基于离散型Hopfield网络的计算机网络安全等级分类研究

时间：2023-06-24 14:50:07 来源：正远范文网 本文已影响人

学习；最终Hofield神经网络会根据其联想记忆和分类能力趋近于某个设定的最佳阈值；当网络状态不再改变时，网络的输出向量即为该输入计算机网络的待求分类等级。

1.2 评价模型的建立

采用离散型Hopfield神经网络进行财务状况的评价和分类研究，主要步骤如图2所示。

1.2.1 计算理想的网络安全等级评价指标

在计算理想的网络安全等级评价指标前，需要将本文选择的10个评价指标进行统一的数据预处理，将其归一化为可加入统一分析模型中的参量，其中归一化公式如下：

[yi=xi-min（xi）max（xi）-min（xi）， i=1，2，…，n] （3）

本文直接调用Matlab软件中的premnmx函数进行归一化运算，经过归一化后的评价指标[yi]在[0，1]之间，为了便于分析，令[X1=[100g1]，]即根据大小取0～100内的整数。

本文随机选取样本中的20个计算机网络进行研究。其中，该网络安全公司给予其安全等级的评价及与10个安全指标的分数如表1所示。

将各个等级的样本对应的各评价指标的均值作为各个评价等级的理想评价指标，即作为Hopfield神经网络的分类标准。由表1，经计算可得如表2所示的理想评价指标。

1.2.2 理想网络安全等级评价指标编码

定义表2中的指标数值进行编码，由于离散型Hopfield神经网络的二值性，设定编码规则为当大于或者等于某个等级的指标值时，对应的神经元状态设为“1”，否则设为“-1”。理想的4个网络安全评价等级的指标编码状况如图3所示，其中黑圈“”表示神经元状态为“1”，即大于或等于对应等级的理想评价指标值，反之则用“○”表示。

1.2.3 待分类的评价指标的编码

待分类的网络安全等级评价指标如表3所示，根据上述的编码规则得到对应的编码如图4所示。

1.2.4 建立离散性Hopfield神经网络模型

由于本文的输入样本量及其维度较小，因此采用单隐含层的Hopfield神经网络即可满足建模要求。神经网络的输入层为评价网络安全的10组参数，网络的输出层为4组，即4个不同的安全等级。本文采用试值法选择最佳隐含层节点数，在试值前，通过经验公式估计隐含层节点数的范围为3～12间的整数。

采用均方误差（MSE）作为检查网络性能的依据，均方根误差由下式确定：

1.2.5 仿真结果分析

在离散性Hopfield神经网络评价模型建立完毕后，将待分类的5个计算机网络系统的安全评价指标输入网络中。经过一定次数的学习，即可得到安全等级的分类结果，将仿真结果与该机构的评价结果进行对比，即可对该模型的准确性进行评价。本文定义模型的期望误差为10-4。在神经网络的学习过程中，模型的误差下降情况如图5所示。

将Hopfield神经网络的分类结果与该网络安全公司的分析结果对比可知，Hopfield神经网络的预测准确率达到了100%，经过训练的Hopfield神经网络可以快速地对计算机网络的安全状态进行判断和分级，大大提高了网络安全等级的效率。

2 结 语

本文利用Hopfield神经网络的相关理论和方法，结合我国计算机网络安全维护工作中的一些特点，构建了一套基于Hopfield神经网络的网络安全状况分类评价模型。从仿真结果与实际结果的对比来看，该模型具有很高的识别精度。可以快速而准确地对网络安全等级进行评价和分类，该方法为评价计算机网络的安全状况和危险程度提供了一种新的思路。

参考文献

[1] 李剑英.基于人工神经网络与模糊综合评价的计算机网络安全评价和安全防范措施的研究[D].兰州：兰州大学，2003.

[2] 周飞.网络风险及其评价[D].成都：西南交通大学，2009.

[3] 林小狄.神经网络技术在网络安全评价中的应用[J].计算机工程与应用，2011（8）：31⁃33.

[4] 林楠芳.基于离散型Hopfield神经网络的分类性价模型研究[J].哈尔滨工业大学学报，2005（12）：854⁃857.

[5] 飞思科技产品研发中心.神经网络理论与Matlab 7实现[M].北京：电子工业出版社，2006.

[6] 李忠武，陈丽清.计算机网络安全评价中神经网络的应用研究[J].现代电子技术，2014，37（10）：80⁃82.

推荐访问:离散 网络安全 等级 计算机 研究