计算机网络安全评价体系设计.docxVIP

计算机网络安全评价体系设计 　　【摘要】　　计算机网络安全评价是计算机网络安全保障中的一个重要系统。计算机网络在应用过程中，会因为受到漏洞、病毒等因素的影响，从而出现各种各样的安全问题，影响计算机网络应用安全。这时候也就需要应用计算机网络安全评价体系，为计算机网络安全提供有效保障。传统线性评价方法在目前计算机网络安全评价中评测精度较低，从而导致评价结果不佳。基于神经网络的计算机网络评价体系，能够满足当前计算机网络安全应用需求，因此得到广泛应用。本文重点分析神经网络下的计算机网络安全评价体系设计。　　【关键词】网络安全；神经网络；评价体系　　1计算机网络安全评价体系　　计算机网络复杂性较高，影响计算机网络安全因素也比较多，计算机网络安全评价体系的科学合理化设计，有助于有效发挥评价体系的作用。其中在具体评价体系设计中，因为描述因素不同，其评价取值规则也具有差异，之中包括有定量评价指标以及定性评价指标。其中关于定量评价指标，则需要依照评价网络系统的实际情况确定取值范围，还有一部分定性指标也可以通过专家评级方式进行确定，依照计算机网络在评价中的实际情况制定相应的评价等。不同的指标也能够从不同角度评定计算机网络的安全性，指标之间的取值范围没有可比性。为了能够确定评价指标，同时考虑到神经网络训练的收敛问题，则需要是实施指标的标准化处理。其中关于定量指标，基于衡量单位之间的差异，标准化处理确定取值范围在0~1之间；对于定性指标则采用专家打分法，为例确保其和定量之间的可比性，则也需要对其实施标准化处理。通常来讲评价结果分成四个等级，分别为：安全，网络安全保障能力较强，在应用中安全性较高；基本安全；网络安全保障能力还可以，应用中可以确保基本安全；不安全，网络安全保障能力较弱，在应用中存在一定的安全隐患；很不安全，网络安全保障能力非常差，在应用中安全风险较大。在计算机网络安全评价体系设计中需要满足以下几方面需求，分别为：可行性、简要性、独立性、完备性以及准确性。只有这样才能够基于实际需求，提高计算机网络安全评价体系设计的合理性和科学性。　　2计算机网络安全评价体系设计及实施步骤　　本文以神经网络为例，分析计算机网络安全评价体系的设计及实施。　　神经网络下计算机网络安全评价体系设计　　关于神经网络下计算机网络安全评价体系的设计，则主要包括三部分，其中分别为输入层、隐含层以及输出层，具体的设计如下：　　输入层在输入层神经元节点数量确定中，则一定要和计算机网络安全评价指标数量一样。例如在计算机网络安全评价体系中，二级指标共设计18个，那么在实施输入层神经节点数量的时候，必定也是18个。　　隐含层通常神经网络应用的均为单向隐含层。在对其设计过程中，隐含层节点数量对神经网络性能具有直接影响。如果隐含层节点数量设计比较多的话，则会延长神经网络的学习时间，甚至还有可能会导致不能收敛；如果隐含层节点数量设计比较少的话，则会影响神经网络的容错能力。因此在其具体设计过程中，则需要依照经验公式确定出现隐含层的节点数量，一般情况下隐含层节点数量为5个。　　输出层关于神经网络输出层的设计，则主要是针对计算机网络安全评价结构。假设在神经网络输出层设计2个节点，其中如果输出结果显示（1，1）则代表安全；如果输入（1，0）则代表基本安全；如果输出（0，1）则代表不安全；如果输出（0，0）则代表非常不安全。　　神经网络下计算机网络安全评价步骤　　在计算机网络安全评价模型中，关于计算机网络安全的具体评价步骤，则主要分为：①完善计算机网络安全评价体系设计及构建；②对神经系统实施粒子群优化算法实施优化，以能够避免神经网络在实际应用中存在的局限性。其中关于其具体优化过程则包括：①初始化设置神经网络目标向量、结构以及传递函数等等数据；②设计粒子群初始速度、迭代次数、规模、初始位置、参数位数以及动量系数等等；③对神经网络实施粒子群训练集训练，从而确定其适应度值；④对比分析每个粒子历史，当前适应度值及最好适应度值。如果对比发现适应度值更优于历史最好适应度值，那么也就可以保存目前的粒子适应度值，并将其作为是系统的个体粒子历史最好适应度值；⑤将离子的惯性权值计算出来；⑥更新各个粒子速度及位置，对于各个粒子和粒子群所具有的系统适应度值误差，则需要对其一一记录；⑦判定出具体的系统适应度值误差，如果其误差结果显示在允许最大迭代次数之外，或者已经达到设定误差限值，那么即可以结束训练。在神经网络中，粒子全局历史则为其最优解，最有位置则是最佳权值。在完善神经网络模型优化之后，则可以用来实现计算机网络安全评价工作。　　3结语　　在网络技术迅速发展环境下，计算机网络应用安全也成为关注热点。其中在神经网络下计算机网络安全评价体系设计中，神经网络技术能够保障系统不断总结自身规律，适应环