基于人工鱼群神经网络的计算机网络安全评价

杨晓翠 刘汝涛 徐韶

【摘要】 计算机网络安全评价是在保障网络信息安全中的一个重要过程。针对BP神经网络技术在对网络安全进行时存在的收敛速度慢、不易获得全局最优解、诊断精度低以及网络结构不确定等缺点，而人工鱼群算法具有较优的全局收敛能力及较快的寻优速度。因此，本文利用人工鱼群算法对BP神经网络的初始权值和阈值进行了优化，建立了一种新的计算机网络安全评价模型，并将该模型应用到具体的网络安全评价实例中。结果表明，人工鱼群神经网络算法具有收敛速度快及泛化能力强的优点，为计算机网络安全评价提供一种高效、准确及可靠的方法。

【关键字】 网络安全 神经网络 鱼群算法 评价

目前应用较广泛的BP神经网络评价算法存在着网络参数难确定、收敛速度较慢且易陷入极小值等问题。为了解决上述问题，本文应用鱼群算法对BP神经网络进行了改进，结合网络安全评价实例进行了测试，并将测试数据与标准BP神经网络进行了比较与分析，取得了理想的结果。

一、基本BP神经网络算法

BP神经网络算法是一种采用误差反向传播的多层前馈感知器。其特点是具有分布式的信息存储方式，能进行大规模并行处理，并具有较强的自学习及自适应能力。BP网络由输入层（感知单元）、计算层（隐藏层）、输出层三部分组成。输入层神经元首先将输入信息向前传递至隐含层节点，经过激活函数预处理后，隐层节点再将输出信息传送至输出层得到结果输出。输入层与输出层节点的个数取决于输入、输出向量的维数，隐含层节点个数目前并没有统一的标准进行参考，需通过反复试错来确定。

二、人工鱼群算法

2.1基本原理

人工鱼群算法是指通过长期对鱼类觅食行为的观察，构造人工鱼来模拟鱼类的觅食、群聚、尾随以及随机行为，从而完成全局最优值的寻找。算法所包含的基本过程如下：觅食行为：鱼类会利用视觉或嗅觉来感知水中食物浓度的高低，以此来选择觅食的路线。聚群行为：鱼类一般会以群体形式进行觅食，以此来躲避天敌的伤害并以最大概率获得准确的觅食路线。尾随行为：当群体中的某条鱼或几条鱼寻找到食物后，其附近的其他同伴会立刻尾随而来，其他更远处的鱼也会相继游过来。随机行为：鱼在水中的活动是不受外界支配的，基本上处于随机状态，这种随机性有利于鱼类更大范围的寻找食物及同伴。

2.2鱼群算法优化BP神经网络的原理

BP神经网络在求解最优化问题时容易陷入局部极值，并且网络的收敛速度较慢。鱼群算法通过设定人工鱼个体，模拟鱼群在水中的觅食、尾随和群聚行为，通过个体的局部寻优，最终实现全局寻优。人工鱼在不断感知周围环境状况及同伴状态后，集结在几个局部最优点处，而值较大的最优点附近一般会汇集较多的人工鱼，这有助于判断并实现全局最优值的获取。因此用人工鱼群算法来优化BP神经网络是一种合理的尝试。

2.3具体工作步骤

①设定BP神经网络结构，确定隐层节点数目；②设定人工鱼参数，主要包括个体间距离、有效视线范围以及移动步长等；③人工鱼进行觅食、群聚及尾随行为来优化BP神经网络；④通过设定的状态参量，判断是否达到目标精度；⑤若达到精度要求则输出网络优化权值，并执行网络循环，否则继续改化参数进行优化；⑥输出最终优化参数并进行计算机网络安全评价。

三、实验与结果比较

将网络安全的17项评价指标的分值作为BP神经网络的输入，网络的期望输出只有一项，即安全综合评价分值。BP神经网络需要一定数量的已知样本来训练，然后才能用训练好的网络进行评价。目前用于网络安全综合评价的数据还很少，本文采用的是文献[3]里面的15组数据，其中将1～10项用作网络训练，11～15项用作仿真输出。

算法用Matlab语言实现。通过实验分析，本文将网络隐含层节点数设为5，权值调整参数α=0.1，阈值调整参数β=0.1，学习精度ε=0.0001。网络经过2000次训练，收敛于所要求的误差，然后对检验样本及专家评价样本进行仿真，结果如表1所示，可以看出，鱼群神经网络模型进行计算机网络安全评价中的平均误差较小，仅为2.13%，仿真值与标准输出值非常接近，说明鱼群神经网络对网络安全评价有很好的泛化和拟合性；而标准BP神经网络预测结果的平均误差为4.96%，预测值与实际值偏离较大，说明标准BP神经网络在网络安全评价中拟合性不好，测试效果不佳。

四、结束语

利用人工鱼群算法优化后的BP神经网络具有收敛速度快、拟合精度高等优点，克服了标准BP神经网络收敛速度慢、容易陷入局部极小值的缺点。同时本文采用的实验数据仅有15个，基于标准BP神经网络算法得到的相对误差较大，但优化后的BP神经网络精度有明显提高，避免了由于样本数量少造成的拟合精度低等缺点。