精度得到提升。
(3)容易实现:这在具体实际评价中是相当重要的,面对大量的安全评价工作,更容易实现、工作量更低的方法,往往更容易广泛的被大众所接受和采纳。
同时,其自身还有一些缺点:
(1)学习效果差。
(2)收敛速度慢。
4 网络安全的评价过程及其优化
通过收集与安全评价相关的一些数据,建立出一套相对完善的安全指标体系,针对其相关数据构建一套粒子群,通过对该种BP网络进行初始化并加以训练,进而再参考相关的适应度值,以此来获取得到影响该网络的最优参数,最终得到安全评价,从而实现最终目的。 4.1 PSO算法
PSO算法也叫做粒子群优化法,是通过模拟生态学中鸟群飞行确立的一种新型搜索算法,本身具有计算简单、个体数量少、全局优化性好等诸多优点,现如今通常被研究者用来在神经网络领域对其参数进行进一步的优化,使优化后的评价方法评价精度更高、收敛速度更快,正逐步的得到广泛的应用。
4.2 优化的相关参数的设立
将相关参数的种群规模设立为n=10,相关的学习因子设立为b1=b2=2,使其在整体网络中的初始位置做到随机产生,初始化其速度,设定期最大迭代数Q=500。通过将优化后的神经网络和未进行优化的传统神经网络相对值,利用到运用于网络中的激发函数,将整体的目标误差控制在0.001。
4.3 神经网络的训练
通过对于神经网络的训练,可以发现,在训练过程中,传统的神经网络在其数据进行收敛时速度通常很慢,在所进行的模拟实验中,数据在第398步时训练结束。在结束时统计算出其误差达到0.000896,而在经过优化后的神经网络通过对其进行迭代处理,其误差精度最终可以达到0.000682,相应的误差精度得到了大大提升,进而可以发现,传统的神经网络,其自身寻优能力较弱,收敛速度较慢,评价精度较低。
4.4 优化结果分析
通过对比传统神经网络和优化后的神经网络所得出的学习精度,并将两者进行测试,结果如下表1,得出相关结论:传统的神经网络对于22号的样本进行的安全评价结果安全级数显示为C级,也就是不安全等级,所以说其安全评价结果是不正确的,通过进行优化可以使其正确率得到大大的提升。相比较两种方法的均方根误差,传统方法为0.066远大于经过优化后的BPNN模型0.021的均方根误差,进而可以得出结论,通过对传统的BP神经网络进行优化,加快了网络自身的收敛速度的同时,也大大的提升了其最终的评价精度。
5 结束语
随着现如今网络的快速发展和越加广泛的利用,相关安全问题得到了越来越大的突显,寻求出一种更为有效的安全评价方法就显得尤为重要。本文在对现如今应用普遍的BPNN进行优化的过程中采用了PSO的算法,将二者相結合,极大程度的发挥了BPNN本身具有的极强函数的非线性逼近能力,进而应用到整体网络安全的评价中,避免了BP神经网络本身存在的寻优能力较弱,收敛速度较慢,评价精度较低的诸多缺点。通过优化,大大提升了其收敛速度、评价精度和全局的搜索能力,为今后的网络安全领域的发展提供了一条新的道路,相信在不久的将来,越来越多的不同种类的神经网络会大大的应用到网络安全的评价体系中去。
参考文献:
[1]于学军,程博.基于BP神经网络的工作量估计模型[J].计算机科学,2012(S2).
[2]黄丽民,徐红.基于BP神经网络的网络安全评价方法研究[J].山东商业职业技术学院学报,2010(04).
[3]彭沙沙,张红梅,卞东亮.计算机网络安全分析研究[J].现代电子技术,2012(04).
[4]王淑蓉,王长元,喻钧.基于服务计算的服务组合研究[J].现代电子技术,2012(12).
[5]陶跃,田迎华.多级可拓评价方法在网络安全评价中的应用[J].吉林大学学报(信息科学版),2013(01).
[6]王春雷,方兰,王东霞.基于知识发现的网络安全态势感知系统[J].计算机科学,2012(07):65-66.
作者简介:祝永健,讲师,本科,硕士,研究方向:计算机网络。
作者单位:江苏省扬州商务高等职业学校,江苏扬州 225127
关键词:计算机网络;神经网络;安全评价应用
中图分类号:TP183
现如今,互联网在生活中应用愈加广泛,涉及到日常生活的诸多领域,在其给人们提供帮助的同时,也衍生了大量的网络安全问题,如:计算机病毒、漏洞、相关用户资源的窃取、隐私的泄露等等。出现这些问题,就要求相关专家要能够制定出一套完整的网络安全的评价体系,进而有效的对可能出现的上述问题进行预防,为广大计算机客户免除大量的损失。
1 网络安全
一般来说,网络安全是网络本身系统的相关软件、硬件或是系统内部的相关数据受到一定程度的保护,进而不受外界的偶然或恶意原因而受到的破坏、泄露和更改,网络系统本身仍能够继续正常、可靠地运行,涉及到的相应网络服务不受中断。网络安全可以涉及到:通信技术、信息安全技术、密码技术、网络技术、应用数学、信息论、数论、计算机科学等不同的领域。从广义的角度来讲,只要是与网络信息的完整性、保密性、真实性、可控性和可用性等诸多技术相关的都属于网络安全的相关研究领域。
网络安全对于相关管理者和网络运行来说,他们希望网络本身的安全受到相应的保护进而对本地的网络相关信息的读写和访问等操作实现控制。而对于一些国家政府或者是相关企业的安保部门来说,以前者不同的是,他们更侧重于对含有有害的、非法的和一些涉及到企业自身利益和国家机密的相关信息进行防堵和过滤,从而避免一些重要的信息被黑客盗取,给国家、人民或者是企业自身带来巨大的损失。
2 计算机网络安全现状
针对于之前所提到的计算机网络可能受到的诸多安全因素影响,其所作出的评价结果通常与这些因素整体呈非线性关系。在过去的传统评价方法中,研究者通常采用故障树分析法和层次分析法等对计算机的网络安全进行相关的评价,而在实际操作中,这些方法大多相对复杂,不便于操作,并且在其结果上不能有效的对这些非线性关系进行描述,评价精度非常低。
随着计算机相关技术近些年的快速发展,相关涉及到的行业所处理的相关业务也从之前相对简单的单机文件处理、数学运算、相对间内的局域网内部的办公自动化和内部业务处理发展到现如今更为复杂的企业外部网和全球互联网等世界范围的业务处理和信息共享。在计算机自身系统相应处理能力提升的同时,对于网络的连接能力也随之在逐步提高着,但与此同时,相应产生的一些安全问题也逐渐凸显出来,主要体现在以下这些方面:网络拓扑结构的安全、网络系统的安全、应用系统的安全、网络物理安全和网络的管理安全等。
近些年来,相关研究人员采用一些人工智能的算法,建立出一套全新的人工神经网络,将这种网络运用到网络安全的评价中,很大程度的避免了上述提到的诸多问题。而在现如今的大量神经网络中,BP神经网络(英文缩写:BPNN)在应用中最为成熟和广泛。但同时,BPNN本身也存在着搜索能力差、训练速度慢等缺点,因此,对现如今的神经网络在网络安全评价中的应用进一步的进行研究,使其评价精度提到提升逐渐成为该领域的研究重点。
3 涉及到计算机网络相关评价的基本原理
涉及到其具体相关评价,就要求在相对应的评价标准规定下,通过对其内容和影响范围进行整理,再基于其网络的安全情况进行分析,进而得出相关的评价,罗列出一系列的网络安全等级,通过数学模型的建立,大致如下:
网络安全等级=f(a1,a2,a3…,ax,…,an)
其中的a代表着影响网络评价的相关因子,f就是整体网络安全等级的数学模型。
通过对其数学模型的建立,我们可以发现相关的影响因素对其整体网络安全等级的影响是相当重要的,并呈现出一种非线性的不确定关系,本文通过采用BP神经网络来对其相关的影响因素进行评价和打分,得出相关因素对结果影响的权重比例,進而提升整体安全评价的精度。
3.1 BP神经网络的具体应用
作为现如今在互联网涉及到的安全评价领域中一种应用较为广泛的模型,BP神经网络通常采取梯度下降的算法来对影响到网络权值的误差行进时刻的调整,进而使其期望输出和实际的输出误差达到最小。
3.2 BP网络的相关特点
BP网络的构建主要有如下几种优点:
(1)算法简单:通常采用梯度的下降的算法,通过对误差逆向传播中相关权值、阀值的调整,来寻求神经网络中期望和实际输出的最小误差值。
(2)非线性的逼近能力强:这就使其受到相关因素的影响程度大大降低,进而使整体的评价精度得到提升。
(3)容易实现:这在具体实际评价中是相当重要的,面对大量的安全评价工作,更容易实现、工作量更低的方法,往往更容易广泛的被大众所接受和采纳。
同时,其自身还有一些缺点:
(1)学习效果差。
(2)收敛速度慢。
4 网络安全的评价过程及其优化
通过收集与安全评价相关的一些数据,建立出一套相对完善的安全指标体系,针对其相关数据构建一套粒子群,通过对该种BP网络进行初始化并加以训练,进而再参考相关的适应度值,以此来获取得到影响该网络的最优参数,最终得到安全评价,从而实现最终目的。 4.1 PSO算法
PSO算法也叫做粒子群优化法,是通过模拟生态学中鸟群飞行确立的一种新型搜索算法,本身具有计算简单、个体数量少、全局优化性好等诸多优点,现如今通常被研究者用来在神经网络领域对其参数进行进一步的优化,使优化后的评价方法评价精度更高、收敛速度更快,正逐步的得到广泛的应用。
4.2 优化的相关参数的设立
将相关参数的种群规模设立为n=10,相关的学习因子设立为b1=b2=2,使其在整体网络中的初始位置做到随机产生,初始化其速度,设定期最大迭代数Q=500。通过将优化后的神经网络和未进行优化的传统神经网络相对值,利用到运用于网络中的激发函数,将整体的目标误差控制在0.001。
4.3 神经网络的训练
通过对于神经网络的训练,可以发现,在训练过程中,传统的神经网络在其数据进行收敛时速度通常很慢,在所进行的模拟实验中,数据在第398步时训练结束。在结束时统计算出其误差达到0.000896,而在经过优化后的神经网络通过对其进行迭代处理,其误差精度最终可以达到0.000682,相应的误差精度得到了大大提升,进而可以发现,传统的神经网络,其自身寻优能力较弱,收敛速度较慢,评价精度较低。
4.4 优化结果分析
通过对比传统神经网络和优化后的神经网络所得出的学习精度,并将两者进行测试,结果如下表1,得出相关结论:传统的神经网络对于22号的样本进行的安全评价结果安全级数显示为C级,也就是不安全等级,所以说其安全评价结果是不正确的,通过进行优化可以使其正确率得到大大的提升。相比较两种方法的均方根误差,传统方法为0.066远大于经过优化后的BPNN模型0.021的均方根误差,进而可以得出结论,通过对传统的BP神经网络进行优化,加快了网络自身的收敛速度的同时,也大大的提升了其最终的评价精度。
5 结束语
随着现如今网络的快速发展和越加广泛的利用,相关安全问题得到了越来越大的突显,寻求出一种更为有效的安全评价方法就显得尤为重要。本文在对现如今应用普遍的BPNN进行优化的过程中采用了PSO的算法,将二者相結合,极大程度的发挥了BPNN本身具有的极强函数的非线性逼近能力,进而应用到整体网络安全的评价中,避免了BP神经网络本身存在的寻优能力较弱,收敛速度较慢,评价精度较低的诸多缺点。通过优化,大大提升了其收敛速度、评价精度和全局的搜索能力,为今后的网络安全领域的发展提供了一条新的道路,相信在不久的将来,越来越多的不同种类的神经网络会大大的应用到网络安全的评价体系中去。
参考文献:
[1]于学军,程博.基于BP神经网络的工作量估计模型[J].计算机科学,2012(S2).
[2]黄丽民,徐红.基于BP神经网络的网络安全评价方法研究[J].山东商业职业技术学院学报,2010(04).
[3]彭沙沙,张红梅,卞东亮.计算机网络安全分析研究[J].现代电子技术,2012(04).
[4]王淑蓉,王长元,喻钧.基于服务计算的服务组合研究[J].现代电子技术,2012(12).
[5]陶跃,田迎华.多级可拓评价方法在网络安全评价中的应用[J].吉林大学学报(信息科学版),2013(01).
[6]王春雷,方兰,王东霞.基于知识发现的网络安全态势感知系统[J].计算机科学,2012(07):65-66.
作者简介:祝永健,讲师,本科,硕士,研究方向:计算机网络。
作者单位:江苏省扬州商务高等职业学校,江苏扬州 225127