论文部分内容阅读
[摘 要]在计算机网络安全评价中，针对计算机网络安全评价问题，应采取有效的安全评价方法，准确描述各网络安全指标，有效避免网络受到漏洞、病毒入侵，应用神经网络，可以确保网络安全，减少网络安全问题的发生。以下本篇分析在网络安全评价中神经网络的应用。
[关键词]神经网络、网络安全评价、网络安全
中图分类号：TP183 文献标识码：A 文章编号：1009-914X（2015）13-0301-01
引言
对于计算机网络安全评价中，优化计算机网络安全评价方法，应用神经网络，发挥非线性安全评价能力，提升计算机网络安全评价速度，有助于提高网络安全评价的精度。以下对此做具体分析。
1、网络安全评价与神经网络
1.2 计算机网络安全评价
网络安全评价，就是针对影响计算机网络安全的因素，建立全面、合理的评价指标，能够客观、科学地反映网络安全影响因素。网络安全评价，应具备、可行性、简要性、独立性、完备性、准确性，这样才可以准确反映评价信息。
1.2 神经网络
针对神经网络，形成初期，就是以人体脑部信息处理的形式作为基础，然后，再经过数学模型的匹配，以此作为研究脑细胞结构、脑细胞动作以及人体生物神经元特征的网络结构[1]。后来，随着计算机技术的发展，在先前神经网络模型的基础上，不仅增加神经网络的学习机制，同时，还提出针对神经网络的感知器模型，并将其应用在工程建设之中，然后利用映射拓扑性质，形成映射自组织网络模型，在计算中进行模拟。
2、应用神经网络技术的优点
对于网络安全评价中，应用神经网络不仅可以提升网络完全评价的质量，还可以提升网络安全效应，其主要具备以下优点。首先，就是在网络安全评价中，应用的神经网络，神经网络有自适应性与容错性，通过自我调整可以减小网络误差[2]；神经网络知识是存储在连接权上的，依据生物神经元学习与记忆形成，同时还具备外推性、自动抽提的功能，可以对直接的数据以及数值进行学习训练，神经网络技术中，还可以自动的确定出原因同结果之间的关系，同时总结网络的安全评价规律，能够将已学的知识应用到网络安全评价样本之中[3]。并且，针对神经网络技术，其应用范围较广，还具备实时应用的潜力，在网络安全评价中，可以有效保证网络的安全，确保其评价结果的准确性与客观性。
3、神经网络算法
3.1 粒子群优化算法
每个粒子i包含为一个D维的位置向量xi=（ xi1， xi2， ……， xiD ） 和速度向量vi = （ vi1， vi2，……， viD ）， 网络安全评价中，粒子i在搜索空间时， 可以保存搜索的最优经历位置p i = （ pi1， pi2， ……， piD ），并且可以在神经网络的每次迭代开始之时， 该粒子就可以根据自身的惯性与经验，在群体的最优经历位置上调整速度向量，达到最好的位置。c1、c2 作为正常数，也就是加速因子； r1、r2就是[ 0， 1]中的均匀分布随机数， d是D维维数，ω就是惯性权重因子。粒子位置与速度更新公式如下：
初始化网络安全评价神经网络种群后，可以将种群大小记为N。基于网络安全评价中，神经网络的适应度支配思想，可以将种群划成两个子群，一个作为非支配子集A，一个作为支配子集B， 并且两个子集基数需要满足子群基数之和。粒子群优化算法中，其算法终止准则，就是最大迭代次数Tmax，以及计算精度ε以及最优解最大凝滞步数△t，则可结束网络安全评价工作。
3.2 BP神经网络学习算法
对网络安全评价神经网络权系数置初值。
对网络安全评价神经网络各层的权系数，可以置一个较小非零随机数，但网络安全评价神经网络中，。
输入网络安全评价神经网络的一个样本，，并以与其对应的期望输出结果。
计算网络安全评价神经网络各层输出，针对其第k层的第i个神经元，其输出为，公式为：
，
计算网络安全评价神经网络的学习误差，
计算神经网络输入向量与隐层神经元以及输入层权值的距离，距离较大为获胜神经元。求出各层学习的误差。针对输出层，有
对于神经网络隐层，仅计算获胜神经元的学习误差，i为获胜神经元。
修正神经网络局部权系数和阀值
调整神经网络，与获胜神经元相连弧线的权值和阀值
其中：
当求出网络安全评价中神经网络的各层各个权系数后，可按给定的品质指标，以此判别网络安全是否满足使用要求；如果说已经满足了要求，则可以结束算法；如果，没有满足要求，则进行返回处理执行。
4、基于神经网络的网络安全评价
4.1 设计网络安全评价模型
网络安全评价中，输入层神经元节点的数量，必须要和计算机网络的安全评价指标数量相同，例如，针对计算机网络安全评价体系中，就可以设计18个二级的指标，针对计算机网络安全评价模型的输入层，在其设计神经元节点数量时，也必须是要是18个指标[4]。并且，对于大部分BP神经网络中，还应该采用单向的隐含层，针对隐含层节点数量，可以根据需求的神经网络性能进行设计。针对网络安全评价中，如果说隐含层节点数数量过多，就会使网络安全评价中的神经网络学习时间延长，故此在通常情况下，可以将隐含层设计为5个。针对神经网络输出层设计中，主要就是输出网络安全评价结果，可以将神经网络输出节点数设2个，其输出结果是（1，1），以此来表示安全；输出结果是（1，0）表示基本安全；输出结果是（0，1）表示不安全；输出结果是（0，0）表示很不安全。
4.2 构建网络安全评价体系
针对网络安全评价中，使用粒子群优化算法，优化传统的BP神经系统，有效克服网络安全评价的局限性。其优化方法如下：可以将BP神经网络的目标向量以及传递函数、结构，进行初始化；然后设置粒子群初始速度、动量系数、初始位置等参数，并且可以利用粒子群训练集，训练网络安全评价中的BP神经网络，使其在网络安全评价中具备适应度值；可以将每个粒子历史以及最好适应度值，同当前的适应度值进行比较。当前比历史适应度值优，需要保存当前粒子的适应度值，使其作为最好适应度值；并且，还需要计算粒子惯性权值；降低在网络安全评价中，粒子适应度值的误差。针对网络安全评价的BP神经网络中，其学习过程之中，对于任何一个给定样本以及期望输出，都应该将其执行到满足所有的输入输出为止。
结论
综上所述，在网络安全评价中应用神经网络，具有可行性，有效避免传统网络安全评价中的存在的弊端，引入神经网络技术，可以基于粒子优化神经网络，确保计算机网络安全评价结果的准确性、客观性，发挥积极的应用价值。
参考文献
[1]李忠武，陈丽清.计算机网络安全评价中神经网络的应用研究 [J].现代电子技术， 2014，（10）， 80-82.
[2]郑刚.计算机网络安全评价中神经网络的应用研究 [J].网络安全技术与应用， 2014，（09）， 55-57.
[3]刘秋红，徐广飞.计算机网络安全评价中神经网络的作用探究 [J].煤炭技术， 2013，（03），270-272.
[4]耿仲华.计算机网络安全评价中对于神经网络的应用探究 [J].网络安全技术与应用，2014， （09）， 87-88.
[关键词]神经网络、网络安全评价、网络安全
中图分类号：TP183 文献标识码：A 文章编号：1009-914X（2015）13-0301-01
引言
对于计算机网络安全评价中，优化计算机网络安全评价方法，应用神经网络，发挥非线性安全评价能力，提升计算机网络安全评价速度，有助于提高网络安全评价的精度。以下对此做具体分析。
1、网络安全评价与神经网络
1.2 计算机网络安全评价
网络安全评价，就是针对影响计算机网络安全的因素，建立全面、合理的评价指标，能够客观、科学地反映网络安全影响因素。网络安全评价，应具备、可行性、简要性、独立性、完备性、准确性，这样才可以准确反映评价信息。
1.2 神经网络
针对神经网络，形成初期，就是以人体脑部信息处理的形式作为基础，然后，再经过数学模型的匹配，以此作为研究脑细胞结构、脑细胞动作以及人体生物神经元特征的网络结构[1]。后来，随着计算机技术的发展，在先前神经网络模型的基础上，不仅增加神经网络的学习机制，同时，还提出针对神经网络的感知器模型，并将其应用在工程建设之中，然后利用映射拓扑性质，形成映射自组织网络模型，在计算中进行模拟。
2、应用神经网络技术的优点
对于网络安全评价中，应用神经网络不仅可以提升网络完全评价的质量，还可以提升网络安全效应，其主要具备以下优点。首先，就是在网络安全评价中，应用的神经网络，神经网络有自适应性与容错性，通过自我调整可以减小网络误差[2]；神经网络知识是存储在连接权上的，依据生物神经元学习与记忆形成，同时还具备外推性、自动抽提的功能，可以对直接的数据以及数值进行学习训练，神经网络技术中，还可以自动的确定出原因同结果之间的关系，同时总结网络的安全评价规律，能够将已学的知识应用到网络安全评价样本之中[3]。并且，针对神经网络技术，其应用范围较广，还具备实时应用的潜力，在网络安全评价中，可以有效保证网络的安全，确保其评价结果的准确性与客观性。
3、神经网络算法
3.1 粒子群优化算法
每个粒子i包含为一个D维的位置向量xi=（ xi1， xi2， ……， xiD ） 和速度向量vi = （ vi1， vi2，……， viD ）， 网络安全评价中，粒子i在搜索空间时， 可以保存搜索的最优经历位置p i = （ pi1， pi2， ……， piD ），并且可以在神经网络的每次迭代开始之时， 该粒子就可以根据自身的惯性与经验，在群体的最优经历位置上调整速度向量，达到最好的位置。c1、c2 作为正常数，也就是加速因子； r1、r2就是[ 0， 1]中的均匀分布随机数， d是D维维数，ω就是惯性权重因子。粒子位置与速度更新公式如下：
初始化网络安全评价神经网络种群后，可以将种群大小记为N。基于网络安全评价中，神经网络的适应度支配思想，可以将种群划成两个子群，一个作为非支配子集A，一个作为支配子集B， 并且两个子集基数需要满足子群基数之和。粒子群优化算法中，其算法终止准则，就是最大迭代次数Tmax，以及计算精度ε以及最优解最大凝滞步数△t，则可结束网络安全评价工作。
3.2 BP神经网络学习算法
对网络安全评价神经网络权系数置初值。
对网络安全评价神经网络各层的权系数，可以置一个较小非零随机数，但网络安全评价神经网络中，。
输入网络安全评价神经网络的一个样本，，并以与其对应的期望输出结果。
计算网络安全评价神经网络各层输出，针对其第k层的第i个神经元，其输出为，公式为：
，
计算网络安全评价神经网络的学习误差，
计算神经网络输入向量与隐层神经元以及输入层权值的距离，距离较大为获胜神经元。求出各层学习的误差。针对输出层，有
对于神经网络隐层，仅计算获胜神经元的学习误差，i为获胜神经元。
修正神经网络局部权系数和阀值
调整神经网络，与获胜神经元相连弧线的权值和阀值
其中：
当求出网络安全评价中神经网络的各层各个权系数后，可按给定的品质指标，以此判别网络安全是否满足使用要求；如果说已经满足了要求，则可以结束算法；如果，没有满足要求，则进行返回处理执行。
4、基于神经网络的网络安全评价
4.1 设计网络安全评价模型
网络安全评价中，输入层神经元节点的数量，必须要和计算机网络的安全评价指标数量相同，例如，针对计算机网络安全评价体系中，就可以设计18个二级的指标，针对计算机网络安全评价模型的输入层，在其设计神经元节点数量时，也必须是要是18个指标[4]。并且，对于大部分BP神经网络中，还应该采用单向的隐含层，针对隐含层节点数量，可以根据需求的神经网络性能进行设计。针对网络安全评价中，如果说隐含层节点数数量过多，就会使网络安全评价中的神经网络学习时间延长，故此在通常情况下，可以将隐含层设计为5个。针对神经网络输出层设计中，主要就是输出网络安全评价结果，可以将神经网络输出节点数设2个，其输出结果是（1，1），以此来表示安全；输出结果是（1，0）表示基本安全；输出结果是（0，1）表示不安全；输出结果是（0，0）表示很不安全。
4.2 构建网络安全评价体系
针对网络安全评价中，使用粒子群优化算法，优化传统的BP神经系统，有效克服网络安全评价的局限性。其优化方法如下：可以将BP神经网络的目标向量以及传递函数、结构，进行初始化；然后设置粒子群初始速度、动量系数、初始位置等参数，并且可以利用粒子群训练集，训练网络安全评价中的BP神经网络，使其在网络安全评价中具备适应度值；可以将每个粒子历史以及最好适应度值，同当前的适应度值进行比较。当前比历史适应度值优，需要保存当前粒子的适应度值，使其作为最好适应度值；并且，还需要计算粒子惯性权值；降低在网络安全评价中，粒子适应度值的误差。针对网络安全评价的BP神经网络中，其学习过程之中，对于任何一个给定样本以及期望输出，都应该将其执行到满足所有的输入输出为止。
结论
综上所述，在网络安全评价中应用神经网络，具有可行性，有效避免传统网络安全评价中的存在的弊端，引入神经网络技术，可以基于粒子优化神经网络，确保计算机网络安全评价结果的准确性、客观性，发挥积极的应用价值。
参考文献
[1]李忠武，陈丽清.计算机网络安全评价中神经网络的应用研究 [J].现代电子技术， 2014，（10）， 80-82.
[2]郑刚.计算机网络安全评价中神经网络的应用研究 [J].网络安全技术与应用， 2014，（09）， 55-57.
[3]刘秋红，徐广飞.计算机网络安全评价中神经网络的作用探究 [J].煤炭技术， 2013，（03），270-272.
[4]耿仲华.计算机网络安全评价中对于神经网络的应用探究 [J].网络安全技术与应用，2014， （09）， 87-88.