前言：尋找寫作靈感？中文期刊網用心挑選的計算機網絡安全評價中神經網絡的運用，希望能為您的閱讀和創作帶來靈感，歡迎大家閱讀并分享。
摘要：針對計算機網絡安全評價當中的神經網絡所表現出來的運用價值以及特點進行有效分析，并進一步對其發展歷程進行概述，并結合計算機網絡安全所具有的相關概念、影響因素以及計算機系統當中具有的脆弱性等予以分析，通過可行性的、獨立性、系統性以及準確性的遠側，重現構建計算機網絡安全評價模型，并對神經網絡當中的BP神經網絡及粒子群進行優化進行闡述，最終在計算機網絡安全當中對輸入層、隱含層、輸出層進行詳細的分解和構建，促進整個網絡安全性的提高，降低由于不必要的安全進而導致的各種損失和不良因素，使得整個計算機網絡安全評價在運用當中更具安全性和應用價值。
關鍵詞：神經網絡；安全評價；計算機網絡
一、計算機網絡及神經網絡的基本概括
1.計算機網絡的概念
對于計算機網絡而言，其主要是將計算機運用技術與網絡管理進行結合運用，進而促進計算機網絡信息當中維持一定的安全可靠性，保障計算機網絡系統能夠正常穩定的運行，達到計算機網絡服務后期的可靠性特點。目前，計算機網絡所涉及到的范圍逐漸增加，不僅涉及到網絡技術以及信息安全技術方面的知識，同時還涉及到內部網絡、外部網絡，甚至是全球互聯網等方面的知識等等，這種多知識交互的方式促使整個計算機網絡的運用逐漸變得復雜起來，也使之在后期的維護和運用上存在很大的難度。而隨著計算機網絡的普及，人們也開始對計算機網絡的安全性提出了更高的要求。比如，對計算機設置較為復雜的密碼程序，許多企業都希望通過密碼技術對企業的信息安全提供技術保障，避免企業當中的核心信息泄露，導致核心競爭力降低等。
2.神經網路的主要特點及發展狀況
20世紀40年代初期，神經生物學家和數學家通過合作之后提出了“神經網絡”的概念，這種概念通過對人腦當中所儲存的信息作為貫穿整個程序的基礎，采用數學運行的方式對腦細胞當中所表現出來的特點進行有效分析，進而為更深一步的針對神經網絡的研究提供依據。直到1958年，計算機研究者及科學人員通過將學習機制與神經網絡進行融合之后，提出了另一種特殊的網絡模型系統——感知器神經網絡模型，并將這種特殊的模型與技術理論以及工程建設相互融合。采用神經網絡技術實時對聲吶波進行識別，并對敵方潛水艇的位置予以確認，而在這一階段，神經網絡逐漸成為了歷史當中的第一次發展高潮；到了1982年，生物物理學家對全局性和自組織神經網絡局部之間所存在的穩定性特點進行了分析，進而探討出原本神經網絡模型起初就是一種微分非線性的工程，而此時，眾多研究者及科學家開始對神經網絡進行了更為深入的研究。
二、BP神經網絡及粒子群優化算法
BP神經網絡是一種具有特殊性質的算法，其中主要運用的是誤差逆傳播的算法，訓練的前饋多層網絡截止到目前是在所有神經網絡當中運用最為普遍也是最廣泛的模型之一。在BP神經網絡所表現的理論體系當中，運用快速下降并且通過反向傳播的方式，在進行選調整網絡系統的權值閾值之下，來進一步實現整個網絡模型當中的平方誤差和達到最小的數值。在BP神經網絡當中的拓撲結構構成當中，主要由輸出層、輸入層以及隱層這三個方面組成，每一層的神經元都會預期周圍的神經層進行連接，而且和統一神經層當中的神經元完全分割，沒有任何的連接，并且也不存在絲毫的反饋連接，三層拓撲結構共同組成，進而形成具有結構層次的前饋神經網絡系統。而對于單層前饋神經網絡系統來說，只能夠采用求解線性可分問題，而對于多層前饋神經網絡系統來說，則可用于求解非線性的計算機網絡問題。
三、計算機網絡安全評價模型的構建
1.計算機網絡安全評價模型中輸入層數量的要求
對于計算機網絡安全評價模型中的“輸入層”來說，其神經元節點所表現出來的數量，要和計算機網絡安全評價指標當中的數量相同才可以。如：對計算機網絡安全評價系統進行重新設計當中，需要安置二級指標十八個，而且，在計算機網絡安全當中的輸入層神經元節點當中就要與上面一樣，設置十八個，與其相等。
2.計算機網絡安全評價模型中隱含層的要求
在神經網絡安全評價模型當中BP網絡大多是采用單向的隱含層，在進行重新設計的時候，隱含層當中所表現出來的節點數的數量，而且也會影響對神經網絡后期的性能構建等問題。如果在隱含層這一區域之內所安置的節點數量過于多的話，就會導致整個神經網絡需要學習的時間不短增加，最嚴重的的時候則無法想象；而如果在隱含層當中所設置的節點數沒有達到一定的量的話，則會促使神經網絡當中所表現的容錯能力不斷減弱。而對于隱含層當中節點數的數量設置網面，則需要參照一定的經驗公式才能夠進行確定，一般會設置五個。
3.計算機網絡安全評價模型中輸出層的要求
針對計算機網絡安全評價模型當中輸出層來說，主要是針對計算機安全評價最終的結果。在本文當中，首先將神經網絡安全評價模型當中的輸出層所表現出來的節點數量設置為兩個，輸出的最終結果是(1,1)，用來表示安全的意思；(1,0)則表示比較安全的意思；(0,1)用來表示不安全的意思；(0,0)用來表示安全性極低的意思。依據計算機網絡安全評價模式當中對網絡安全進行評價來說，可以將其分為如下兩個方向：首先，重新構建計算機網絡安全評價模式；其次，采用粒子群對BP神經系統所具有的算法進行優化，進而克服BP神經網絡原本所存在的局限性。對其進行優化所采用的方法：(1)通過對BP神經網絡當中的傳遞函數、結構特點、目標向量這三方面進行初始化的設置；(2)對粒子群當中的初始速度和設置、動量的系數、迭代次數等分別進行設置；(3)將不同粒子具有的不同歷史，所表現出來的最佳的適應值以及當前適應度值這二者進行比較，如果目前所表現出來的適應度數值比以前的適應度數值良好的話，則需要保存粒子目前索表現出來的適應度值，從而成為個體粒子中最為優越的適應度值；(4)對粒子所表現出來的慣性權值進行計算；(5)針對每一個粒子展現出來的相應位置和速度進行更新，并對其中所透漏出來的相關熟知誤差都進行詳細的記錄、總結和分析；(6)有效的分析、辨別系統內部適應度誤差值，當這一誤差值超出允許的迭代次數的時候，或者是與其相同的時候，則需要對本次訓練進行終止。粒子所具有的全局歷史，最優的設置等都將是BP神經網絡當中最大的閾值和最佳的權值。在最后，則可以運用BP神經網絡模型的最優化狀態，對計算機網絡安全予以最終的而評價。
參考文獻：
[1]孫亞.基于粒子群BP神經網絡人臉識別算法[J].計算機仿真,2008(8).
[2]于群,馮玲.基于BP神經網絡的網絡安全評價方法研究[J].計算機工程與設計,2008(8).
[3]李寧,鄒彤,孫德寶.帶時間窗車輛路徑問題的粒子群算法[J].系統工程理論與實踐,2004(4).
作者:郭強 單位:黃淮學院
