计算机网络安全评价思考范文
本站小编为你精心准备了计算机网络安全评价思考参考范文，愿这些范文能点燃您思维的火花，激发您的写作灵感。欢迎深入阅读并收藏。
摘要：
计算机网络的安全评价是计算机操作和运行过程中的一个重要的环节。影响计算机网络安全的因素有很多，例如硬件、软件设备、计算机程序、操作方式、网络环境等。传统的计算机网络安全评价是一个线性评价的过程，不能对各种影响因素进行综合的评价，在评价的精度上也不高。神经网络是在传统评价方式上进行优化的一种评价手段，采用了更为合理的评价标准，然后通过专家打分的方式确定各个影响因素在评价指标中所占到的比重，最后得出计算机网络的安全评价。
关键词：
神经网络；计算机；网络安全评价；应用
伴随着网络技术的发展，计算机网络安全的影响因素也在不断增加，病毒、系统漏洞、黑客入侵等多种安全隐患对计算机的功能和操作都能产生了极大的影响。这些影响因素之间还会相互影响，形成错综复杂的非线性关系，给网络系统安全性的定量评价带来了极大的难度。计算机网络安全的传统评价方式采用的是线性评价的模式，在操作上较为复杂，且精度不高，已经无法在实际应用中发挥有效的作用。另一种专家评价方式则带有较强的主观性，且对专家自身的专业素质和工作经验有着较高的要求，评价的结果往往难以验证。神经网络是近几年发展起来的新型评价方式，它是由许多神经元组成的，能够对网络的安全性进行非线性的评价，并完成对网络的简单维护和控制，与传统评价方式相比，神经网络在评价精度和效率上都有较大的提高。
1神经网络的特点及发展
神经网络的提出是在上个世纪中期。生物学家和物理学家首次尝试将两个学科的研究结合起来，形成了神经网络模型。这种模型是以人脑的神经网络为模板，模拟了人脑处理信息和传递信息的过程。通过数学学科对网络的结构、神经元的组成等进行研究，以及生物学对神经元的功能、作用原理等进行研究，成功模拟出了神经网络模型。这一模型的提出为神经网络在计算机安全评价方面的应用奠定了基础。上个世纪中后期，计算机领域的专家将神经网络的模型应用到了计算机网络安全的研究上，并在原始模型的基础上，增加了模型的感知功能，并与计算机技术进行了结合，在工程学领域进行了应用。神经网络模型在计算机网络上的应用能够实现对声波的检测和识别，并且确定目标物的精确位置。这促进了神经网络技术的进一步发展。上个世纪末，计算机专家又提出了一种新的映射网络模型，利用映射中的拓扑结构，对计算机的功能进行了模拟。1982年，生物学家对神经网络的性质进行了更深层的研究，从而发现神经网络是一种非线性的结构，由此神经网络为计算机网络安全的评价提供了一条新的思路。
2计算机网络安全评价体系概述
计算机网络安全是现在人们关注的重点问题之一，所谓的计算机网络安全就是指通过合理的措施确保计算机中的数据信息的安全性和可靠性。计算机网络安全包括两部分的内容，第一部分是逻辑安全,所谓的逻辑安全是指保证计算机中存储的数据信息的完整性和安全性;第二部分是物理安全,所谓的物理安全是指要对计算机的硬件设施进行检查，保证计算机的硬件设施、系统处于安全运行状态，避免出现计算机硬件设施运行异常的情况。但需要注意的是计算机网络安全不仅仅包括上述这些内容，随着网络技术的不断发展，计算机网络安全还应包括网络信息共享的安全性。通过上述的分析不难发现，计算机网络安全具有下述几个特征。第一，计算机网络安全具有一定的保密性，计算机网络中传输的数据信息有很大一部分是需要保密的，因此为了保证网络传输信息的安全，必须要加强计算机网络安全建设；第二，计算机网络安全具有一定的完整性，计算机中无论是存储的数据还是传输的数据都应保证其完整性，这样才能满足相应的使用要求；第三，计算机网络安全应具有一定的可控性，计算机网络安全性应是处于可以控制的范围内，如果不能满足这一要求，则会影响计算机网络的使用效果。近年来，随着科学技术的不断发展，计算机网络安全面临的挑战愈加严峻，在这种情况下，必须要加强对计算机网络安全的重视。计算机网络安全评价是实现网络安全保护的重要环节之一，只有对网络中存在的安全隐患进行有效的评估和检测，才能有针对性地制定解决方案，从而实现网络的安全稳定运行。随着评价方式的不断丰富和评价标准的不断完善，逐渐形成了一个完整的网络安全评价体系。网络安全评价体系的建立需要遵循一些基本的原则。首先是准确性原则，建立计算机网络安全评价体系的根本目的就是要有效识别网络中的安全隐患，确保网络环境的安全可靠，评价的准确性直接影响了网络安全维护的质量。其次是独立性，要对网络安全进行评价必须要有一定的安全标准，这就需要设置一系列的评价指标，各个指标之间都应当是相互独立的，不应当在内容上产生重叠，防止指标之间的相互影响。第三是简洁性原则，在确保评价准确的基础上，要使评价的过程尽量的简化，这样才能提高评价的效率。第四是完善性原则，完善性就是要求指标应当包含对网络安全性各个方面的评价，能够从整体上反映出整个系统的运行状态。最后是可行性原则，在选择评价指标时应当考虑到指标能否在实际中进行操作和执行，因此，指标的设定应当尽量与实际操作结合起来。
3网络安全体系的设定
根据网络安全的状况可以将计算机的网络安全分为四个等级，分别是安全、有风险、有危险、非常危险。不同的安全等级可以采用不同的颜色进行标注。例如十分危险可以用红色进行标注，表明网络中存在极大的漏洞，需要立即进行处理。有危险可以用橙色进行标注，说明网络中存在安全隐患，需要对网络进行检查，并进行一定的杀毒处理。有风险可以用黄色进行标注，说明网络的运行的过程中出现了风险项，需要对网络进行一定的检测和调试，及时排除网络中的风险项。安全可以用绿色来表示，说明网络安全状况良好，可以进行放心的使用。用颜色来表示不同的安全状态是一种十分直观的表示方式，能够方便用户在最短的时间内确认网络的运行状况。
4各评价指标的取值及标准化问题
计算机网络安全评价由于各个指标所评价的因素不同，因此在指标的取值和标准上也有所不同。评价的方式主要有两种，分别是定性评价和定量评价。这两种评价方式的侧重点有所不同，因此将两项评价指标结合起来能够更全面反映网络的安全状况。定量指标在进行取值时应当根据实际情况进行选取，不能对所有的定量指标采取一样的评价指标。在进行标准化处理时则要将取值的范围限定在0-1之间。对定性标准而言，采用专家打分的方式是较好的取值方式，不同的系统也要根据实际情况进行不同的等级评价。定性指标也应当进行一定的标准化处理。
5借助神经网络建立计算机网络安全评价的必要性
与传统的算法相比，神经网络算法有着明显的优势，例如，有较强的学习能力，能够进行自我调解，精确度较高等。
5.1较强的适应性神经网络具有良好的环境适应能力，当其处于输入或输出的状态时，可以进行自我调节从而提高计算的精度，并对计算的过程进行反馈。
5.2容错性神经网络与传统算法相比，最大的优势在于它对噪音和不完善的信息具有较高的敏感度，这是由于神经网络的每一个节点对应着网络中的一个特征，当某一个节点中输入的信息出现问题时，神经网络能够立即作出反应。
5.3可在线应用神经网络运行的核心环节在训练过程，因此在这一个阶段会耗费较长的时间。一旦神经网络完成这一个阶段的工作后，就能快速的获得计算结果，从而提高了安全评价的效率，能够在在线系统的应用中获得良好的效果。
6计算机网络安全评价模型的设计
6.1输入层输入层的神经元节点数量应当根据计算机网络安全评价指标的数量来确定。例如，当计算机安全评价模型中含有20个指标时，输入层的神经元指标也必须为20个。
6.2隐含层绝大多数神经网络的隐含层属于单向隐含层。隐含层节点的数量直接决定着神经网络的性能。当隐含层的数量过多时会导致神经网络的结构过于复杂，信息传输的速率较低。当隐含层的节点数量较少时，神经网络的容错能力会减弱。因此，隐含层节点的数量必须进行合理地选择。根据实际操作的经验，通常隐含层的节点数量为5个时能够起到较好的评价作用。
6.3输出层输出层的节点数量通常为2个，可以通过不同的组合方式来表示不同等级的网络安全状态。例如，（1，1）表示安全，（1，0）表示存在风险，（0，1）表示存在危险，（0，0）表示非常危险。
7计算机网络评价的具体步骤
计算机网络评价的具体过程分为两个步骤：首先是构建计算机网络安全评价体系，其次是使用粒子群优化的方法对BP神经系统进行优化，改善BP神经网络自身的缺陷，提高其性能。BP神经网络的优化方法有以下几点：对BP神经网络的目标量、函数等进行初始化；对粒子的初始速度、初始位置、动量参数等进行设置和调整；通过粒子群的集中来完善BP神经网络的功能，对网络的适应度作出评价；对每个神经元进行历史适应度与当前适应度的对比，若当前的适应度是历史最高时，就应当及时保存，并将此作为评价的标准；计算每个粒子的惯性；当粒子的位置和运动速率产生变化时，记录粒子群之间的适应度误差，并做好相应的记录；对系统适应度的误差进行统计。
8计算机网络安全评价的原理
计算机的安全评价原理是依据相关的评价标准，先确定评价的范围和内容，再根据网络的实际运行状况和安全状态，对网络中可能出现安全隐患的区域进行预测，并采取制定的标准进行评价，最终得到网络安全等级。在这一过程中，合理地选择计算机网络的评价因素、建立正确的评价模型是关键的环节。计算机网络是一个非线性的结构，安全漏洞的出现具有突发性和多变性。而神经网络具有非线性的评价功能，用它来进行计算机网络的安全等级评价是一种科学性较高的评价模式，能够有效地提高评价的精度。
8.1计算机网络安全评价指标体选择计算机是一个十分复杂的体系，影响其安全等级的因素有很多，要确保安全评价的准确性就要建立起一个完善、合理的评价体系。计算机网络安全评价指标的选择应当从管理安全、物理安全、逻辑安全等几个方面进行考虑，并采用专家系统对安全评价标准的选择进行调整和确定，确定各个指标在最终的评价体系中所占的比重。
8.2计算机网络安全指标的归一化处理由于各个指标之间的评价方式有所不同，因此不同的指标之间是无法进行直接的比较的。为了便于进行指标之间的比较，并加快神经网络的收敛速率，需要对指标进行归一化处理。定性指标可以通过专家打分的方式进行归一处理，定量指标则需要经过一定的公式计算进行归一化处理。
8.3BP神经网络算法BP神经网络是当前最常用的一种神经网络模型。它采用的是梯度下降的算法，可以对误差进行反向计算，从而对网络的阈值进行不断的调整，减少计算的误差。BP神经网络具有强大的非线性逼近能力，计算方法较为简单，但是也有一定的缺陷，例如容易陷入局部极值，从而防止了有效的收敛，此外，BP神经网络还有全局能力不强的缺点，由于BP神经网络采用的是反向传播的下降算法，所以收敛速度极慢。
9神经网络系统在计算机网络安全中的应用
计算机网络具有传递数据、分享信息的功能，当前已经在众多领域进行了应用，包括商务、贸易、信息管理等。而网络黑客则利用了计算机网络的安全漏洞，对系统进行攻击和入侵，并窃取了客户重要的个人信息和商业信息，给用户造成了极大的经济损失，并对整个社会造成恶劣影响。神经网络系统在计算机信息传递的过程中起到了过滤非法信息的作用。在网络世界中，信息的传递是双向的，而在神经网络的模式下，信息的输入和输出都要经过神经网络的过滤作用。神经网络的三个组成部分，输入层、输出层、隐含层都对信息有过滤的作用，经过三层的过滤作用，信息的安全性有了更好的保障。在这三层中，隐含层起到了关键性的作用。输入的信息都要先经过隐含层，在经过隐含层的处理后，再通过输出层传出。在信息传输的过程中，若发现信息存在异常，可以输送回上一层进行信息的重新核对，信息重新进行上述的处理过程，直到确认信息无误后才会输出。神经网络系统的应用极大地提高了网络的安全性，从而为人们提供了一个良好的网络环境。尽管神经网络系统有上述的这些优点，但也存在一定的缺陷。虽然神经网络的灵活性和适应性较强，但对缺失信息的反应不如传统算法灵敏。在神经网络中，一个节点只能反映一个网络问题，一旦一个节点发生问题后，整个神经网络都会作出相应的反应。神经网络具有较好的延展性，可以容纳多种类型的样本数据。神经网络还具有较好的学习适应能力，可以归纳总结运行过程中的运算规律，自动调节信息输入输出的形式，从而减少数据的误差。神经网络还能在有线网络中进行应用，因此可以进行大范围的推广。大量的节点共同组成了神经网络，相邻的节点之间都是相互连接的，从而确保了信息传递的效率。神经系统能够自动的调节节点之间的关联，具有一定的智能化操作功能，还可以对问题进行简单的分析。神经系统的结构较为复杂，在处理信息的过程中可以产生多种不同的组合类型，并从这些组合中优选出最佳的组合方式。但这种结构也会导致在信息处理的过程中一些细小的问题容易被忽视，在一定程度上影响信息处理的精度。一些复杂的数据采用神经网络的处理方法速率会十分的缓慢。在输入信息不断增加的过程中，计算机内部的存储压力会显著上升，进一步影响信息的处理速度。神经网络与人工智能的功能还是存在一定的差距的，在性能和结构上还有进一步完善的空间。
10结束语
神经网络是将生物学与数学进行结合的典范，将两个学科的优势充分的利用起来。神经网络在计算机网络安全评价中能够起到良好的效果，可以在未来进行进一步的推广应用。
参考文献：
[1]李忠武,陈丽清.计算机网络安全评价中神经网络的应用研究[J].现代电子技术,2014(9):11-13.
[2]郑刚.计算机网络安全评价中神经网络的应用研究[J].网络安全技术与应用,2014(7):33-36.
[3]耿仲华.计算机网络安全评价中对于神经网络的应用探究[J].网络安全技术与应用,2014(2):86-88.
作者：李京 单位：辽宁师范大学海华学院
