神經網絡在互聯網安全評價中的運用

許曉燕

?

神經網絡在互聯網安全評價中的運用

許曉燕

（三門峽職業技術學院，河南三門峽 472000）

神經網絡在目前是比較先進的技術類型，與計算機網絡安全具有密切的關系。文章針對神經網絡在計算機網絡安全評價中的運用展開討論，并提出合理化建議。

神經網絡；計算機網絡；評價；安全

神經網絡作為新的概念和新的技術，將其有效的應用到計算機網絡安全評價當中，可以針對評價體系進行健全，改善過往的各項問題，整體上的可行性和積極意義都比較突出。

1 概述

1.1 神經網絡的起源與發展

隨著科研人員在各個領域的研究不斷深入，學科之間的融合程度和融合效果，均獲得了較大的提升。神經網絡的概念，在很大程度上融合了數學思想、生物概念，從而形成了一個新的科目及新的內容[1]。從生物學的角度來分析，人體大腦是主要器官，并且主導人的行動和思想，大腦的運作主要是通過神經來完成的。神經網絡效仿大腦的運作模式，應用數學模型的方法，針對神經元處理、傳遞信息的過程進行描述，并形成了健全的體系。之后，在神經網絡中不斷的融入先進的技術、方法、體系、算法等，形成了比較高水平的網絡技術。目前，神經網絡已經在各個領域中獲得了廣泛的應用，其創造的價值非常顯著。

1.2 計算機網絡安全評價體系概述

為了能夠在本質上提高計算機網絡的安全水平，建立了相關的評價體系，由此來對計算機網絡的危險因素、安全標準等進行系統的評價處理，將得到的結果來應用到日常的維護、優化當中，完成計算機網絡的持續進步。綜合來看，計算機網絡安全評價體系在建設的過程中，應在準確性方面提升，各項措施的執行，都要對網絡運行的具體安全運行狀況開展系統的分析。其次，計算機網絡安全評價體系應具備獨立的評價指標，指標本身具有較強的針對性，減少指標之間的互相干擾。第三，該體系應在簡潔性方面努力。例如，計算機網絡的運行，要在保證質量的前提下，從而保證相關評價過程、處理過程的簡潔程度，否則在未來的工作中向陷入困境。

2 神經網絡在網絡安全評價中的運用

2.1 建立評價指標集

首先，計算機網絡的內部表現為復雜的特點，現階段的影響因素不斷增多，只有建立評價指標集，才能將各個因素進行綜合考慮和分析，確保計算機網絡安全評價在應用過程中，能夠應對更多的問題。其次，建立評價指標集后，定量指標的評價時，能夠選擇專家評級的方法來完成，從主觀上實現了“經驗化評價”的過渡，專業水平有了很大的提升，為計算機網絡安全提供了更多的幫助。第三，評價指標集的應用，主要是為了充分反應被評價網絡的安全狀況，所以在指標的取值方面非常精確，能夠與以往的情況進行精確的比較，指標的標準化處理由此成型，推動了計算機網絡安全評價向前發展[2]。

2.2 建立神經網絡的計算機網絡安全評價模型

計算機網絡安全評價工作的開展，必須擁有足夠的模型支撐。隨著網絡用戶的增多和安全需求的提升，過往采用的模型還能支持一段時間，但在未來必須要對模型進行增加和優化。將神經網絡進行有效的應用，可以建立一種神經網絡為基礎的計算機網絡評價模型。該模型的特點在于，能夠將原有的評價方法和神經網絡的技術進行完美融合，提升了模型的特點和功能，對于計算機網絡安全評價而言，有著至關重要的推動作用。

據GIGAOM報道，近日，Facebook人工智能研究院（FAIR）開源了一系列軟件庫，以幫助開發者建立更大、更快的深度學習模型。開放的軟件庫在Facebook被稱作模塊。用它們替代機器學習領域常用的開發環境 Torch 中的默認模塊，可以在更短的時間內訓練更大規模的神經網絡模型。這些模塊為適用英偉達的GPU進行了優化。一部分可以用來訓練大型計算機視覺系統。部分模塊也可以用來訓練處理不同類型數據的模型。既可以進行文本識別、圖像識別，也能用于語言模型的訓練。部分模塊將大型卷積神經網絡模型的訓練速度提升了23.5倍。

本文認為，建立這個模型要分三個部分進行。第一部分是對輸入層進行設計，要求所設計的神經元節點的數量與所選擇的評價指標的數量一致。也就是說，在一級指標的體系中選擇了幾個二級指標，就要設計多少個輸入層神經元節點，保證二者之間相適應。第二部分是對隱含層的設計。一般對BP神經網絡進行設計時都使用單隱含層，其中，具體隱節點的數量非常重要。如果節點數過多，就會導致學習的時間過長，出現誤差的概率增大，降低學習效率。如果節點數太少，會對網絡非線性映射以及容錯性產生不良影響。因此，在對節點進行選擇時，要把握好度。第三部分是對輸出層進行設計，實際上就是對評價的結果進行描述。我們假設輸出層有兩個節點，那么就可以用以下方式表達網絡的安全性：非常安全用（1，1）表示，比較安全用（1，0）表示，不安全用（0，1）表示，非常不安全用（0，0）表示。

2.3 神經網絡的學習過程

與一般的網絡技術不同，神經網絡在應用過程中，包含了很多智能化的內容。首先，神經網絡的學習過程會搜集較多的數據與信息，大量的數據搜集后，涵蓋了計算機網絡安全評價的各個規模，通過建立符合客觀情況的期望結果，針對網絡模型開展全面的訓練工作。其次，在學習時間的長短控制上，要充分考慮到具體效果的好壞、輸入層設計的節點數量等因素，由此來確保計算機網絡的學習水平有所提升。第三，節點個數的設置要反復的核對。計算機網絡安全評價與神經網絡存在一定的差異，將后者的學習過程應用到前者當中，需做出一定的改變，節點個數具有較大的影響，需慎重的設計。

2.4 針對計算機評價模型進行驗證

神經網絡在現階段的開發與研究當中，除了在上述的幾個方面應用中，還可以針對計算機網絡安全評價模型進行全面的驗證處理，觀察模型當中的劣勢和優勢，將得到的結果作為指導，完成模型的深化和健全。例如，驗證的時候可以選擇其中一組數據作為樣本進行模擬，對網絡安全評價模型的功能進行驗證。如果對樣本的評價結果和期望值保持一致，就證明先前建立的模型能夠對計算機網絡安全進行準確評價，那么這個模型就可以投入使用。如果評價結果與期望值反差較大，就證明這個評價模型存在問題，需要對每一步進行重新檢查，重新進行設計、學習、驗證，直到與期望值符合。

3 總結

本文對神經網絡在計算機網絡安全評價中的運用展開討論，在計算機網絡安全評價中應用神經網絡可以降低計算機網絡安全風險，降低由于安全問題造成的各項損失。從現階段所掌握的成果來看，由于神經網絡的各項積極作用突出，因此計算機網絡安全評價獲得了切實的進步，體系更加健全、方法更加簡單、指標更加貼合實際。

[1]耿仲華. 計算機網絡安全評價中對于神經網絡的應用探究[J]. 網絡安全技術與應用,2014,09:87-88.

[2]陳振宇,喻文燁. 神經網絡在計算機網絡安全評價中的應用研究[J]. 信息通信,2015,04:139.

Application of neural network in Internet Security Evaluation

(Sanmenxia Polytechnic, Sanmenxia Henan 472000)

Neural network is currently more advanced technology, and computer network security has close relationship. Articles discussed the application of neural network in the evaluation of computer network security, and puts forward reasonable suggestions.

Neural network; Computer network; Evaluation; Safety

（責任編輯：吳 芳）

S782.15

A

10.3969/j.issn.1672-7304.2016.06.028

1672–7304(2016)06–0063–02

許曉燕（1978-），女，青海西寧人，講師，研究方向：計算機網絡。