极限学习机算法的网络安全评价研究

邹航菲，罗婷婷

（江西警察学院，江西 南昌 330103）

0 引 言

随着经济技术和科技的不断发展，当前网络技术正在不断向前发展[1]。网络技术的发展是一把双刃剑，既方便人们之间交流和工作，同时也为网络破坏性程序提供渠道，其中，破坏性程序包括病毒和木马等[2]，计算机网络安全性受到前所未有的威胁。故应高效精准地评价计算机网络安全，及时防范计算机网络中可能出现的风险，降低由计算机网络安全问题导致的经济损失[3]。

当前计算机网络安全受多种因素影响，且多个因素之间具有较强的关联性，网络安全评价结果和因素之间本质上是一种非线性关系。传统的层次分析法、灰色模型等方法无法精准解释这种非线性关系，降低了评价网络安全的精准度。同时，专家系统评价网络安全的精准性主要和所选专家的知识丰富度有关，且评价结果具有较强的主观意识，因此，该方法也不适用于评价网络安全。经过查阅文献和实际实验发现，神经网络技术操作简单、鲁棒性较好，适合应用到网络安全评价中[4]。同时，神经网络中的极限学习机与其他神经网络相比，具有较强的学习速度和判别精度，因此，本文采用极限学习机算法评价网络安全，以期提升评价网络安全的精度。

1 网络安全评价研究

1.1 网络安全评价原理

在计算机网络安全评价标准的指导下，设置计算机网络安全评价原理。先确定评价网络安全的内容和范围，分析计算机网络的基本情况、安全状况和脆弱点，再采用适宜的网络安全评价算法评价计算机网络安全，最终获取计算机网络安全级别，计算机网络安全评价数学模型可表示为：

式中：J 表示网络安全级别；xi表示网络安全评价指标；f表示网路安全评价模型。

从式（1）中可以看出，网络安全评价过程中，网络安全评价指标和网络安全评价模型的选取是最为关键的。由于网络安全本身具有非线性和不确定性等特点，因此，本文采用极限学习机作为网络安全评价模型，采用专家法选择网络安全评价指标，通过专家对网络安全评价指标打分情况判断评价指标权重，提升评价网络安全的精准度[5]。

1.2 选择评价指标

计算机网络安全影响因素较多，为精准评价计算机网络安全，需构建较为完整、科学的网络安全评价指标体系[6]，构建的网络安全指标评价体系如图1 所示。

图1 网络安全评价体系

从图1 中可看出，构建的网络安全评价指标体系主要由一级指标和二级指标构成，其中，一级指标包括软件安全、管理安全和环境安全等评价指标[7]。管理安全是指网络安全管理中管理制度、人员素质等因素影响网络安全后网络安全所处状态；环境安全是指网络中设备和待研究网络所处安全状况，网络安全的最基本保障是供电、消防和防盗，网络防盗程度可通过网络安全反映出来[8]。一般网络中通信安全常被忽视，但是在专用网络中通信安全至关重要，因此设置网络安全评价指标体系时应将通信安全纳入评价标准中[9]。网络中软件使用功能情况通过软件安全表示，系统软件、安全软件和数据库软件影响网络安全。整个网络中较为重要的部分是数据，当无法保障网络中数据安全时，网络安全将会受到严重影响。因此数据安全较为重要，采用上述评价指标体系时，应归一化处理指标。处理过程如下所示。

1.3 指标归一化处理

从图1 中可清晰直观地观察网络安全评价指标，网络安全评价指标能够从多种角度反映网络安全状况。但是由于不同指标的量纲有所区别，无法直接比较评价指标，为使网络安全评价指标之间具有可比性，加快极限学习机收敛速度，应归一化处理网络安全评价指标[10]。将网络安全评价指标分成定性指标和定量指标两类，分别对其进行归一化处理，处理过程如下所示：

1）定性指标：采用专家打分法获取评价分数，为保障定量指标和定性指标的可比性，需标准化处理打分结果[11]。

2）定量指标：不同定量评价指标的衡量单位有所区别，需标准化处理定量指标，将最终取值范围控制在0～1 之间。标准化处理过程中先将定量指标分成正向指标和逆向指标两类[12]，针对不同类型定量指标采用不同标准化处理方法，正向指标标准化处理公式如式（2）所示，逆向指标标准化处理公式如式（3）所示。

式中：Fo表示网络安全评价指标Xo标准化数值；Xomax表示预先确定的第o 个指标最大值；Xomin表示预先确定第o 个指标最小值；o 表示评价指标数目。

1.4 安全等级设置

依照归一化处理后的网络安全评价指标计算指标权重，根据权重数值评价网络安全[13]。经过调查分析发现，可将网络安全等级划分成4 个等级，即安全、基本安全、不安全和极不安全，将网络安全总分设置为10 分，相应的网络安全级别和评分范围如表1 所示。

表1 网络安全等级

通过表1 可划分网络安全等级，在划分等级的基础上，采用极限学习机评价网络安全，将评分结果和表1进行对照，获取网络安全等级。

16岁的时候，乔-彼得·威特金对摄影的兴趣严肃认真起来。在现代艺术博物馆，他向爱德华·斯泰肯（Edward Steichen）毛遂自荐。威特金的一副作品被纳为博物馆的永久陈列品。这一经历激励着威特金成为一名真正的摄影师。

1.5 极限学习机训练和评估

极限学习机是一种单隐含层前馈神经网络，具有较好的泛化能力，当训练样本足够多时，能够获取较为精准的评价结果[14]。采用极限学习机评价网络安全，主要是将指标权重输入极限学习机中，通过极限学习机的不断学习，获取权重最优解，依照权重最优解判断网络安全。采用极限学习机评估网络安全时，先设置极限学习机的训练样本和测试样本，假设存在M 个样本，R 表示样本集合的输入矩阵，C 表示样本集合的输出矩阵，两个矩阵的表达式如下所示：

采用随机内插法在M 个样本中选取网络训练样本，将剩下样本当成是网络测试样本。其次，采用极限学习机训练样本，极限学习机网络中包含输入层、隐含层和输出层。极限学习机输入层中含有a 个神经元，输入层和隐含层连接权值为α，输入层中含有b 个神经元，输出层和隐含层连接权值为β，隐含层中含有c 个神经元，神经元阈值为d。α，β 和d 的表达式如下：

式中：αca表示隐含层中第c 个神经元和输入层第a 个神经元之间的连接权值；βcb表示隐含层中第c 个神经元和输出层第b 个神经元之间的连接权值。通过极限学习机算法可随机产生隐含层神经元阈值d 和隐含层与输入层之间α 数值，因此，隐含层神经元激活函数可用无限可微函数表示，在设置激活函数的基础上，设置隐含层神经元数量，计算输出层权值，获取样本最优唯一解。

假设h(x)表示隐含层神经元激活函数，此时网络输出可表示为：

可将式（9）转化成矩阵形式，表达式如下所示：

式中：S′表示矩阵S 的转置；H 表示隐含层输出矩阵。

2 仿真测试

2.1 分析算法评估效果

为验证本文算法评价网络安全的精准性，需采用本文算法评价U1～U5五种网络安全性能。先选用本文构建的评价指标体系中10 个较为典型的网络安全评价指标，将其设置为学习样本，再采用专家法获取五种网络安全评价结果，如表2 所示，将专家法获取的评价结果作为检验样本，检验本文算法评估的精准度，本文算法评估结果如表3 所示。

表2 专家法获取结果

表3 评估结果

从表3 中可以看出，本文算法输出值和期望输出值之间差距较小，两者最小相对误差为0.57%，即本文算法评估精准度较高，可应用到实际检测中。

2.2 评价结果分析

将所有评价结果分析后，需分析评价指标对网络安全的影响，分析结果如图2 所示。

图2 分析结果

从图2 中可以看出：网络安全评价指标中通信安全对网络安全影响程度最大，占网络安全的71.64%，其次是数据安全和软件安全，占比最小的是管理安全；详细分析通信安全发现，通信安全中应用程序安全占有比重最大，即通信安全中应用程序对网络安全产生重要影响。因此，在网络安全中应注重对通信安全尤其是应用程序安全的维护。

3 结 语

本文主要研究基于极限学习机的网络安全评价算法，采用算法评价网络安全前，需先构建网络安全指标评价体系，归一化处理评价指标体系中指标，计算指标权重，将指标权重作为极限学习机学习样本，通过极限学习机不断训练指标权重获取最终的评价结果。经过理论分析发现，采用极限学习机评价网络安全具有较多优点，例如：自适应性强、容错性较强等，同时采用极限学习机算法可降低专家法出现的主观性，使评价结果较为精准和客观，该算法是一种有效、可靠的网络安全评价算法，适合应用到实际中。