申请/专利权人：北京计算机技术及应用研究所

申请日：2021-03-11

公开（公告）日：2024-03-19

公开（公告）号：CN112926739B

主分类号：G06N3/0475

分类号：G06N3/0475;G06N3/094;G06N3/006

优先权：

专利状态码：有效-授权

法律状态：2024.03.19#授权;2021.06.25#实质审查的生效;2021.06.08#公开

摘要：本发明涉及一种基于神经网络模型的网络对抗效能评估方法，涉及网络安全技术领域。本发明构建两级神经网络对抗效能评估模型，避免梳理指标体系内部错综复杂的关系，具有很强的自学习、自组织和适应能力，通过训练样本即能不断动态的学习和训练模型。通过历史样本的积累，对抗效能评估模型将具备更高的准确性。在神经网络的学习中，采用人工智能算法‑布谷鸟算法寻找最优权重，全局搜索能力强、选用参数少、收敛速度极快，使得对抗效能评估模型的构建具备更高的效率性。

主权项：1.一种基于神经网络模型的网络对抗效能评估方法，其特征在于，包括以下步骤：步骤1.通过将网络对抗综合效能指标进行多层次分解，构建二级神经网络对抗效能评估模型；步骤2.基于布谷鸟算法对二级神经网络对抗效能评估模型进行训练；步骤1具体包括：1构建网络对抗效能评估指标体系将网络对抗效能进行分层操作，分为综合效能层、能力要素层和指标要素层，形成网络对抗效能评估指标体系框架，最上一层为综合效能层，即网络对抗综合效能；中间一层为能力要素层，即网络对抗综合效能的主要能力分解；最下一层为指标要素层，即评判网络对抗综合效能各能力所依赖的各指标；2构建二级神经网络效能评估模型框架将所述网络对抗效能评估指标体系框架转化为二级神经网络对抗效能评估模型，其中每一级神经网络都包含输入层、隐含层、输出层三层；每个神经元都有一个输入连接和输出连接，每一个连接都有权重；第一级神经网络的输入层对应指标要素层，输出层对应能力要素层；第二级神经网络的输入层对应能力要素层，输出层对应综合效能层；所述构建二级神经网络效能评估模型框架的步骤具体包括：21第一级神经网络对抗效能评估模型框架的构建第一级神经网络的输入层对应效能评估的指标要素层，输入层向量定义为x1,x2,...,xM，隐含层向量定义为h1,h2,...,hL，其中aij即为连接输入层神经元xi和隐含层神经元hj之间的权重系数，i＝1,...,M，j＝1,...,L，M、L为正整数，输出函数定义为其中j＝1,...,L，则输出层向量其中i＝1,...,M，j＝1,...,L，k＝1,...,N，N为正整数，bjk为第一级神经网络模型里隐含层到输出层的权重；22第二级神经网络对抗效能评估模型框架的构建第二级神经网络的输入层对应效能评估的能力要素层，输入层向量定义为y1,y2,...,yN，隐含层向量定义为g1,g2,...,gP，其中ckr即为连接输入层神经元yk和隐含层神经元gr之间的权重系数，k＝1,...,N，r＝1,...,P，P为正整数，输出函数定义为其中r＝1,...,P，则输出层向量其中k＝1,...,N，r＝1,...,P，dr是第二级神经网络模型里隐含层到输出层的权重；步骤2具体包括：1将原始样本预处理原始样本需要经过预处理后可作为训练样本使用，使用线性变化法对原始样本行归一化处理；2布谷鸟算法优化训练初始化目标函数、鸟窝位置、最小误差；在神经网络对抗效能评估模型中输入预处理后得到的训练样本，运用布谷鸟算法去寻找最优鸟巢位置，利用布谷鸟算法的莱维飞行，优化迭代产生新的权重，当实际输出值与预期值的绝对误差小于设定的最小误差时，即结束训练，保留当前最优权重，获得最优对抗效能评估模型，最优位置即为对抗效能评估模型的最优权重；所述采用线性变化法对原始样本做归一化处理具体为：设指标要素层原始样本为x′，当指标值越大，对抗效能越好时，归一化后的训练样本x′min，x′max分别是x′里的最小、最大值，当指标值越大，对抗效能越差时，归一化后的训练样本设能力要素层原始样本为y′，当指标值越大，对抗效能越好时，归一化后的训练样本y′min、y′max分别是y′里的最小、最大值，当指标值越大，对抗效能越差时，归一化后的训练样本设综合效能层原始样本为E′，归一化后的训练样本为E′min、E′max分别是E′里的最小、最大值；所述布谷鸟算法优化训练的具体步骤如下：1初始化目标函数 其中E为第二级神经网络的实际输出，Ed为综合效能层的预期值，yk为第一级神经网络实际输出，dyk为能力要素层的预期值，初始化抛弃概率P，P∈[0,1]；初始化n个鸟窝的位置：ωs0＝[a011,a012,..,a0ML,b011,b012,..,b0LN,..,c011,c012,..,c0NP,d01,d02,..,d0P]T，s＝1,...,n；2计算每个鸟窝位置的目标函数值，选择当前目标函数最优的鸟巢；3保留上一代目标函数最优的鸟巢位置，并利用莱维飞行式对鸟窝的位置进行更新；布谷鸟鸟窝位置的更新公式为ωst+1＝ωst+α·Lβ，其中ωst表示第t次迭代时，第s个鸟窝的位置；α代表步长；Lβ服从莱维分布： 式中u,v服从正态分布， ωi't、ωj't是第t次迭代时，任意两个鸟窝的位置；4将当前的位置函数值与上一代的最优鸟巢位置的函数值进行比较，如果当前位置函数值更优，那么更新为当前最优函数值，如果不是，保留上一代最优函数值；5位置更新后，随机生成一个数r∈[0,1]，如果r＞P，对ωst+1继续进行更新，对更新后的鸟窝位置函数值进行比较，计算出此时的全局最优位置；6判断是否达到最大迭代次数或者最小的误差要求，如果是，则输出全局最优位置，即对抗效能评估模型的各连接权重，如果不是，返回步骤2继续迭代；7将最优权重带入神经网络模型，即获得最优二级神经网络对抗效能评估模型；构建网络对抗效能评估指标体系时，基于网络空间攻防对抗领域的各类常见网络信息装备作战需求，将网络对抗效能进行分解为网络侦察、网络攻击、网络防御、指挥决策这些各类能力要素，再将各能力要素进行细化，分为若干项指标要素。

全文数据：

权利要求：

百度查询： 北京计算机技术及应用研究所 一种基于神经网络模型的网络对抗效能评估方法

免责声明
1、本报告根据公开、合法渠道获得相关数据和信息，力求客观、公正，但并不保证数据的最终完整性和准确性。
2、报告中的分析和结论仅反映本公司于发布本报告当日的职业理解，仅供参考使用，不能作为本公司承担任何法律责任的依据或者凭证。

阅读全文 双屏查看 官方信息 专利公告 收藏专利 下载PDF 下载WORD