因子分析和神经网络的信息系统风险评估模型

孟瑾

摘  要： 风险评估是信息系统应用必不可少的一项技术，为此，提出一种因子分析和神经网络的信息系统风险评估模型。构建可有效描述信息系统风险情况的信息系统风险评估指标体系，采用因子分析法消除指标相关性、降低风险评估指标体系复杂度，获取公共评估指标;采用灰狼优化（GWO）算法优化BP神经网络，解决其收敛速度慢、容易陷入局部最优、初始化参数具备较强依赖性等问题;将所获公共指标作为GWO?BP神经网络的输入数据，建立信息系统风险评估模型，实现信息系统风险评估。在Matlab环境下完成模型仿真验证，结果表明，所提模型可有效降低风险指标相关性，提升信息系统风险评估的速率，且收敛速度快、信息系统风险评估准确性高。

关键词： 信息系统; 风险评估; 因子分析; 评估指标获取; 神经网络优化; 模型构建; 累积贡献率

中图分类号： TN915.08?34; TP391                  文献标识码： A                   文章编号： 1004?373X（2020）23?0062?05

Abstract： Risk assessment is an essential technology in the application of information system. Therefore， an information system risk assessment model based on factor analysis and neural network is proposed. An index system of information system risk assessment is constructed， which can effectively describe the risk situation of information system. The factor analysis method is used to eliminate the correlation among the indexes， reduce the complexity of the risk assessment index system， and obtain the public assessment indexes. The grey wolf optimizer （GWO） algorithm is used to optimize the BP neural network to solve the problems of slow convergence， prone to falling into local optimization， strong dependence of initialization parameters， etc. The public index is taken as the input data of GWO?BP neural network to establish the risk assessment model of information system and realize the risk assessment of information system. The results of the model simulation experiment in Matlab environment show that the proposed model can effectively reduce the correlation among risk indicators， improve the velocity of information system risk assessment， and it also has fast convergence speed and high accuracy of information system risk assessment.

Keywords： information system; risk assessment; factor analysis; assessment indicator acquisition; neural network optimization; model construction; accumulative contribution rate

0  引  言

伴隨我国信息化发展进程加快，信息系统在政府、商业、各大企业中应用十分普遍。信息系统以其自身具备的开放性优势，给人们的工作及生活带来了极大的便利[1?3]。伴随信息系统价值体现越发显著的同时，信息系统存在的安全问题同样不可忽视。一些不法人员通过非法途径入侵信息系统盗取资料，给个人和企业带来了严重的经济损失，因此信息系统的风险评估必不可少[4]。通过信息系统风险评估可有效了解信息系统存在的安全问题以及未来可能存在的风险，便于及时采取应对措施将风险扼杀在摇篮[5]。针对信息系统风险的影响因素多、变化较为复杂等特点，提出基于因子分析（FA）法和GWO算法优化BP神经网络的信息系统风险评估模型，提升信息系统风险评估效果[6?7]。

1  FA和神经网络的信息系统风险评估模型

1.1  构建信息系统风险评估指标体系

信息系统风险是一个相对概念，一般采用可直接或间接体现信息系统风险产生影响因子的信息系统风险评估指标，评估一个信息系统的安全性[8]。为此以科学性和合理性为原则，结合国内外相关研究构建信息系统风险评估指标体系，结果如图1所示。

[2] 王飞球，黄健陵，符竞，等.基于BP神经网络的跨既有线高速铁路桥梁施工安全风险评估[J].铁道科学与工程学报，2019，16（5）：1129?1136.

[3] 何华锋，何耀民，徐永壮.基于改进型BP神经网络的导引头测高性能评估[J].系统工程与电子技术，2019，41（7）：1544?1550.

[4] 卢信文.证据理论和神经网络的教学质量评估模型[J].现代电子技术，2017，40（15）：119?121.

[5] 任青山，方逵，朱幸辉.基于多元回归的BP神经网络生猪价格预测模型[J].江苏农业科学，2019，47（14）：277?281.

[6] 蒋定国，全秀峰，李飞，等.基于BP神经网络的水体叶绿素a浓度预测模型优化研究[J].南水北调与水利科技，2019，17（2）：81?88.

[7] 李勤敏，郭进利.基于主成分分析和神经网络对作者影响力的评估[J].情报学报，2019，38（7）：709?715.

[8] 严凯，姚凯学，杨玥倩，等.基于PCA?GA?BP神经网络的茶园环境预测研究[J].数学的实践与认识，2019，49（9）：180?187.

[9] 黄健，李桥，巨能攀，等.基于主控因子分析与GM?IAGA?WNN联合模型的平推式滑坡位移预测研究：以垮梁子滑坡为例[J].工程地质学报，2019，27（4）：862?872.

[10] 古丽尼沙·卡斯木，木合塔尔·扎热，张东亚，等.基于因子分析的无花果引进品种果实品质性状综合评价[J].食品科学，2018，39（1）：99?104.

[11] 孟庆勇，顾闯.煤矿工业互联网信息安全风险评估[J].工矿自动化，2019，45（8）：43?47.

[12] 陈志良，史彦龙.基于因子分析法的浙江食品安全公众满意度研究[J].食品工业，2017，38（6）：255?259.

[13] 郭树军，曾凡雷，王嘎，等.基于信息扩散技术的暴雨内涝风险评估模型[J].气象科技，2017，45（6）：1077?1082.

[14] 袁黎，何娟，蔡明杰，等.基于安全熵的信号控制路段行人过街风险评估模型[J].中国安全科学学报，2018，28（8）：25?30.

[15] 董仕豪，丁龙亭，孙胜飞，等.基于主成分分析和神经网络的马歇尔试验模型[J].公路，2019，64（6）：220?226.