基于魚(yú)群神經(jīng)網(wǎng)絡(luò )的信息安全性評價(jià)與研究論文
信息安全評估是保障和維護網(wǎng)絡(luò )信息安全的重要環(huán)節。針對BP神經(jīng)網(wǎng)絡(luò )技術(shù)在對信息安全進(jìn)行評估時(shí)存在的收斂速度慢、不易獲得全局最優(yōu)解、診斷精度低以及網(wǎng)絡(luò )結構不確定等缺點(diǎn)，而人工魚(yú)群算法具有較優(yōu)的全局收斂能力及較快的尋優(yōu)速度。因此，本文利用人工魚(yú)群算法對BP神經(jīng)網(wǎng)絡(luò )的初始權值和閾值進(jìn)行了優(yōu)化，建立了一種新的網(wǎng)絡(luò )信息安全評價(jià)模型，并將該模型應用到具體的評價(jià)實(shí)例中。結果表明，人工魚(yú)群神經(jīng)網(wǎng)絡(luò )算法具有收斂速度快及泛化能力強的優(yōu)點(diǎn)，為信息安全評估提供一種高效、準確及可靠的方法。
目前國內外常用的信息安全風(fēng)險評價(jià)模型主要由層次分析法(AHP)、基于概率統計的ALE算法，模糊綜合評價(jià)法等，也取得了一定的研究成果。但上述算法的基本思想是基于線(xiàn)性映射和概率密度分布的，即各風(fēng)險指標與最終評價(jià)結果之間存在著(zhù)線(xiàn)性關(guān)系[2]。然而，這種關(guān)系的存在是否科學(xué)至今也沒(méi)有得到準確的答復，同時(shí)這些方法在實(shí)施時(shí)雖然給出了定量計算的算法，但操作較為繁瑣，難以達到快速識別的要求。目前應用較廣泛的BP神經(jīng)網(wǎng)絡(luò )評價(jià)算法存在著(zhù)網(wǎng)絡(luò )參數難確定、收斂速度較慢且易陷入極小值等問(wèn)題。為了解決上述問(wèn)題，本文應用魚(yú)群算法對BP神經(jīng)網(wǎng)絡(luò )進(jìn)行了改進(jìn)，結合信息安全評價(jià)實(shí)例進(jìn)行了測試，并將測試數據與標準BP神經(jīng)網(wǎng)絡(luò )進(jìn)行了比較與分析，取得了理想的結果。
一、信息安全的概念
所謂的信息安全評估指的是通過(guò)分析信息系統所包含的資產(chǎn)總值、識別系統本身的防御機制以及所受到的危險性系數，利用數學(xué)模型綜合判斷出系統當前的風(fēng)險值。信息安全風(fēng)險評估主要包括三方面的內容，分別是資產(chǎn)總值識別、外部威脅識別以及脆弱性識別。資產(chǎn)總值識別是為了識別出系統所涉及的資產(chǎn)總值，外部威脅識別指的是識別當前狀態(tài)下系統受攻擊或威脅的程度，而脆弱性識別指的是系統自身的脆弱性程度。其中綜合考慮外部威脅以及內部脆弱性可以得出發(fā)生風(fēng)險事件的危害性，而自然總值識別再加上脆弱性識別就可以得到系統的易損性，基于上述過(guò)程可以得到信息安全系統的風(fēng)險值。
二、基本BP神經(jīng)網(wǎng)絡(luò )算法
BP神經(jīng)網(wǎng)絡(luò )算法是一種采用誤差反向傳播的多層前饋感知器。其特點(diǎn)是具有分布式的信息存儲方式，能進(jìn)行大規模并行處理，并具有較強的自學(xué)習及自適應能力。BP網(wǎng)絡(luò )由輸入層(感知單元)、計算層(隱藏層)、輸出層三部分組成。輸入層神經(jīng)元首先將輸入信息向前傳遞至隱含層節點(diǎn)，經(jīng)過(guò)激活函數預處理后，隱層節點(diǎn)再將輸出信息傳送至輸出層得到結果輸出。輸入層與輸出層節點(diǎn)的個(gè)數取決于輸入、輸出向量的維數，隱含層節點(diǎn)個(gè)數目前并沒(méi)有統一的標準進(jìn)行參考，需通過(guò)反復試錯來(lái)確定。根據Kolmogorov定理，具有一個(gè)隱層的三層BP神經(jīng)網(wǎng)絡(luò )能在閉集上以任意精度逼近任意非線(xiàn)性連續函數，所以本文選擇單隱層的BP神經(jīng)網(wǎng)絡(luò )。
三、人工魚(yú)群算法
3.1基本原理
通過(guò)對魚(yú)類(lèi)覓食的觀(guān)察可知，魚(yú)類(lèi)一般能自行或者尾隨其他同伴找到食物數量相對充足的地方。因此，一般魚(yú)類(lèi)數量較多的地區即為食物相對充足的區域。人工魚(yú)群算法是指通過(guò)長(cháng)期對魚(yú)類(lèi)覓食行為的觀(guān)察，構造人工魚(yú)來(lái)模擬魚(yú)類(lèi)的覓食、群聚、尾隨以及隨機行為，從而完成全局最優(yōu)值的尋找。算法所包含的基本過(guò)程如下：
覓食行為：魚(yú)類(lèi)會(huì )利用視覺(jué)或嗅覺(jué)來(lái)感知水中食物濃度的高低，以此來(lái)選擇覓食的路線(xiàn)。
聚群行為：魚(yú)類(lèi)一般會(huì )以群體形式進(jìn)行覓食，以此來(lái)躲避天敵的傷害并以最大概率獲得準確的覓食路線(xiàn)。
尾隨行為：當群體中的某條魚(yú)或幾條魚(yú)尋找到食物后，其附近的其他同伴會(huì )立刻尾隨而來(lái)，其他更遠處的魚(yú)也會(huì )相繼游過(guò)來(lái)。
隨機行為：魚(yú)在水中的活動(dòng)是不受外界支配的，基本上處于隨機狀態(tài)，這種隨機性有利于魚(yú)類(lèi)更大范圍的尋找食物及同伴。
3.2 魚(yú)群算法優(yōu)化BP神經(jīng)網(wǎng)絡(luò )的原理
BP神經(jīng)網(wǎng)絡(luò )在求解最優(yōu)化問(wèn)題時(shí)容易陷入局部極值，并且網(wǎng)絡(luò )的收斂速度較慢。魚(yú)群算法通過(guò)設定人工魚(yú)個(gè)體，模擬魚(yú)群在水中的覓食、尾隨和群聚行為，通過(guò)個(gè)體的局部尋優(yōu)，最終實(shí)
現全局尋優(yōu)。人工魚(yú)在不斷感知周?chē)h(huán)境狀況及同伴狀態(tài)后，集結在幾個(gè)局部最優(yōu)點(diǎn)處，而值較大的最優(yōu)點(diǎn)附近一般會(huì )匯集較多的人工魚(yú)，這有助于判斷并實(shí)現全局最優(yōu)值的獲取。因此用人工魚(yú)群算法來(lái)優(yōu)化BP神經(jīng)網(wǎng)絡(luò )是一種合理的嘗試。
3.3 具體工作步驟
人工魚(yú)群算法用于優(yōu)化神經(jīng)網(wǎng)絡(luò )時(shí)的具體步驟如下：
�、僭O定BP神經(jīng)網(wǎng)絡(luò )結構，確定隱層節點(diǎn)數目;
�、谠O定人工魚(yú)參數，主要包括個(gè)體間距離、有效視線(xiàn)范圍以及移動(dòng)步長(cháng)等;
�、廴斯~(yú)進(jìn)行覓食、群聚及尾隨行為來(lái)優(yōu)化BP神經(jīng)網(wǎng)絡(luò );
�、芡ㄟ^(guò)設定的狀態(tài)參量，判斷是否達到目標精度;
�、萑暨_到精度要求則輸出網(wǎng)絡(luò )優(yōu)化權值，并執行網(wǎng)絡(luò )循環(huán)，否則繼續改化參數進(jìn)行優(yōu)化;
�、掭敵鲎罱K優(yōu)化參數并進(jìn)行計算機網(wǎng)絡(luò )安全評價(jià)。
四、仿真實(shí)驗
將信息安全風(fēng)險評估常用的3項評價(jià)指標的分值作為BP神經(jīng)網(wǎng)絡(luò )的輸入，網(wǎng)絡(luò )的期望輸出只有一項，即安全綜合評價(jià)分值。目前用于信息安全風(fēng)險評價(jià)的數據還很少，本文采用文獻[3]所列的15組典型信息安全單項指標評價(jià)數據，其中1-10項作為訓練，11-15項用于仿真。通過(guò)實(shí)際實(shí)驗分析，本文將權值調整參數α=0.1，閾值調整參數β=0.1，隱層神經(jīng)元數目為6，學(xué)習精度ε=0.0001。網(wǎng)絡(luò )經(jīng)過(guò)2000次訓練，收斂于所要求的誤差，人工魚(yú)群算法的相關(guān)參數： 種群大小為39;可視域為0.8;最大移動(dòng)步長(cháng)為0.6;擁擠度因子為3.782。然后對檢驗樣本及專(zhuān)家評價(jià)樣本進(jìn)行仿真，結果如表1所示�？梢钥闯�，魚(yú)群神經(jīng)網(wǎng)絡(luò )得到的仿真結果與期望值之間的平均誤差為0.001，而標準BP神經(jīng)網(wǎng)絡(luò )為0.0052，所以魚(yú)群神經(jīng)網(wǎng)絡(luò )的得到的仿真精度較高，取得了理想的實(shí)驗結果。
五、結論
本文將魚(yú)群算法和神經(jīng)網(wǎng)絡(luò )結合起來(lái)對信息安全評價(jià)進(jìn)行了研究，得到了如下幾個(gè)結論：
(1) 基于魚(yú)群算法優(yōu)化后的BP神經(jīng)網(wǎng)絡(luò )具有收斂速度快、擬合精度高等優(yōu)點(diǎn)，克服了標準BP神經(jīng)網(wǎng)絡(luò )收斂速度慢、容易陷入局部極小值的缺點(diǎn)。同時(shí)，優(yōu)化算法編碼過(guò)程簡(jiǎn)單，并具有較強的魯棒性。
(2) 本文采用的實(shí)驗數據僅有15個(gè)，基于魚(yú)群算法優(yōu)化后的BP神經(jīng)網(wǎng)絡(luò )精度有明顯提高，避免了由于樣本數量少造成的擬合精度低等缺點(diǎn)。
(3) 通過(guò)將標準BP神經(jīng)網(wǎng)絡(luò )算法與魚(yú)群神經(jīng)網(wǎng)絡(luò )算法進(jìn)行對比發(fā)現，后者的收斂速度明顯加快并且自組織能力也有一定提高，在實(shí)際的工程建設中可以將其代替傳統的BP神經(jīng)網(wǎng)絡(luò )算法來(lái)進(jìn)行信息安全的風(fēng)險評估。
【基于魚(yú)群神經(jīng)網(wǎng)絡(luò )的信息安全性評價(jià)與研究論文】相關(guān)文章：
關(guān)于物聯(lián)網(wǎng)的信息安全技術(shù)研究論文09-29
通訊專(zhuān)業(yè)安全性評價(jià)自我檢查報告11-30
消防安全性評價(jià)工作總結范文07-30
研究生論文致謝07-23
研究生論文致謝08-27
研究生論文評語(yǔ)10-25
課題研究論文范文01-30
研究生個(gè)人自我評價(jià)08-16
- 相關(guān)推薦