BP神经网络在高校校园网络安全评价中的应用与研究

◆金义 周传生

BP神经网络在高校校园网络安全评价中的应用与研究

◆金义 周传生通讯作者

（沈阳师范大学 辽宁 110034）

随着高校信息化建设的热潮，网络规模基本覆盖了整个校园。但黑客入侵的增多以及网络病毒的泛滥，给校园网络安全带来了隐患，同时也对校园网络安全的评价提出了更高的要求。本文利用BP神经网络构建评价模型，将其应用于校园网络安全评价当中。参考国内外对校园网络安全评价的研究成果，将评价指标数据量化输入，并通过Matlab仿真实验，训练并得到满意的评价结果，验证了评价模型的适用性。

校园网络安全；BP神经网络；评价模型

对于网络安全评价来说，传统的评价方法存在着主观性强、精确度低等问题，经常会有许多定性因素穿插交融在复杂的评价问题当中，而且一般的评价方法很难反应指标间的非线性关系，人们常常难以准确地论述各目标属性间的相互关系。而BP神经网络具备很强的处理非线性间关系的能力，利用样本数据训练和学习实现对网络当中连接各个神经元之间的权值和阈值的自适应，最终实现对非线性特性的有效预测，从而一定程度上避免了评价的主观性和不确定性。

1 BP神经网络的基本原理

BP神经网络是当今应用最广泛的人工神经网络模型之一，它是一种多层前馈网络，利用误差逆传播算法进行训练，能学习和存贮大量的输入-输出模式映射关系的数学方程[1]。网络模型拓扑结构包含输入层、隐含层和输出层。隐含层可以为一层或多层，均由多个神经元组成，每层上的神经元称为节点或单元。BP神经网络拓扑结构如图1所示。

图1 BP神经网络拓扑结构图

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。

2 高校校园网络安全评价指标体系

通过对国内外已提出的网络安全评价标准进行研究和分析，并结合我国高校校园网络安全现状，制定了一套能够综合和全面反映校园网络安全特征的指标集合。校园网络安全评价指标如表1所示，该指标数据也可根据实际需求进行定制化的扩展。

表1 高校校园网络安全评价指标

3 高校校园网络安全评价模型的建立

BP神经网络评价模型构建的详细过程如下：

（1）网络层数的确定：

BP神经网络可以包含一个或多个隐含层。但事实已经证明，对于单个隐含层的神经网络来说，可适量的增加神经元的节点个数来实现任意非线性的映射，也可降低复杂度。因此本文采用的拓扑结构为含有一层隐含层的三层BP神经网络。

（2）输入层神经元个数要由输入向量的维数来决定：

根据表1可知，影响校园网络安全的主要指标有15项，即输入层神经元个数为=15。

（3）输出层神经元个数的确定：

将校园网络安全评价结果作为网络神经元的输出，即输出层神经元个数为=1。

（4）隐含层节点数的选择：

BP神经网络的性能受隐含层节点个数的影响，虽然增加隐含层的节点个数可以提高网络性能，但也会导致训练时间过长。本文根据下面的公式来确定隐含层节点数[2]：

其实中是隐含层神经元节点数，和是输入和输出层神经元节点数。将=15，=1带入到公式当中，通过计算，本文采用的隐含层个数为5。

（5）确定了上述的数据之后，具体的计算步骤如下：

为了加快网络训练和收敛速度，对训练样本进行预处理，经常采用归一化方法。公式为：

输入一个训练样本数据，作为输入值。计算中间层各神经元的输入x即：

在隐含层中选择单极性Sigmoid函数和双极性Sigmoid 函数作为其激活函数（），即：

计算各层的学习误差d：

修改局部的网络权值：

当运算结果满足条件时，网络训练完成，将自动保存训练结果的权值到BP神经网络中，此时网络模型可以定型，用于对评价对象进行判断识别。否则返回（2）执行，直到满足全部输入输出要求为止。

4 基于Matlab的仿真实验

本文使用Matlab平台进行仿真。根据参考文献，选取了10组校园网络安全评价数据，如表2所示。用这10组数据作为训练样本，又选取5组数据被用来当作检验样本，以检验评价效果和模型的可行性。

通过Matlab人工神经网络工具箱训练网络，创建BP神经网络评价模型，并对样本数据进行训练。其实现过程如图2所示。

校园网络安全的主要指标有15项，所以输入层神经元个数为=15，安全评价结果作为网络神经元的输出，所以输出层的神经元个数=1，网络隐含层节点数选为5，学习精度为0.001。输入10组数据，训练次数为1600次时其输出误差最终到达了收敛。其训练过程如图3所示。对检验样本进行评价，评价结果如表3所示。

表2 学习样本

图3 数据样本的训练过程

表3 检验结果

在校园网络安全评价研究领域，可将评价结果大致可以分为A（安全系数很高）、B（安全系数较高）、C（安全系数一般）、D（安全系数低）4个等级，设满分为10分[4]。检验输出值与样本期望输出值的最大相对误差不超过3.0%，输出安全等级与期望输出完全相同，验证了评价模型的准确性和合理性。

5 结语

在高校校园信息化建设的浪潮当中，校园网络安全依旧是我们不可忽略的问题，本文利用BP神经网络构建评价模型，通过权值和阈值的自适应自学习，不断修正误差，使其逼近理想的输出值，得到了更科学、更合理的评价结果。仿真实验表明，该模型可以有效地应用到校园网络安全评价当中。

[1]杨昌昌，武瑛，等.BP神经网络在大学生社团评价中的应用[J].电脑知识与技术，2020，16（08）：206-207.

[2]张磊，方正，王磊，宋彬.基于BP神经网络的课程质量评价体系研究与应用[J].赤峰学院学报（自然科学版），2020，36（01）：102-104.

[3]占俊.基于自适应BP经网络的计算机网络安全评价[J].现代电子技术，2015，38（23）：85-88.

[4]周珑，郭威，王建永，黄杰韬.基于神经网络算法的网络安全评价模型[J].沈阳工业大学学报，2018，40（04）：426-430.