基于自适应BP神经网络的网络安全评价模式

黄振晗

（福建广播电视大学莆田分校 福建省莆田市 351100）

1 自适应BP神经网络

1.1 BP神经网络

维基百科这样介绍人工神经网络：是数据学习模型的一系列称呼，其来源于生物神经网络，通常用来评估和预测大量未知数据的功能。其可以简单图1来说明，其中xi为输入，f(·)为激活函数， wix是权值，yi是输出。通过不同的激活函数和权值就可以得到不同的输出。

而BP（Back Propagation）神经网络被称为逆向传播神经网络，其原理就是先通过任意确定一个权值和选择激活函数，计算得到输出。然后将此输出与正确的输出进行误差分析，通过学习修正权值，最终得到正确的输出过程。当然，BP神经网络也存在无法收敛、或者运算速度慢的缺点。所以研究者通过将一些优化算法运用在BP神经网络，从而提高运算的收敛性和速度。

常见的激活函数有阶跃函数、线性函数和S型函数。由于BP神经网络有很好的非线性分析能力，所以很多研究者使用非线性激活函数。BP神经网络应用十分广泛，包括数据预测、模式识别和信号处理等领域。

其一般性的分析方法如下所示：

网络结构设计→数据的处理→隐含层和激活函数的设定→模型实现

在BP神经网络的发展过程中，由于BP神经网络的缺点，研究者提出了很多优化算法，例如附加动量法，其通过调节权值和阀值的变化值，减少了网络上微小变化的干扰，其调节公式为：

该改进公式中mc为动量因子，其减少了学习过程的震荡趋势。但是这种也存在参数选取的随机性和收敛速度慢的缺点。同样针对最常用激活函数-S型函数，当输入变量太大时，存在梯度下降的问题，提出了弹性BP方法。这些方法都在一定范围解决了BP神经网络的一些固有缺点。针对不一样的应用领域，可以根据经验选择适合的方法。

1.2 自适应BP神经网络应用

齐晓慧[1]将BP神经网络应用到ESO（扩张状态观测器）的优化中，应用自适应算法的思想，又将优化后的ESO应用到ADRC(自抗扰控制器)的计算中，结果表明了很好的应用效果。谭骏[2]将自适应BP神经网络应用于网络流量识别算法中，基于BP神经网络和粒子群优化算法的自适应性，扩展了流量识别的应用范围。BP神经网络的应用不限于网络领域。研究者还将自适应BP神经网络运用在医药和物理学当中[3][4]。

自适应BP神经网络是不是一个通用的计算过程，但是自适应BP神经网络能够有效的解决BP神经网络一些固有的缺点。并且根据不同的数据类型进行调节。在文章-基于自适应BP神经网络的结构损伤检测中提出自适应调整激活函数的导数和学习速率，有效减少了每次迭代的误差，提升了整体学习速率。通过在结构损伤检测的应用实践，验证了该方法的有效性。

图1

图2

目前关于自适应BP神经网络的应用有很多，但是目前还没有提出一个适用于大多领域的学习算法。也没有一个统一的定义。本文在这里对自适应BP神经网络进行一个大胆的定义，自适应BP神经网络是一种基于BP神经网络的改良算法，其针对BP神经网络在实际应用的缺点，通过在学习过程中加入自适应算法或因子，提高学习的准确性和速率。通过研究的不断深入，自适应BP神经网络会在更多的领域得以实践。

2 网络安全评价模式

2.1 网络安全

从互联网诞生到现在已经经过了50年的历史，目前网络已经融入了我们的生活。中国在近几年的互联网大潮中逐渐崛起，越来越多的中国企业参与到了国际网络的建设当中。被誉为又一次网络升级的5G技术在中国也开展的如火如荼。网络的重要性可想而知，而网络安全是我们实现可靠、准确的未来生活必须要解决的问题。根据百度百科的描述，网络安全有五大主要特性，分别为保密性、完整性、可用性、可控性和可审查性，要做到这几点，对于网络涉及的各个领域的要求都非常大。目前，网络安全保护可以简单用下面的图来描述，包括防火墙、防毒软件、监控软件等。如图2所示。

实现网络安全不仅要不断优化网络环境和实行网络监管，网络评价也至关重要，网络评价系统能够把众多信息交汇的网络进行分类和筛选，从而实现网络的健康化。

2.2 网络安全评价模式

网络安全是指网络系统的硬件、软件及其系统中的数据受到保护，而目前，网络安全技术主要集中在防火墙、入侵检测技术和病毒检测技术等被动安全技术。没有对网络安全进行主动的评价体系。而国外很多发达国家已经开始对网络安全评价指标进行研究，美国研究者利用卡内基梅隆大学系统安全工程能力成熟度模型SSECMM建立了信息安全保障评价指标体系。国内研究者针对网络安全评价模式还基于一些特殊案例，评价方法基本采用定性的一些方法，包括模糊层次分析法、专家评价系统等。而计算机网络系统作为一个复杂、非线性的系统，要从系统的角度去评价，必须找到一种有很强非线性处理能力，以及能够适应多种环境的技术手段。

网络安全包括物理安全、网络结构安全、系统的安全、应用系统的安全以及管理风险。首先要建立网络安全的评价标准，本文基于影响网络安全几大因素，通过赋予不同权值来得到网络安全的评价指标。而根据前面介绍的自适应BP神经网络，其特点能够很好的解决网络评价系统中影响因素多和非线性联系，BP网络包括输入层、输出层和隐含层，其一般的表达公式为：

而实际应用的时候会发现标准BP神经网络存在收敛速度慢的缺点。这个方面，可以用几种自适应的改进算法来应对。例如动量法，其将学习经验用到权值修正上，可以减少学习过程的震荡问题。

式中主要靠η-动量项因子来改善收敛速度， 。当然还有其他的解决收敛速度慢的自适应算法，此处不再赘述。

针对BP神经网络因为激活函数无法收敛的问题，有研究者提出弹性BP方法，这种方法是通过消除偏导数的大小有害的影响权步，权的大小仅仅由权专门的值来确定：

这些方法都能够很好的解决实际应用中存在问题，研究者也在不断更新这些方法，而对于网络安全评价系统的建立就需要这些自适应BP神经网络不断去学习和实践，从而建立较为完善的网络安全评价体系。虽然目前仍没有完美的自适应BP神经网络来对网络安全进行评价，但是BP神经网络的数据处理能力、非线性映射能力都能够完美的适应网络安全的评价过程。

3 网络安全评价模式的未来趋势

网络安全设计领域，包括物理硬件、数学算法、管理社会等。要对网络安全进行评价，必须从系统的角度进行考虑。网络安全评价模式的建立就需要采用系统工具，综合考虑各方面的影响。在网络安全评价问题上，目标属性之间的关系大多属于非线性关系，例如前面提到硬件安全和电源安全，基本无法用一个固定的公式来描述。所以基于神经网络这类拥有自动学习、很强的非线性处理能力的技术工具就能够很好的解决这类问题。而自适应BP神经网络又能够弥补算法本身的不足。所以这里大胆预测，基于BP神经网络，加上自适应算法和其他学习工具，是网络安全评价的一个发展趋势。 目前，自适用BP神经网络还存在一些问题等待解决，但随着技术的发展，自适用BP神经网络作为一个接口，能够推动研究者进一步去研究此类问题。这样才能更好的为互联网时代发展提供保障。

4 总结

本文针对目前发展迅速的网络和日益增加的网络安全问题，提出了基于自适应BP神经网络的网络安全评价体系建立。分析了自适应BP神经网络用于网络评价的可行性和优越性，同时分析了自适应算法在BP神经网络模型上的应用，以及能够更好的为网络安全评价系统的建立提供很好的基础。分析表明了该方法的是能够为网络安全评价提供很好的技术基础，而网络安全评价对于整个网络安全系统的建立也是至关重要的。通过本文的研究，希望能够为网络安全评价提供一定的现实依据和理论支持。