基于神经网络算法的无线网络安全模型设计

何明阳 张光治 柴炜

摘要：为实现对无线网络的有效保护，文章运用BP神经网络和GA遗传算法，完成对无线网络安全模型设计。首先，将BP神经网络与GA遗传算法进行有效的融合，提出一种GABP神经网络算法。其次，针对无线网络安全问题，运用该算法，从无线网络拓扑结构设计、无线网络入侵检测单位模型构建入手，完成对无线网络安全模型的设计。最后，对该模型进行仿真分析。结果表明：将BP神经网络与GA遗传算法应用到无线网络攻击类型中从而提高识别率，降低了误报率，确保了无线网络的安全性和可靠性。笔者希望该研究可以为相关人员提供有效的借鉴和参考。

关键词：BP神经网络；GA遗传算法；无线网络安全模型

中图分类号： TN925．93  文献标志码： A

0 引言

无线网络的设计允许数据通过任何媒介传输，这种开放性为网络病毒和不法分子的窃听及攻击提供了可乘之机，从而加大了网络安全管理的挑战。用户在应用无线网络传输数据期间，要突出网络的安全性和可靠性，降低网络遭受攻击风险［1］。而神经网络算法具有容错能力强、自主学习能力强等特点，通过进行不断地学习和训练，可以实现对异常数据的精确化识别，保证无线网络安全识别的精确性和高效性。因此，本文在综合运用BP神经网络与GA遗传算法的基础上，完成对无线网络安全模型设计。

1 BP神经网络及改进

1.1 BP神经网络

BP神经网络作为一种常见的网络模型，内部关联多个神经元。通过对生物神经系统进行真实化模拟，将现实事物的映射关系形象直观地呈现出来，借助多种事件数据进行反复训练，从而获得最终模拟结果。BP神经网络结构如图1所示。

在使用BP神经网络算法进行学习期间，技术团队首先需要精确地确定输入信息，以确保训练过程的有效性。借助网络输入层，计算每一单元输入值，给出相应的输出结果。当输出层所获得的输出值并非期望值时，技术人员需要采用逐层递归的方式，确定实际输出值与期望输出值之间的差值，结合该差值，科学调整和控制给定权值，确保所获得的输出值达到预先所设置好的训练次数［2］。

当BP神经网络算法处于学习初期状态时，首先，技术人员要采用随机选取的方式，从无线网络海量输入信息中，选取某一样本实际输入值和期望输出值，计算出实际输入值与期望输出值之间的误差。如果误差值正好处于预先设置好的范围内，可以将该误差值视为最终输出结果，反之，需要再次进入随机选取环节中进行迭代操作。

1.2 GA遗传算法

GA遗传算法是一种常用的计算机算法模型，是从遗传学的基础知识演变而来。通过对自然进化过程进行真实化模拟，从而达到快速搜索最优解的目的。在遗传算法中，某一种群会存在潜在性问题，种群单个个体代表单个基因，通过组合多个基因，可以形成相应的染色体。基因编码工作相对比较复杂，所以，运用二进制编码形式，可以保证映射编码处理水平［3］。当形成初代种群后，运用优胜劣汰思想，获得最佳近似解。在进行逐代演化期间，结合个体适应度，选择合适个体，采用交叉组合的方式，获得种群最优个体。该最优个体可被视为近似最优解。GA遗传算法基本流程如图2所示。

GA遗传算法主要是指借助多个候选集合所形成的一组近似解，结合现有的适应性条件，对候选集合的适应度值进行精确化计算，结合最终计算结果，获取相应的候选解，剔除不满足适应性条件的解集，对候选集进行一系列操作，如候选集选择、候选集交叉、候选集变异等，进而获得新的候选解［4］。GA遗传算法主要是指通过组合某一特征方式，搜索染色体群，保证全局择优效果。此外，在搜索染色体群期间，利用变迁规则，确定正确的搜索方向，促使GA遗传算法应用范围不断扩大，从而获得最佳基因结构，使得该基因结构完全符合适应性条件。

1.3 GABP神经网络算法

本研究运用GA遗传算法的全局搜索能力特性，以优化和改进BP神经网络的连接权和网络结构。在BP神经网络中，含有网络输入层、网络输出层、网络中间层3个组成部分。当确定网络数据样本后，网络节点随之确定，故运用GA遗传算法可以有效地优化和完善网络节点，确保神经网络表现出较高检测识别精确度［5］。在参照BP神经网络的基础上，运用GA遗传算法所优化的GABP神经网络算法如下。

minE（w，v，θ，r）=12∑N1k=1∑nt=1［yk（t）-yk（t）］2

s.t. w∈Rm×p，v∈Rp×n，θ∈Rp，r∈Rn（1）

式（1）中，yK（t）代表在t时刻K节点所形成的连接权值；w代表节点阈值，n代表种群数；m代表个体数；p代表预选概率。技术人员通过运用GA遗传算法，可以解决非线性优化问题，从而获得最佳网络连接权，保证网络结构设计合理性和有效性。经过计算，如果最终GABP神经网络连接权值低于所设定的误差值时，说明运用GABP神经网络算法所构建的无线网络安全模型科学合理［6］。

运用GA遗传算法优化和改进BP神经网络时，首先，技术人员确定网络模型训练次数和训练样本，以模型输入集合的方式，不断地训练所确定好的训练样本。此外，技术人员还要确定出检测样本误差。采用编码形式所获得的码串含有以下2个组成部分：（1）控制码。控制码主要用于对隐节点数量的调整和控制，从而形成0—1的连接地串。其中，0代表无线网络无连接；1代表无线网络已连接。结合网络输入层所对应的节点数量，可以精确地计算出该地串的实际长度。（2）串码权重系数。串码权重系数主要用于对无线网络连接权的实时控制，结合无线网络节点的输入个数和输出个数，精确地计算串长，每个串与连接权相对应。

在初始种群中，含有多个个体，单个个体由码串、均匀随机数2个部分组成。其中，码串为0—1码；均匀随机数主要分布于所设置好的区间内，采用交叉变异的方式，对个体进行变异处理，确保相邻2个个体能够进行交叉操作。此外，初始种群还要根据变异前个体、变异后个体以及在指定区间内所获得的随机数，将经过变异操作的所有个体透射在所设置好的搜索区间内。采用重复交叉变异操作等方式，对群体进行统一进化处理，使其进化至第K代。从进化后的所有群体中，选出适应度最高的个体，对其进行解码处理，从而获得相应的隐节点数量，然后，连接所获得隐节点，从而形成相应的连接权，将隐节点、连接权直接输入和存储至模型中，从而计算出最优解。对总体样本进行划分，使其划分为以下2个部分，分别是训练样本、检测样本。训练样本处理步骤如下：首先，采用进化操作的方式，对训练样本进行统一进化处理，使得该训练样本进化至第K代，从而获得最终个体解码、权系数。其次，向构建好的神经网络结构中输入和存储训练样本，从而获得相应的输入样本，该输入样本主要包含网络权系数和隐节点2个部分，利用进化操作后的训练样本，不断地提高整个检测网络的泛化能力。

2 无线网络安全问题分析

由于无线网络具有一定的移动性和开放性，这导致在传输信息期间，无线网络很容易遭受监听攻击、插入攻击、未授权信息服务、网络鲁棒性问题、移动IP安全问题及干线干扰等多种安全威胁。其中，监听攻击方式主要是指采用空中截取的方式，截取和分析网络所传输的信号，从而获得所需要的信息；插入攻击方式主要是指采用假冒合法用户方式，对相关传输信息进行窃听，从而获得所需要的控制权；未授权信息服务主要是指非法用户在没有经过授权允许的情况下，私自滥用网络信息资源，造成网络重要信息出现泄露、丢失等风险；网络鲁棒性主要是指无线网络自身对其他网络通信设备所造成的损坏容忍度，这一特性反映出无线网络的生存能力大小；移动IP安全主要是指在指定的区域范围内，用户终端进行跨区查阅网络信息时所出现的信息丢失、泄露等安全风险；无线干扰主要是指当同频段信号发射功率较大时，无线网络所表现出的抗干扰能力。

3 基于GABP神经网络算法的无线网络安全模型构建与仿真

3.1 模型构建

3.1.1 无线网络拓扑结划分

无线网络中，其拓扑结构主要包含以下3种：（1）基础结构集中式拓扑结构。该拓扑结构可以借助有线网络，与移动用户之间形成良好的通信关系。在网络中心辐射末端，主要设置移动用户终端，所有用户终端通过运用BS/AP方式，与其他用户之间构建良好的通信状态。（2）分布式网络拓扑结构。该拓扑结构被广泛地应用于军事领域中。分布式网络用户所分布的区域相对比较广泛。在发射信号功率的影响下，特定用户终端通信对象比较局限，仅局限于部分用户［7］。（3）蜂窝式拓扑结构。该拓扑结构作为一种多基础机构配置，被广泛地应用于大陆无线网络与卫星无线网络之间。在蜂窝式无线通信模式的应用背景下，为保证信息传输的安全性和可靠性，技术人员需要选用低功率的基站，这些基站所覆盖的区域比较有限，借助该拓扑结构，可以保证无线网络的安全性和可靠性［8］。

3.1.2 无线网络入侵检测单位模型构建

为保证无线网络的可靠性和安全性，技术团队对无线网络进行有效的检测和识别，将分布式结构设置在网络攻击入侵监测系统和响应系统之间，确保不同检测单位之间形成良好的协同合作关系。对于无线网络系统而言，需要将独立检测单位设置在相应的节点上，确保各个单位之间相互独立，互不联系，从而达到有效检测本地行为的目的，同时，还能保证网络攻击行为处理的及时性。无线网络入侵检测单位的模型如图3所示，利用该模型，可以深入分析所采集好的数据，从而实现对异常数据的精确化检测。

3.2 模型仿真分析

3.2.1 试验数据获取

本次仿真试验，所获取的试验数据主要包含攻击类型、训练样本、测试样本3种，具体数据如表1所示。在归一化处理原始数据的基础上，采用归一化处理方法，确保数据集在指定的模型训练期间所形成的识别结果完全一致，同时，还要缩短时间，减小计算资源。

3.2.2 仿真试验及结果分析

在本次仿真试验时，运用GABP神经网络算法对端口扫描、嗅探、种植木马、传播病毒等攻击类型进行检测，获得如表2所示的检测结果。从表2中的数据可以看出，GABP神经网络算法具有识别率高、误报率低等特点，完全满足无线网络安全模型精确化识别需求。

4 结语

在信息时代背景下，我国对无线网络的安全性和可靠性提出了更高的要求，旨在保证国家和社会发展的稳定性和可靠性。而GABP神经网络算法具有自主学习能力强、容错能力强等特点，该算法采用不断地学习、训练的方式，可以精确化、高效化检测和识别网络样本异常数据，从而进一步地提高无线网络检测识别的精确度，从而实现对企业用户或者个人用户的机密信息的有效保护。为充分发挥GABP神经网络算法在无线网络中保护作用，提高网络安全攻击识别率，本文在运用BP神经网络的基础上，借助GA遗传算法的全局搜索能力，对无线网络结构进行优化，完成对无线网络安全模型设计和仿真，经过仿真，发现该模型设计和应用可以实现对网络攻击行为的精确化、高效化识别，降低无线网络误报率，为用户传输网络数据提供安全、可靠的无线网络环境。总之，本文所提出的GABP神经网络算法具有较高的有效性和可靠性，通过将该算法应用于无线网络安全模型中，可以实现对无线网络攻击类型的精确化、高效化识别，将误报率降到最低，为企业和个体用户打造安全、可靠的无线网络。

参考文献

［1］颜蔚.基于卷积神经网络的无线网络安全风险评估及控制［J］.沈阳工业大学学报，2022（5）：565-569.

［2］马越，陈晓伟，李思鉴，等.一种无线传感器网络安全路由算法研究［J］.网络安全技术与应用，2023（5）：78-80.

［3］蒋志颀，范雷.基于机器学习的无线通信网络安全漏洞智能监测系统［J］.电子设计工程，2021（15）：115-119.

［4］胡明.遗传算法优化神经网络和无线网络攻击检测研究［J］.佳木斯大学学报（自然科学版），2023（5）：39-42.

［5］曹贤龙.面向全局优化的无线网络安全态势感知模型［J］.信息与电脑，2020（21）：145-146.

［6］胡喆馨，卜凡亮，丁丹丹.基于GAPSO优化的神经网络无线信道参数预测［J］.无线电工程，2023（12）：2944-2950.

［7］党晓婧，邓世聪，吕启深，等.基于动态防御技术的无线网络安全模型改进［J］.沈阳工业大学学报，2021（2）：198-202.

［8］刘国辉.基于人工智能的网络安全信息自动识别系统设计［J］.黑龙江工业学院学报（综合版），2020（7）：78-81.

（编辑 王永超）

Design of wireless network security model based on neural network algorithm

HE  Mingyang1， ZHANG  Guangzhi2， CHAI  Wei1*

（1.InfoQuick Global Connection Tech Ltd.， Hangzhou Branch， Hangzhou 310012， China;

2.InfoQuick Global Connection Tech Ltd.， Beijing 100028， China）

Abstract：  In order to protect wireless network effectively， this paper designs the security model of wireless network by using BP neural network and GA genetic algorithm. Firstly， a GABP neural network algorithm is proposed based on the effective fusion of BP neural network and GA. Secondly， aiming at the wireless network security problem， this research uses this algorithm to design the wireless network security model from the wireless network topology design and wireless network intrusion detection unit model. Finally， this research carries on the simulation analysis to this model. The results show that the BP neural network and GA genetic algorithm are applied to wireless network attack types to improve the recognition rate， reduce the false alarm rate and ensure the security and reliability of wireless network. I hope this study can provide effective reference for the relevant personnel.

Key words： BP neural networks; GA genetic algorithms; wireless network security model