基于人工智能算法的无线移动通信系统风险评价

来源:用户上传      作者:

　　摘  要： 风险评价模型是保证无线移动通信系统安全的一种重要技术，针对当前无线移动通信系统风险评价正确率低，评价耗时长等缺陷，设计基于人工智能算法的无线移动通信系统风险评价模型。首先，对无线移动通信系统风险评价的国内外研究现状进行分析，建立无线移动通信系统风险评价指标体系;然后，根据无线移动通信系统风险评价指标体系收集学习样本，并采用人工智能算法优化神经网络构建无线移动通信系统风险评价模型;最后，进行无线移动通信系统风险评价仿真对比测试。结果表明，人工智能算法的无线移动通信系统风险评价正确率超过95%，评价误差小于其他模型，而且无线移动通信系统风险评价时间明显减少，实时性能更好，具有更高的实际应用价值。
　　关键词： 风险评价; 无线移动通信系统; 人工智能算法; 风险评价模型; 神经网络优化; 研究现状分析
　　中图分类号： TN919?34; TP391                   文献标识码： A                     文章编号： 1004?373X（2020）01?0012?04
　　Wireless mobile communication system risk assessment
　　based on artificial intelligence algorithm
　　LI Xin
　　Abstract： Risk assessment model is an important technology to ensure the security of wireless mobile communication system. To deal with the defects of low accuracy and long time?consumption of risk evaluation in current wireless mobile communication system， a risk assessment model based on artificial intelligence algorithm is designed for wireless mobile communication system. Firstly， the research status of risk assessment for wireless mobile communication system at home and abroad is analyzed and the risk evaluation index system for wireless mobile communication system is established. Then， learning samples are collected according to the risk evaluation index system for wireless mobile communication system， and the artificial intelligence algorithm is adopted to optimize the neural network for the construction of risk evaluation model for wireless mobile communication system. Finally， the simulation and comparative test of risk assessment for wireless mobile communication system is implemented. The results show that the accuracy rate of wireless mobile communication system risk assessment model based on artificial intelligence algorithm is over 95%， and its evaluation error is less than other models. Moreover， the duration of risk assessment for wireless mobile communication system is obviously shortened and its real?time performance is better. Therefore， it has higher practical application value.
　　Keywords： risk assessment; wireless mobile communication system; artificial intelligence algorithm; risk assessment model; neural network optimization; research status analysis
　　0  引  言
　　在無线移动通信系统的工作过程中，有许多因素会影响其安全，对通信系统产生干扰，如非法入侵、隐私数据的窃取等，使其存在许多潜在的危险，而风险评价可以对无线移动通信系统存在的安全问题进行预先估计，因此需要建立正确率高的无线移动通信系统风险评价模型[1?3]。
　　无线移动通信系统风险评价的研究可以划分为3个阶段：初始阶段为人工阶段，一些相关的专家根据自己的经验对无线移动通信系统的历史数据进行分析，然后根据自己的经验得到无线移动通信系统风险等级，该方法耗时长，评价正确率低，风险评价结果具有一定的盲目性[4?6]。第二个阶段为线性的无线移动通信系统风险评价模型，通过引入灰色模型、聚类分析等对无线移动通信系统的状态历史数据进行灰色分析或者聚类分析，该类方法认为无线移动通信系统风险呈线性的变化特点，使得无线移动通信系统风险评价结果不稳定，而且无线移动通信系统风险有一定随机性变化特点，评价错误率较高[7?9]。第三个阶段为非线性的无线移动通信系统风险评价模型主要采用神经网络、贝叶斯网络模型等[10?12]，它们可以描述无线移动通信系统风险的多种变化特点，如非线性、随机性、动态性等。非线性的无线移动通信系统风险评价结果比其他阶段的模型更优，尤其是BP神经网络的性能最优，在无线移动通信系统风险评价中应用最为广泛。BP神经网络的无线移动通信系统风险评价正确率与初始连接权值有直接联系[13?15]。 　　针对BP神经网络应用于无线移动通信系统风险评价中的参数优化问题，设计基于人工智能算法的无线移动通信系统风险评价模型，并与其他无线移动通信系统风险评价模型进行了对比测试。
　　1  相关理论
　　1.1  BP神经网络
　　设BP神经网络输入数据为[X=（X1，X2，…，Xn）T]，[n]表示输入层神经元的节点数，相应的输出数据为[O=（O1，O2，…，Om）T]，[m]表示输出层神经元的节点数，[Wij]和[Wjk]分别为隐含层和输出层的连接权重，对于第[i]层输入分量[Xi]，隐含层和输出层相应的输出可以表示为：
　　[Yo=f（XiW）] （1）
　　BP神经网络的训练步骤如下：
　　1） 随机初始化权值[Wij]和[Wjk]，它们的值一定不能相同，通常范围为（-1.0，1.0），对于样本（[Xp]，[Yp]），其输出值为[Op]。
　　2） 计算[Op]和[Yp]之间的误差，根据误差调整权值矩阵，对于第[p]个样本，可以得到：
　　[Ep=12j=1m（ypj-opj）2]  （2）
　　全部样本的神经网络误差计算公式为：
　　[E=l=1sEpl]  （3）
　　式中[s]为样本数目。
　　极小化[E]过程可以看作是一个优化问题，采用最速下降法对权值矩阵进行调整，即：
　　[Wjk=Wjk+ΔWjk=Wjk+αO（1.0-Ok）（Yk-Ok）Oj]  （4）
　　[Wij=Wij+ΔWij=Wij+αOj（1.0-Oj）Oi·k1=1hk2=1mWk1k2Oj+1，k2（1.0-Oj+1，k2）（Yj+1，k2-Oj+1，k2）]  （5）
　　式中[α]表示学习率。
　　传统BP神经网络的[Wij]和[Wjk]初始值采用随机方式确定，使得BP神经网络的性能不稳定，问题的求解无法得到最优结果，因此本文引入人工智能算法中的粒子群优化算法对[Wij]和[Wjk]初始值进行寻优确定。
　　1.2  人工智能算法
　　第[i]个粒子的位置向量为[xi=（xi1，xi2，…，xiD）]，其表示一组[Wij]和[Wjk]初始值，同时还有一个速度向量[vi=][（vi1，vi2，…，viD）]。粒子通过跟踪个体和群体最优位置进行飞行方向的调整，具体为：
　　[vid（t+1）=ωvid（t）+c1r1（pid-xid（t））+c2r2（pgd-xid（t））]      （6）
　　[xid（t+1）=xid（t）+vid（t+1）] （7）
　　式中：[t]为迭代次数;[ω]为惯性权重。
　　2  人工智能算法的无线移动通信系统风险评价模型
　　2.1  无线移动通信系统风险评价指标及风险等级设置
　　由于无线移动通信系统风险具有一定的随机性，因此，无线移动通信系统风险指标构建基于科学性、适用性、可操作性等原则，首先将无线移动通信系统风险评价指标划分为两类：人为风险指标体系和技术风险指标体系。技术风险指标体系划分为：硬件设施、物理环境与保障、软件设施等风险子指标体系，它们又可细分为具体的风险指标，如软件设施风险指标细分为计算机操作系统、网络操作系统、网络通信协议等指标;人为风险指标体系只包括管理者的风险子指标体系，其又可以细化，建立的层次型指标结构如图1所示。
　　根据无线移动通信系统风险评价规范，其风险等级可以设置为5级，具体值以及说明如表1所示。
　　2.2  基于人工智能算法的无线移动通信系统风险评价步骤
　　1） 根据科学性、适用性、可操作性等原则，选择无线移动通信系统风险指标。
　　2） 根据无线移动通信系统风险指标收集相应的无线移动通信系统风险评价数据。
　　3） 通过相关专家标记无线移动通信系统风险的等级。
　　4） 由于有的指標需要量化处理，有的指标需要进行离散化处理，因此对指标进行相应的预处理，然后对预处理的值进行缩放处理，具体如下：
　　[x′i=（xi-max）（max-min）] （9）
　　式中：max和min分别表示无线移动通信系统风险指标的最大值和最小值。
　　5） 选择部分数据组成无线移动通信系统风险评价训练样本集，输入到BP神经网络中，并初始化BP神经网络的相关参数，如训练最小误差、最大训练代数等。
　　6） 采用人工智能算法——粒子群优化算法确定BP神经网络的初始连接权值。
　　7） 根据初始连接权值及相关参数进行神经网络的正向学习和误差反向传播，并通过梯度下降算法对权值进行不断调整，使训练误差满足预先设定的训练最小误差范围。
　　8） 通过上述步骤建立无线移动通信系统风险评价模型，具体流程如图2所示。
　　3  仿真测试
　　3.1  无线移动通信系统风险评价数据源
　　为了测试本文设计的基于人工智能算法的无线移动通信系统风险评价模型的性能，选择无线移动通信系统一段时间风险历史数据作为研究对象。首先采集无线移动通信系统风险评价指标的数据，并进行一定的预处理，然后得到相应的无线移动通信系统风险等级值，由于篇幅有限，只显示无线移动通信系统风险值，如图3所示。对图3无线移动通信系统风险的原始值进行分析，可以清楚地知道，无线移动通信系统风险变化不定，具有强烈的随机性，但也有一定规律性变化特点，选择最后50个数据作为验证样本，其他作为无线移动通信系统风险评价的训练样本。 　　3.2  本文模型的无线移动通信系统风险评价结果分析
　　采用粒子群优化算法确定BP神经网络的初始连接权值，然后得到本文模型的无线移动通信系统风险评价结果如图4所示。对图4的无线移动通信系统风险评价结果进行分析可以看出，本文模型的无线移动通信系统风险评价偏差相当小，可以忽略不计，无线移动通信系统风险评价正确率高，评价结果的可信度高，是一种可行的无线移动通信系统风险评价模型。
　　3.3  与经典无线移动通信系统风险评价模型的性能比较
　　为了测试基于人工智能算法的无线移动通信系统风险评价模型的优越性，采用灰色模型、聚类分析、标准BP神经网络对相同数据集、在相同仿真环境进行对比实验，统计无线移动通信系统风险评价正确率以及训练时间，具体如表2所示。从表2可以发现，本文基于人工智能算法的无线移动通信系统风险评价模型的评价正确率超过了95%，经典无线移动通信系统风险评价模型的正确率均低于95%，而且本文模型的训练时间短于經典无线移动通信系统风险评价模型，加快了无线移动通信系统风险评价速度。因此，本文模型的无线移动通信系统风险评价结果更加理想。
　　4  结  语
　　无线移动通信系统安全是当前研究的热点，为了解决当前无线移动通信系统风险评价存在的难题，设计了基于人工智能算法的无线移动通信系统风险评价模型。结果表明，人工智能算法的无线移动通信系统风险评价正确率超过95%，无线移动通信系统风险评价训练速度快，是一种正确率高、结果可信度高、效率高的无线移动通信系统风险评价建模工具。
　　参考文献
　　[1] 徐一帆，吕建伟，谢宗仁，等.计及技术风险的复杂系统多分辨率风险评估方法[J].国防科技大学学报，2018，40（5）：161?170.
　　[2] 李艳，黄光球，张斌.基于攻击事件的动态网络风险评估框架[J].计算机工程与科学，2016，38（9）：1803?1811.
　　[3] 周未，张宏，李博涵.基于攻防状态图模型的网络风险评估方法[J].东南大学学报（自然科学版），2016，46（4）：688?694.
　　[4] 陈建莉.基于未确知数学的网络安全风险评估模型[J].空军工程大学学报（自然科学版），2014，15（2）：91?94.
　　[5] 赵刚，吴天水.结合灰色网络威胁分析的信息安全风险评估[J].清华大学学报（自然科学版），2013，53（12）：1761?1767.
　　[6] 葛海慧，肖达，陈天平，等.基于动态关联分析的网络安全风险评估方法[J].电子与信息学报，2013，35（11）：2630?2636.
　　[7] 梁礼，杨君刚，朱广良，等.基于实时告警的层次化网络安全风险评估方法[J].计算机工程与设计，2013，34（7）：2315?2323.
　　[8] 付沙.一种改进风险矩阵法在网络系统风险评估中的应用[J].计算机系统应用，2012，21（1）：148?151.
　　[9] 傅建新，黄联芬，姚彦.基于层次分析法?灰色聚类的无线网络安全风险评估方法[J].厦门大学学报（自然科学版），2010，49（5）：622?626.
　　[10] 张焱，黄曙光，汪永益.基于DS理论与层次权重的网络安全风险评估[J].计算机应用与软件，2011，28（11）：294?297.
　　[11] 董纪芳.聚类分析和神经网络相融合的网络信息系统风险评价[J].农业网络信息，2015，25（10）：29?32.
　　[12] 赵保华.层次分析法和神经网络的信息系统风险评估[J].微电子学与计算机，2015，32（10）：163?166.
　　[13] 卢志刚，刘俊荣，刘宝旭.基于GTST?MLD的复杂网络风险评估方法[J].计算机科学，2014，41（7）：194?199.
　　[14] 王月红.基于证据理论的无线通信系统安全风险评价[J].火力与指挥控制，2017，42（7）：86?89.
　　[15] 成科，宋海声，安占福，等.基于GA参数优化的t?SVR网络安全风险评估方法[J].计算机工程与应用，2014，50（12）：91?95.
　　作者简介：李  新（1981—），女，硕士，讲师，主要研究方向为移动通信与无线技术。
转载注明来源:https://www.xzbu.com/8/view-15122261.htm