基于 GABP 神经网络算法的计算机网络安全评估方法论文

SCI论文（www.lunwensci.com）:
 
       摘   要 ：随着计算机网络的不断发展,网络安全评估成为保障信息系统安全性的关键步骤。因此,本研究提出了一种基于 GABP 神经网络算法的计算机网络安全评估方法, 此方法充分利用了遗传算法的全局搜索能力和 BP 神经网络的优越性能, 以提高网络流量分类的准确性和效率。通过对比实验,验证了 GABP 神经网络相对于传统的标准 BP 神经网络在准确率、精确 度、召回率和 F1 分数等性能指标上的显著提升。该方法为网络安全领域提供了一种全新的、有效的评估手段。

       关键词 ：GABP ；神经网络算法 ；计算机 ；安全评估


      【Abstract】：With the continuous development of computer networks, network security assessment has become a key step to ensure the security of information systems. Therefore, this study proposes a computer network security evaluation method based on GABP neural network algorithm. This method makes full use of the global search ability of genetic algorithm and the superior performance of BP neural network to improve the accuracy and efficiency of network traffic classification. Compared with the traditional standard BP neural network, GABP neural network has significantly improved the accuracy, accuracy, recall rate and F1 score. This method provides a new and effective evaluation method for the field of network security.

      【Key words】：GABP;neural network algorithm;computer;safety assessment

       0 引言

       随着信息技术的快速发展,计算机网络在人类社会 中扮演着日益重要的角色 [1]。然而,网络的广泛应用也 使其面临着日益严峻的安全威胁, 网络攻击的复杂性和频 率不断上升,给信息系统的安全性提出了严峻的挑战 [2,3]。 在这一背景下,网络安全评估成为确保网络健康运行的 重要环节。然而,传统的神经网络模型,尤其是标准的 反向传播（BP）神经网络,对于高维、非线性的网络 流量数据处理仍存在一定的限制。为了克服这一挑战,  本研究引入了遗传算法优化的 BP 神经网络,构建了一 种新颖的网络安全评估模型—基于 GABP（Genetic Algorithm Backpropagation） 神经 网络 的方法 [4,5]。 GABP 神经网络综合了遗传算法的全局搜索能力和 BP神经网络的强大学习能力。通过对网络流量进行更加准 确的分类,该方法旨在提高对网络攻击的检测和应对能 力。通过在实验中与传统的 BP 神经网络进行对比,旨 在验证 GABP 神经网络在网络安全评估中的卓越性能, 为构建更智能、更强大的网络安全防御体系提供有益的 经验。

       1 数据采集与预处理

       在基于 GABP 神经网络算法的计算机网络安全评 估方法中,数据采集与预处理的目的是为了提供高质量 的、有代表性的输入数据,以有效训练和优化神经网络 模型。在收集网络流量数据过程中,使用 Wireshark 网络流量监测工具以及日志记录设备,选择关键的网络 节点或设备以确保覆盖关键区域,确保收集的数据包含足够的信息。数据清洗和标准化的目的是去除无效或重 复的数据包,处理网络噪声和干扰,对数据进行时间戳 排序,以确保时间顺序。从原始数据中提取与网络安全 相关的流量大小、频率、持续时间等特征。将提取的特 征数据标准化, 使用 Z-score 标准化公式, 具体如式（1） 所示 ：        其中, x 是原始特征值, μ 是特征均值, σ 是特征标 准差。将标准化后的数据集划分为训练集、验证集和测 试集。通过随机抽样或按照时间划分的方式,确保每个 集合都能够代表整个数据集,具体应用中需要根据网络 的特点和安全问题的需求进行调整。确保在数据预处理 中保持对数据质量的关注,以提高神经网络模型的训练 效果。

       2 GABP 神经网络模型构建

       2.1 遗传算法参数设置

       在 构 建 GABP（Generalized Approximate Back Propagation）神经网络模型时, 遗传算法的参数设置 是一个关键的步骤。遗传算法是一种基于自然选择和遗 传机制的优化算法,用于优化神经网络的权重和结构, 具体参数选择如图 1 所示。        种群大小（Population Size） 是指每一代中包含  的个体数量,种群大小的选择会影响算法的收敛速度  和全局搜索能力 ；交叉概率（Crossover Probability） 是指每对父代个体进行交叉的概率,影响种群中个体基  因信息的交流程度,高交叉率有助于加速算法收敛,但  也可能导致早熟,交叉概率 Pc 选择在 0.6 ～ 0.9 之间 ； 变异概率（Mutation Probability）是指每个基因发生  变异的概率,通过引入变异,有助于保持种群的多样性,  防止陷入局部最优,变异概率 Pm 选择在 0.01 ～ 0.1 之  间 ；最大迭代次数（Max Generations） 是指算法运行  的最大代数,可以控制算法的运行时间,避免无限制地  进行优化,假设 G 是最大迭代次数,可以根据算法运行  的时间需求设定 ；适应度函数（Fitness Function） 是用来评价每个个体优劣的函数,用作指导遗传算法朝着 优化的方向进行搜索,根据具体问题设计适应度函数, 确保适应度函数能够准确反映个体的适应度 ；选择算 子（Selection Operator） 决定哪些个体将被选用作父 代和哪些将被淘汰,用来确保适应度较高的个体有更大 的概率被选中,使用轮盘赌选择,将适应度比例按照顺 序构建轮盘,生成一个随机概率值（在 [0,1] 范围内）, 然后根据这个概率值选择轮盘上的个体,具体选择的个 体是轮盘上第一个使得轮盘值大于等于随机概率值的个 体。对于神经网络权重和结构的优化问题,良好的参数 设置可以加速算法的收敛,提高模型的性能。

       2.2 BP 神经网络结构设计

       在构建基于 GABP 神经网络算法的计算机网络安全 评估方法时, BP 神经网络的结构设计是一个关键的步 骤。首先,确定输入层神经元的数量,这取决于选用的 网络输入特征的数量,如果使用了 n 个特征,输入层就 有 n 个神经元。确保输入数据经过标准化,以提高神经 网络的训练效果。

       隐藏层设计结束后, BP 神经网络结构的输出层需 要确定神经元数量,对于二分类问题,输出层通常只有 一个神经元 ；对于多分类问题,可以根据类别数量确定 输出层神经元的数量。根据任务类型选择适当的输出层 激活函数。例如,对于二分类问题,可以使用 Sigmoid 函数,具体如式（2）所示 ：
       其中, z 是神经元中输入和偏置的加权和。对于多 分类问题, 可以使用 Softmax 函数,它可以将一组实 数转换为概率分布,具体如式（3）所示 ：

       其中, z 是一个包含每个类别未归一化得分（Logits） 的实数向量, zi  是类别 i 的得分, K 是类别总数。根据训 练过程中的性能调整学习率,以提高收敛速度和稳定 性。在隐藏层后面添加批量归一化层,有助于加速收敛 并提高模型的泛化能力。

       2.3 训练集与测试集划分

       在构建机器学习模型时,训练集和测试集的划分是 至关重要的步骤,具体划分流程如图 2 所示。        训练集用于模型的训练,通过学习数据集上的模式 来调整权重和参数,而测试集则用于评估模型的性能, 估计其在未见过的数据上的泛化能力。在划分过程中, 需要保持随机性以防止模型在特定子集上过度拟合,并确保训练集和测试集中的类别分布相似,尤其是在存在 类别不平衡的情况下。采用 70%-80% 的数据作为训练 集, 20%-30% 作为测试集, 具体比例可根据数据集大 小和问题的特点进行调整。使用 K 折交叉验证有助于更 充分地利用数据并提供对模型性能的可靠估计。在划分 时需确保训练集和测试集都包含数据集中各种特征和类 别,以便模型能够学到整体数据的特征,同时避免引入 测试集中的未来信息,以避免过于乐观的性能估计。通 过合理的划分,可以更可靠地评估模型性能,提高对模 型泛化能力的信心。

       3 对比实验

       3.1 实验准备

       为测试基于 GABP 神经网络算法的计算机网络安全  评估方法是否可行, 实验使用 CyberSecurity Dataset  数据集,包含正常和攻击网络流量的标注信息,该数据  集模拟了真实的网络环境,并涵盖了各种网络攻击类  型。实验环境使用一台配备 NVIDIA GPU 的高性能计  算机,确保足够的计算资源 ；使用 Python 编程语言和  深度学习框架 TensorFlow 搭建 GABP 神经网络模型 ； 使用训练集对模型进行训练,采用适当的损失函数和优  化算法进行模型优化。

       3.2 实验结果

       使用测试集对训练好的模型进行评估,实验组为GABP 神经网络算法,对照组为标准 BP 神经网络算法, 对计算准确率、精确度、召回率和 F1 分数等评价指标 进行对比,具体情况如表 1 所示。        根据表 1 的对比实验结果,主要包含了 GABP 神 经网络和标准 BP 神经网络在不同评价指标上的性能表 现。通过综合分析表格中的各项指标, GABP 神经网络 在准确率、精确度、召回率和 F1 分数上都取得了更好 的性能,显示出其在网络流量分类任务中的优越性,这 可以为提高网络安全评估的准确性和效率提供有力支持。

       4 结语

       综上所述,基于 GABP 神经网络算法的计算机网络 安全评估方法在性能上取得了显著的改进。该方法通过 融合遗传算法的全局搜索和 BP 神经网络的学习能力, 有效地提高了网络流量分类的准确性和有效性。文章详 细介绍了如何进行数据采集与预处理,在 GABP 神经网 络模型构建中,设置遗传算法参数,设计 BP 神经网络 结构,划分训练集与测试集,以此来构建融合 GABP 神 经网络算法的计算机网络安全评估方法。在未来的工作 中,可以进一步优化模型结构、调整参数,以适应不同 网络环境和攻击类型。这一研究为推动计算机网络安全 评估方法的创新提供了有益的经验和启示。

       参考文献

       [1] 从慧杰,王贺庆,陶思源,等.计算机网络安全与风险控制策略 分析[J].集成电路应用,2023,40(10):284-285.

       [2] 刘浚哲,刘伟.基于大数据的计算机网络信息安全防护与信 息评估算法研究[J].网络安全和信息化,2023(8):136-138.

       [3] 谢从珍,卢伟民,马康,等.结合MIDAS仿真和BP神经网络的 输电杆塔基础滑坡风险评估[J].科学技术与工程,2023,23(16): 6923-6930.

       [4] 徐莎莎,杨俊丹,廖宋炜.神经网络视域下互联网安全态势预 测方法分析[J].无线互联科技,2023,20(8):144-146.

       [5] 刘威,李江丰.人工智能技术在互联网信息服务安全评估中 的应用研究[J].通信管理与技术,2023(1):46-47.
 
关注SCI论文创作发表，寻求SCI论文修改润色、SCI论文代发表等服务支撑，请锁定SCI论文网！
 

文章出自SCI论文网转载请注明出处：https://www.lunwensci.com/jisuanjilunwen/74321.html