陳卓 楊卿

【摘要】 信息安全評估是保障和維護(hù)網(wǎng)絡(luò)信息安全的重要環(huán)節(jié)。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(jié)構(gòu)不確定等缺點(diǎn)，而人工魚群算法具有較優(yōu)的全局收斂能力及較快的尋優(yōu)速度。因此，本文利用人工魚群算法對BP神經(jīng)網(wǎng)絡(luò)的初始權(quán)值和閾值進(jìn)行了優(yōu)化，建立了一種新的網(wǎng)絡(luò)信息安全評價模型，并將該模型應(yīng)用到具體的評價實(shí)例中。結(jié)果表明，人工魚群神經(jīng)網(wǎng)絡(luò)算法具有收斂速度快及泛化能力強(qiáng)的優(yōu)點(diǎn)，為信息安全評估提供一種高效、準(zhǔn)確及可靠的方法。

【關(guān)鍵詞】 信息安全 BP神經(jīng)網(wǎng)絡(luò) 魚群算法 評價 分析

引言

目前國內(nèi)外常用的信息安全風(fēng)險評價模型主要由層次分析法（AHP）、基于概率統(tǒng)計的ALE算法，模糊綜合評價法等，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性映射和概率密度分布的，即各風(fēng)險指標(biāo)與最終評價結(jié)果之間存在著線性關(guān)系[2]。然而，這種關(guān)系的存在是否科學(xué)至今也沒有得到準(zhǔn)確的答復(fù)，同時這些方法在實(shí)施時雖然給出了定量計算的算法，但操作較為繁瑣，難以達(dá)到快速識別的要求。目前應(yīng)用較廣泛的BP神經(jīng)網(wǎng)絡(luò)評價算法存在著網(wǎng)絡(luò)參數(shù)難確定、收斂速度較慢且易陷入極小值等問題。為了解決上述問題，本文應(yīng)用魚群算法對BP神經(jīng)網(wǎng)絡(luò)進(jìn)行了改進(jìn)，結(jié)合信息安全評價實(shí)例進(jìn)行了測試，并將測試數(shù)據(jù)與標(biāo)準(zhǔn)BP神經(jīng)網(wǎng)絡(luò)進(jìn)行了比較與分析，取得了理想的結(jié)果。

一、信息安全的概念

所謂的信息安全評估指的是通過分析信息系統(tǒng)所包含的資產(chǎn)總值、識別系統(tǒng)本身的防御機(jī)制以及所受到的危險性系數(shù)，利用數(shù)學(xué)模型綜合判斷出系統(tǒng)當(dāng)前的風(fēng)險值。信息安全風(fēng)險評估主要包括三方面的內(nèi)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(tǒng)所涉及的資產(chǎn)總值，外部威脅識別指的是識別當(dāng)前狀態(tài)下系統(tǒng)受攻擊或威脅的程度，而脆弱性識別指的是系統(tǒng)自身的脆弱性程度。其中綜合考慮外部威脅以及內(nèi)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(tǒng)的易損性，基于上述過程可以得到信息安全系統(tǒng)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(guī)模并行處理，并具有較強(qiáng)的自學(xué)習(xí)及自適應(yīng)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(jié)點(diǎn)，經(jīng)過激活函數(shù)預(yù)處理后，隱層節(jié)點(diǎn)再將輸出信息傳送至輸出層得到結(jié)果輸出。輸入層與輸出層節(jié)點(diǎn)的個數(shù)取決于輸入、輸出向量的維數(shù)，隱含層節(jié)點(diǎn)個數(shù)目前并沒有統(tǒng)一的標(biāo)準(zhǔn)進(jìn)行參考，需通過反復(fù)試錯來確定。根據(jù)Kolmogorov定理，具有一個隱層的三層BP神經(jīng)網(wǎng)絡(luò)能在閉集上以任意精度逼近任意非線性連續(xù)函數(shù)，所以本文選擇單隱層的BP神經(jīng)網(wǎng)絡(luò)。

三、人工魚群算法

3.1基本原理

通過對魚類覓食的觀察可知，魚類一般能自行或者尾隨其他同伴找到食物數(shù)量相對充足的地方。因此，一般魚類數(shù)量較多的地區(qū)即為食物相對充足的區(qū)域。人工魚群算法是指通過長期對魚類覓食行為的觀察，構(gòu)造人工魚來模擬魚類的覓食、群聚、尾隨以及隨機(jī)行為，從而完成全局最優(yōu)值的尋找。算法所包含的基本過程如下：

覓食行為：魚類會利用視覺或嗅覺來感知水中食物濃度的高低，以此來選擇覓食的路線。

聚群行為：魚類一般會以群體形式進(jìn)行覓食，以此來躲避天敵的傷害并以最大概率獲得準(zhǔn)確的覓食路線。

尾隨行為：當(dāng)群體中的某條魚或幾條魚尋找到食物后，其附近的其他同伴會立刻尾隨而來，其他更遠(yuǎn)處的魚也會相繼游過來。

隨機(jī)行為：魚在水中的活動是不受外界支配的，基本上處于隨機(jī)狀態(tài)，這種隨機(jī)性有利于魚類更大范圍的尋找食物及同伴。

3.2 魚群算法優(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)化問題時容易陷入局部極值，并且網(wǎng)絡(luò)的收斂速度較慢。魚群算法通過設(shè)定人工魚個體，模擬魚群在水中的覓食、尾隨和群聚行為，通過個體的局部尋優(yōu)，最終實(shí)

現(xiàn)全局尋優(yōu)。人工魚在不斷感知周圍環(huán)境狀況及

同伴狀態(tài)后，集結(jié)在幾個局部最優(yōu)點(diǎn)處，而值較大的最優(yōu)點(diǎn)附近一般會匯集較多的人工魚，這有

助于判斷并實(shí)現(xiàn)全局最優(yōu)值的獲取。因此用人工魚群算法來優(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

人工魚群算法用于優(yōu)化神經(jīng)網(wǎng)絡(luò)時的具體步驟如下：

①設(shè)定BP神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)，確定隱層節(jié)點(diǎn)數(shù)目；

②設(shè)定人工魚參數(shù)，主要包括個體間距離、有效視線范圍以及移動步長等；

③人工魚進(jìn)行覓食、群聚及尾隨行為來優(yōu)化BP神經(jīng)網(wǎng)絡(luò)；

④通過設(shè)定的狀態(tài)參量，判斷是否達(dá)到目標(biāo)精度；

⑤若達(dá)到精度要求則輸出網(wǎng)絡(luò)優(yōu)化權(quán)值，并執(zhí)行網(wǎng)絡(luò)循環(huán)，否則繼續(xù)改化參數(shù)進(jìn)行優(yōu)化；

⑥輸出最終優(yōu)化參數(shù)并進(jìn)行計算機(jī)網(wǎng)絡(luò)安全評價。

四、仿真實(shí)驗(yàn)

將信息安全風(fēng)險評估常用的3項(xiàng)評價指標(biāo)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(xiàng)，即安全綜合評價分值。目前用于信息安全風(fēng)險評價的數(shù)據(jù)還很少，本文采用文獻(xiàn)[3]所列的15組典型信息安全單項(xiàng)指標(biāo)評價數(shù)據(jù)，其中1-10項(xiàng)作為訓(xùn)練，11-15項(xiàng)用于仿真。通過實(shí)際實(shí)驗(yàn)分析，本文將權(quán)值調(diào)整參數(shù)α=0.1，閾值調(diào)整參數(shù)β=0.1，隱層神經(jīng)元數(shù)目為6，學(xué)習(xí)精度ε=0.0001。網(wǎng)絡(luò)經(jīng)過2000次訓(xùn)練，收斂于所要求的誤差，人工魚群算法的相關(guān)參數(shù)： 種群大小為39；可視域?yàn)?.8；最大移動步長為0.6；擁擠度因子為3.782。然后對檢驗(yàn)樣本及專家評價樣本進(jìn)行仿真，結(jié)果如表1所示?？梢钥闯觯~群神經(jīng)網(wǎng)絡(luò)得到的仿真結(jié)果與期望值之間的平均誤差為0.001，而標(biāo)準(zhǔn)BP神經(jīng)網(wǎng)絡(luò)為0.0052，所以魚群神經(jīng)網(wǎng)絡(luò)的得到的仿真精度較高，取得了理想的實(shí)驗(yàn)結(jié)果。

五、結(jié)論

本文將魚群算法和神經(jīng)網(wǎng)絡(luò)結(jié)合起來對信息安全評價進(jìn)行了研究，得到了如下幾個結(jié)論：

（1） 基于魚群算法優(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(biāo)準(zhǔn)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，優(yōu)化算法編碼過程簡單，并具有較強(qiáng)的魯棒性。

（2） 本文采用的實(shí)驗(yàn)數(shù)據(jù)僅有15個，基于魚群算法優(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(shù)量少造成的擬合精度低等缺點(diǎn)。

（3） 通過將標(biāo)準(zhǔn)BP神經(jīng)網(wǎng)絡(luò)算法與魚群神經(jīng)網(wǎng)絡(luò)算法進(jìn)行對比發(fā)現(xiàn)，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(shè)中可以將其代替?zhèn)鹘y(tǒng)的BP神經(jīng)網(wǎng)絡(luò)算法來進(jìn)行信息安全的風(fēng)險評估。

參 考 文 獻(xiàn)

[1]馮登國，張陽，張玉清.信息安全風(fēng)險評估綜述[J].通信學(xué)報，2004，25（7）：10-18.

[2]戴群，陳松燦，王喆.一個基于自組織特征映射網(wǎng)絡(luò)的混合神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)[J].軟件學(xué)報，2009，20（5）：1329-1336.

[3]李道倫.基于BP神經(jīng)網(wǎng)絡(luò)的隱式曲面構(gòu)造方法[J].計算機(jī)研究與發(fā)展，2007，44（3）：467-472.