辽宁省财政厅信息中心 牛 旭

1 引言

影响网络安全评估的因素与评估结果表现为非线性关系，采用传统线性评估方法不能准确表达出非线性问题，传统方法中由专家评估造成的主观性，不适用于该复杂非线性问题[1,2]，而人工神经网络模型能够对各项评估因子的权值进行调整，捕捉各安全评估因子与评估结果之间的复杂关系从而实现准确评估[3]。然而BP神经网络梯度下降的算法具有一定的局限性，因此本文引入了粒子群算法，利用粒子群算法对神经网络参数进行优化，从而弥补神经网络算法的不足。

2 计算机网络安全评估因子框架

进行安全评估前要先确立一个计算机网络安全评估因子框架，该框架包括三个部分，每个部分包含4个因素。专家根据该评估框架确定相应的安全评估因子并对其进行估分，最后确定各因素对应权重[4]。

图1 计算机网络安全评估因子框架

2.1 安全评估因子的归一化处理

由于上述框架中描述的安全评估因子之间的标准不同，无法直接进行各影响因素之间的衡量，因此需要对其进行归一化处理以便进行后续的比较，上述安全评估因子可分为定性与定量两部分，定性部分的归一化处理，先要有专家对各安全评估因子进行估分然后在进行数据归一化；对于定量部分的归一化可以直接利用以下公式：

2.2 计算机网络安全等级设定

预设计算机网络安全等级为A、B、C、D四个等级[5]，分别对应安全、基本安全、危险、重度危险四种安全程度，确定安全级别的分值可设为0～1，1为安全，0为危险，随数值下降安全等级减小，相应的级别-分值对应关系如表1所示：

表1 网络安全等级-分值对应关系

3 计算机网络安全评估模型

本文建立了一个基于粒子群优化神经网络的安全评估模型(PSO-BPNN)，利用该模型对计算机网络进行安全评估。该模型的建立首先需要构建了一个全面准确的计算机网络安全评估因子框架，然后结合BP神经网络算法和粒子群算法对神经网络的局限性缺陷进行了优化，最后利用优化的BP神经网络模型对计算机网络安全进行评估，详细评估流程如图2所示：

图2计算机网络安全评估流程图

4 仿真研究

本文采集50组有关数据，按照以上所述方法分别进行了数据归一化处理。根据神经网络算法，将前45组数据作为粒子优化神经网络模型的训练组数据进行学习，然后将后5组数据作为优化神经网络的测试组数据进行模型性能的测试。

将50组数据分别进行归一化处理，将前45组归一化处理后的数据代入BPNN模型和PSO-BPNN模型中进行训练学习。训练结果显示，传统的BPNN模型在迭代750次时结束，相应误差为0.000972，而PSO-BPNN模型在经过505次迭代结束，误差精度为了0.000635。当两种模型都完成神经网络学习后，分别输入后5组测试组数据进行测试，测试结果如表2所示：

表2 评估结果比较

根据上述测试和训练结果，采用传统的BPNN模型对第47号样本进行测试时的安全等级结果为C级，但是其评估结果却为0.54，根据预设的等级-分数对应表可知，该结果错误，而采用PSOBPNN模型测试时得到的评估结果全部正确。再比较两种模型的均方根误差，采用BPNN模型得到的均方根误差为0.066，该数值比由PSO－BPNN模型得到的均方根误差0.023大得多，因此，所提优化方法比其参比方法得到的误差精度更好，粒子群对神经网络的优化是成功的。

5 结论

本文结合BP神经网络算法和粒子群算法对神经网络模型进行优化，仿真证明，新模型能够充分地利用BP神经网络非线性函数逼近能力强的特点和粒子群算法的寻优能力，通过粒子群算法优化了神经网络的参数避免其陷入局限性的方法有效可行，对比BPNN模型性能更好。