基于BP 神经网络计算机网络安全评估.docVIP

基于BP 神经网络计算机网络安全评估 　　摘要：随着我国经济的快步提升，各个行业都以前所未有的速度高速发展，当然也包括计算机行业。与此同时，计算机网络的安全问题也日益严峻，计算机网络安全评估也成为了网络研究中重要的课题之一。为了是的对计算机网络安全的评估能够更加地精确精准，近年来我国学者使用BP神经网络进行相关的研究。该文通过介绍BP神经网络以及其相对于其他评估方法的比较，获得BP神经网络相比于其他方法的优越性。建立计算机网络安全评估体系，并通过实例探讨基于BP神经网络这一方法的网络安全评估。 关键词：BP神经网络；计算机网络；安全评估 中图分类号：TP18 文献标识码：A 文章编号：1009-3044（2013）18-4303-05 网络安全从本质上看是网络的信息安全。而从广义来说，涉及到的范围就较大，凡是有关网络信息的完整性、保密性、真实性、可用性和可控性方面，都是网络安全需要考虑与研究的领域。 随着全球计算机技术和 Internet 的迅猛发展，全球信息化进程加速，互联网与千家万户息息相关，在我们的工作和生活中扮演着极其重要的角色。与此同时，网络和网络用户也在以指数级的速度增长。互联网正引领着我们的生活进入一个前所未有的，以网络为基础的信息化环境。由此，网络安全就显得尤为重要。 1 网络安全评估的重要性 由于现阶段的计算机系统，其网络设备存在不完善的因素，包括设计的缺陷、漏洞及网络协议等，这样的情况下，计算机网络就潜在各种可能的安全风险。近年来，计算机网络受到的侵害越来越多，网络漏洞各种各样，计算机安全得不到应有的保障。具体表现为： 1） 网络病毒更加多样、智能与隐蔽。 2） 随着网络扮演越来越重要的角色，各方的生产生活都离不开网络，因此网络服务商、管理部门和运营商都十分重视网络的安全，并提出了更多的需求。 3） 网络安全脆弱的根源是漏洞。 目前，针对网络安全进行的恶意活动越来越多，如何有效保证网络安全正常运行已经成为各方都十分关注的问题。在这样的情况下，我们需要事先对系统与网络进行安全检查与评估，分析现有网络是否安全可靠，并且对于检测出的问题，提出并实施相应的有针对性的安全防范措施，力求将损失降到最低，将风险扼杀在潜伏期。 2 BP神经网络技术 2.1 BP神经网络技术介绍 2.1.1 神经网络技术概要 BP（Back Propagation）神经网络这一算法是由Rumelhart和McCelland等人于1986年提出的。它的主要思想是按照误差逆传播算法训练多层前馈网络，它可以解决多层的网络里所隐含的单元连接的学习问题。这一方法的提出，为此后打开了重要的一片领域，它成为目前应用最为广泛的模型之一。BP神经网络一般分为三层结构，包括输入层、输出层以及隐含层。 2.1.2 输入层、输出层变量及预处理 BP神经网络输入层变量属于自变量，是需要通过专业的知识来确定的，如果说增加输入层的变量的数量，那么还要进行主成分分析，再对所有的变量进行缩减，使得数量与增加前的输入层数量相当，然后再对输入变量前与缩减变量后的系统误差进行比较，通过比值的大小达到缩减输入层变量的目的。 输入层变量属于因变量，一般系统不对输入层变量的数量进行具体要求，但是为了网络模型得到更好的训练，系统对于BP神经网络应要进行转换。即把具有多个输入变量的模型转换成多个具有一个输出的模型，以达到更好的效果。 预处理有很多的方法，一般笔者根据实际需求以及喜好，会采用各不相同的方式。但是殊途同归，进行完数据的处理之后，对网络神经输出的结果进行一定程度的变换，最后得到的数据才是所需数据。并且，与处理后，数据值要控制在0.2～0.8之间，使得建立的模型具有一定的外推能力。 2.1.3 BP神经网络的拓扑结构 BP神经网络的拓扑结构包含隐含层层数、隐含层结点数、动量因子、初始权值、学习率、误差精度等。 BP神经网络的拓扑结构最应注意的是隐含层结点的数量，过多或过少都会产生问题，或者使得网络训练时间过长、无法找到最优点，或者使得网络的稳定性较差。因此，应合理优化隐含点的节点数，同时考虑网络结构的复杂程度以及误差的大小，综合各方情况确定节点数。 2.2 BP神经网络技术算法 2.2.1 BP神经网络算法学习过程 1） 工作信号的正向传播：工作信号的正向传播指的是输入信号经由输入层传向输出层，最终在输出端产生输出信号。 2） 误差信号的反向传播：工作信号的反向传播指的是误差信号由输出端向后传播，误差信号指的是网络实际输出信号和期望输出信号之间的差值。 本文以含有三个隐含层的BP神经网络为例，其结构如下图所示。 9） 输入