雷宇

（航空工業(yè)成都飛機工業(yè)（集團）有限責任公司，四川 成都610091）

1 概述

軍工單位的保密風險管理主要集中在建立適用于本單位保密風險管理體系，梳理單位各個作業(yè)面的風險點并進行風險評估，制定相應的風險控制措施，實現(xiàn)優(yōu)化保密業(yè)務管理，以最小成本將失泄密風險控制在單位業(yè)務工作可以接受的水平，以此獲得最大的信息安全防護。

全面進行保密系統(tǒng)的風險評估的首要關鍵問題建立健全的指標體系并量化計算。當評估指標數(shù)量不太多的時候，傳統(tǒng)的數(shù)學模型能夠在定量分析上取得較合理的評估結(jié)果，例如采用定性和定量相結(jié)合的保密管理風險評估方法，計算出年度保密風險的分布狀態(tài)[1];采用歸一化、標準化及層次分析法等方法對模型指標進行求解，建立了保密工作風險評估模型[2]。但是當指標數(shù)量較多時，由于模型本身的局限性, 難以處理隨機干擾因素對風險評估數(shù)據(jù)的影響，因而很難正確反映風險評估數(shù)據(jù)或者風險指數(shù)本身的高度不確定性與非線性，導致在風險評估及風險指數(shù)預測方面產(chǎn)生較大的誤差。因此，本文從單位保密實際工作出發(fā)，對定期獲得的保密風險指數(shù)，采用K-means 聚類分析方法，識別出保密風險評估指標體系高風險指標集，將識別出來的高風險指標作為當前保密工作的防控重點；同時為了加強保密工作的風險預警，結(jié)合風險指數(shù)的歷史評估數(shù)據(jù)，采用Elman 神經(jīng)網(wǎng)絡，預測各個指標在下一個時間段的風險指數(shù)值，并對預測為高風險的指標或者風險點采取主動預警防范措施，提高單位保密風險管理水平。

2 保密風險指數(shù)及K-Means 聚類評估

2.1 風險指數(shù)及風險等級

結(jié)合保密風險發(fā)生可能性大小、影響程度和管理改進迫切性三個維度[3]，根據(jù)數(shù)學模型可以計算出單位的保密風險指數(shù)，并確定該單位的風險等級[4]。

表1 風險水平等級確定與排序列表

為了便于問題描述，本文假設風險評估指標數(shù)量為n，對于每個指標統(tǒng)計了第 1,2， ...，T個月的風險指數(shù)值

Xij, i =1,2,..., n, j =1,2,...,T 。

2.2 基于K-means 聚類的高危指標篩選

K-means 聚類算法基本思想是: 以空間中k 個點為形心進行聚類，以數(shù)據(jù)點到形心的歐式距離作為優(yōu)化函數(shù)，利用函數(shù)求極值的方法得到迭代運算的調(diào)整規(guī)則[5]。通過迭代的方法，逐次更新各類的形心值，直至得到最好的聚類結(jié)果。結(jié)合保密風險水平數(shù)據(jù)，K-means 聚類的一般步驟可以歸納為：

(2)在第j 次迭代中，對任意一個樣本點 pt(t =1,2,..., n)，求其到k 個形心的歐氏距離

(3) 將該樣本歸類到與其距離最小的形心所在的類。

(4) 采用均值更新各類的形心值

式中 ni表示類別序號。

(5) 重復步驟(2) - (4) , 直到各類的形心值不再變化。

3 基于Elman 神經(jīng)網(wǎng)絡的風險指數(shù)預測

針對保密風險指數(shù)具有非線性動態(tài)變化的特點，本文采用具有“記憶”功能的Elman 神經(jīng)網(wǎng)絡預測模型。這種連接方式使得Elman 神經(jīng)網(wǎng)絡相較于其他神經(jīng)網(wǎng)絡相比，具有自聯(lián)性和記憶功能，有助于增強對于動態(tài)數(shù)據(jù)的處理能力，以及建立動態(tài)模型[6]。Elman 神經(jīng)網(wǎng)絡是一種計算能力很強的反饋性神經(jīng)網(wǎng)絡，其具體的網(wǎng)絡結(jié)構(gòu)如圖1 所示。

Elman 神經(jīng)網(wǎng)絡結(jié)構(gòu)一般分為四層：輸入層、隱含層、上下文層和輸出層。輸入層單元起信號傳輸作用，輸出層單元起線性加權作用，隱含層單元的傳遞函數(shù)可采用線性或非線性函數(shù)，上下文層則從隱含層接收反饋信號，其神經(jīng)元輸出被前向傳輸至隱含層。

3.1 Elman 神經(jīng)網(wǎng)絡結(jié)構(gòu)

圖1 Elman 神經(jīng)網(wǎng)絡結(jié)構(gòu)圖

在Elman 神經(jīng)網(wǎng)絡中，設上下文層的輸出為 yc( k)，隱含層的輸出為 o ( k )，網(wǎng)絡在外部輸入時間序列 x ( k)作用下的網(wǎng)絡輸出序列為 y ( k)，則有

其中，k 表示時刻；w1為輸入層與隱含層間的連接權值；w2為上下文層與隱含層間的連接權值；w3為隱含層與輸出層間的連接權值；g (·)為輸出層傳遞函數(shù)，是隱含層輸出的線性組合；f (·)為隱含層傳遞函數(shù)，一般采用Sigmoid 激活函數(shù)：

f ( x) = 1/(1 +e-λx)。

網(wǎng)絡學習過程是一個不斷調(diào)整權值的過程，而Elman 神經(jīng)網(wǎng)絡使用BP 算法來修正權值。設K 時刻的系統(tǒng)實際輸出值為Y(k)，則Elman 神經(jīng)網(wǎng)絡的目標函數(shù)為：通過調(diào)整w1、w2和w3的值，使得誤差E 最小，從而確定權值。

3.2 Elman 神經(jīng)網(wǎng)絡的預測模型

3.2.1 輸入數(shù)據(jù)的處理

由于給定某個指標的歷史風險指數(shù)值本質(zhì)上可以看成一個時間序列，作為Elman 神經(jīng)網(wǎng)絡的輸入數(shù)據(jù)是多維的，因此需要將時間序列數(shù)據(jù)截取為多維向量組作為網(wǎng)絡訓練數(shù)據(jù)輸入，不防假設第i 個指標的歷史風險指數(shù)序列為：

Xi=( xi1, xi2, xi3,..., xiT)，

設截取維數(shù)為l，如 ( xi1, xi2,..., xi,l-1, xil)就是一組訓練集，表示通過 xi1, xi2,...,xi,l-1共 l-1個數(shù)據(jù)可以預測到第l個數(shù)據(jù)xij，這樣Xi就可以轉(zhuǎn)化為T-l+1 個訓練數(shù)據(jù)

( xi1, xi2,..., xi,l-1, xil),...,( xi,T-l+1, xi2,..., xi,T-1, xiT)。

同時，由于該數(shù)據(jù)是已知數(shù)據(jù)，根據(jù)保密風險指數(shù)計算方法，所有的保密風險指數(shù)值均介于0-5 之間，因此無須對數(shù)據(jù)進行標準化或者歸一化處理。

3.2.2 網(wǎng)絡參數(shù)的選擇

神經(jīng)網(wǎng)絡中隱含層的層數(shù)是非常重要的參數(shù)。在選取過程中，若選取的隱含層層數(shù)較小，則會導致產(chǎn)生的連接權組合數(shù)無法滿足樣本的學習，學習能力和處理信息能力降低。若選取的隱含層層數(shù)較大，則網(wǎng)絡學習的泛化能力較差，而且容易在計算過程中錯過最小值，因此選取合適的隱含層個數(shù)就成為一個重要的問題。通常隱含層層數(shù)的確定通過如下三個經(jīng)驗公式確定，得出最大值和最小值，確定隱含層個數(shù)的范圍，然后在Elman 神經(jīng)網(wǎng)絡模型中依次代入訓練，選擇最小值[6],

其中m 為隱含層結(jié)點數(shù)，n 為輸入層節(jié)點數(shù)，l 為輸出層節(jié)點數(shù)，α 為介于1-10 內(nèi)的常數(shù)。

3.2.3 預測數(shù)據(jù)的后處理

將待預測的數(shù)據(jù)帶入訓練好的Elman 網(wǎng)絡即可得到預測結(jié)果，但是預測后的某些數(shù)據(jù)會超出風險指數(shù)值介于0-5 之間的約束條件。如果發(fā)生這種情況，還需要將數(shù)據(jù)校正，以便用于下一步的預測。本文采用最簡單的截斷處理方式，即如果風險指數(shù)值大于5，則該風險指數(shù)修正為上限值5；如果出現(xiàn)預測風險指數(shù)值小于0，則將其值校正為風險指數(shù)值的下限值0。

4 實例分析

風險評估指標數(shù)量為 n= 100，歷史數(shù)據(jù)為24 個月( T=24)的風險指數(shù)值。本文數(shù)據(jù)利用計算機隨機生成，得到相應的風險指數(shù)矩陣為 X100×24。

4.1 K-means 聚類的結(jié)果

在對保密風險指數(shù)的評估分類中，不需要考慮歷史數(shù)據(jù)，所以只選取最后一個月的風險指數(shù)值進行K-means 聚類，并計算每個類別的風險指數(shù)均值進行風險等價劃分。此處給出第24個月的100 個指標的風險指數(shù)值，如表2 所示。

利用K-means 聚類對該表的風險指數(shù)聚類，100 個指標的具體風險等級分類結(jié)果見表3。

根據(jù)表3 的結(jié)果，保密管理部門可以加強對屬于重大風險和高風險的指標實時重點監(jiān)控，督促改進保密措施，降低保密風險水平。

4.2 Elman 神經(jīng)網(wǎng)絡的預測結(jié)果

對于歷史風險指數(shù)數(shù)據(jù)，取l=4，也就是相鄰4 個數(shù)據(jù)作為一個樣本，其中前3 個設為已知的風險指數(shù)值，第4 個月為預測的風險指數(shù)值，以此類推，每個指標的24 個月的風險指標觀測數(shù)據(jù)最終可被分為21 個樣本。選擇前80%的數(shù)據(jù)作為訓練樣本，后20%的數(shù)據(jù)作為測試樣本。

表2 100 個指標第24 月的風險指數(shù)

表3 第24 月風險指數(shù)分類結(jié)果

圖2 選取5 個具有代表性指標的預測結(jié)果

從圖2 可以看出，Elman 神經(jīng)網(wǎng)絡預測效果較理想，預測結(jié)果表現(xiàn)出歷史數(shù)據(jù)的波動性和周期性特點。

4.3 預測結(jié)果再次聚類評估

對Elman 神經(jīng)網(wǎng)絡的預測結(jié)果，利用K-means 聚類對第25月的風險指數(shù)再次進行聚類評估，100 個評價指標的風險指數(shù)值在預測后的風險等級詳細分類結(jié)果見表4：

表4 第25 月風險指數(shù)分類結(jié)果

根據(jù)表4 中的結(jié)果，保密管理部門必須對重大風險和高風險指標發(fā)出風險預警，加強這些指標所對應的工作部門的風險管控。

5 結(jié)論

對保密管理工作中的大量風險評估指標以及保密風險指數(shù)數(shù)據(jù)，利用K-means 聚類算法對評估指標進行自動分類并確定風險等級，采用Elman 神經(jīng)網(wǎng)絡進行保密風險指數(shù)的動態(tài)時序預測，所建立的模型能有效地應用到單位保密工作的信息化管理中。