APP下载

改进BP 神经网法对无线信息安全率的优化分析*

2020-04-25孙楚原

通信技术 2020年4期
关键词:样本数聚类信息安全

孙楚原

(四维创智(北京)科技发展有限公司,北京 100089)

0 引 言

无线信息安全率是信息传输过程中,有效接收的数据包占总发出数据包的比例。无线信息传输过程中,传输数据包由于信道不通或者被黑客盗取,使得数据传输丢失,影响传输的安全性。虽然对信息数据进行各种秘钥加密可以提高信息安全率,但传输数据占用字节较大,增加传输负担。因此,安全率的关键是对其传输信道进行优化,简化操作流程,以提高信息的安全率。虽然标准BP 模型是无线信息安全率的主要方法之一,但其计算过程复杂,存在计算速度慢、安全率低的问题[1]。由于标准BP模型无法快速确定无线信息的聚类中心和数目,而且不同处理层的阀值自由度低,所以无线信息的安全率低且计算过程复杂。基于上述原因,本文对标准BP 神经网络模型进行改进,利用K-Means 聚类实现聚类数目的确定,Leverberg-Marquisardt 调整隐含层之间的阀值和权重,实现对计算过程的简化,以提高无线信息的安全率和速度。

1 确定无线传输的输入指标

本文选择与无线网络框架、信道负载相关的安全特征作为输入无线信息安全率计算的自变量:传输信道A1(单位:N)、传输秘钥数A2(单位:N)、传输量A3(单位:N)以及信息安全的加密比例A4(单位:%)。由于上述4 个自变量的单位不同,需要进行标准化处理。

自变量的电气特征参数的取值范围和单位不同,需要标准化处理:

其中,C 为整个测试区域的样本数;Cij、Aij和Sij分别为标准化处理后的量,仅有数值特征;分别为相应参数的平均值。

2 K-means 算法的聚类

为了确定信息传输的安全率,需要对相关信息进行聚类分析,并确定聚类中心,以此降低数据样本数,并避免最优解处理过程中出现局部最优现象[2]。标准K-means 的计算优势是通过相似度获得不同分类数据之间的欧式距离,并利用欧式距离计算数据的信息安全程度,实现信息安全的定量分析。然而,标准K-means 的前提条件为确定类别数目k 和确定初始聚类中心,否则无法进行后续聚类。为了简化计算过程,本文以轮廓系数Lt作为类别数k 值,性能指标XE作为初始聚类中心,计算公式为:

其中,i 作为任意信息发送点;q(i)为信息发送点与信息接收点之间的距离,其平均距离用表示;p(i)是i 点与非所属分类点之间的最小距离。XE为信息安全传输的安全率:

其中,ωj属于接收信息的权重,总和为1;Lij为信息接收点、信息发送点的聚类样本,而min(Lij)为聚类样本的初始中心,XE为样本i 的发送点最小向量与接收点最小向量之间的欧式距离,主要反映无线传输的信息安全程度。通过对XE结果的顺序排列获得样本分类值k,即对样本进行k 等分,获得初始分类数。

3 改进BP 模型构建

3.1 标准BP 神经网络模型

标准BP 模型分为3 层:1 层为信息发送样本,2 层为权重调节层[3],3 层为信息接收层。信息由发射点传输,经媒介传导后到达信息接收层,再进行信息反馈,以验证信息的安全性。然而,第2 层调节层的权重值和阀值不同,反馈的结果也不同。换句话说,第3 层中各接收单元是否能准确接收信息,与第2 层的权重和阀值调整直密不可分,即不同的加密方法。如果权重调节层的加密方法复杂,传输手段单一,会降低信息的安全性,或者增加信息的计算过程,延长信息的传输时间,造成信号衰减,即多次迭代。

假设信息发送样本为Xm=(x1,…,xm)T,权重调节层的向量Yr=(Y1,…,Yn)T,那么接收层向量为Or=(o1,…,ol)T,安全率向量为Dr=(d1,…,dl)T。其中,信息发送样本层与信息接收层之间的权重(加密方法)为wij(i=1,…,m; j=1,…,n),阀值(传输介质)bij(i=1,…,m; j=1,…,n)。由上述分析可知,标准BP模型的计算公式为:

其中X 为X 与O 之间的安全程度。

其中,e 为信息丢失率。

3.2 LM 优化的BP 神经网络

LM 法通过计算反向安全标准函数e 的极小值[4],获得BP 模型中权重调节层中的权值和阀值,以此提高信息传输的安全性。首先,依据泰勒公式展开e[w(n+1)],计算相应的阀值:

其中,G(n)属于梯度向量;A(n)为Hessian 矩阵。假设Δw(n)=-A(n)-1G(n),则e(w)的值最小。为了提高无线信息安全率的计算速度,需要对Hessian 矩阵进行简化,或者用相似值进行表达,即A=JTJ(其中,J 为雅可比矩阵),则G=JTe,那么式(6)可以简化为:

依据上述方式,可以得到相应的计算阀值:

4 实际案例分析

4.1 样本分类

以A 地区的602 个无线信息传输点为例,分析基于改进BP 模型的信息安全率计算。其中,因变量为无线信息安全率d(单位:%),传输信道A1(单位:N)、传输秘钥数A2(单位:N)、传输量A3(单位:N)以及信息安全的加密比例A4(单位:%)。首先,对602 个无线信息传输点进行分类,并将聚类数由2 递增到7,并计算不同分类下的Lt值,结果如表1 所示。

表1 不同k 值下的轮廓系数Lt

由表1 可知,k=5 时,Lt系数最大,所以选择k=5 作为初始聚类数目,并将LE进行5 等分。然后,按综合等级进行排序,结果显示聚类的取值范围为0.8 ~10.2。依据上述结果进行K-means 分析,结果如表2 所示。

表2 测试样本的聚类中心和综合性能值

由表2 可知,第1 类样本数为156,第2 样本数为304,第3 类样本数为10,第4 类样本数为39,第5 类数为92,总样本数为602。

4.2 改进BP 模型线安全性计算

将改进BP 模型的目标安全标准设置为0.01、0.001 和0.000 1[5],并计算不同目标安全下的安全率,结果如表3 所示。

由表3 可知,不同安全标准下,标准BP 模型的迭代次数高于改进BP 模型的迭代次数,说明改进BP 模型的计算速度更快。另外,在0.01、0.001和0.000 1 的目标安全标准下,改进BP 模型<5%条件下的安全率由23.5%上升到42.1%,>10%条件下的安全率由51.7%下降到2.4%;标准BP 模型的相对安全率<5%条件下的安全率由20.1%上升到94.3%,>10%条件下由52.2%下降到7.6%。结果说明,在不同安全标准下,改进BP 模型的安全率更高,特别是0.000 1 条件下。另外,上述两种算法在0.000 1 时迭代次数均有所增加,但改进BP 模型的整体耗时仅为4 s,而标准BP 模型为66 s,存在差异更加显著。

表3 不同目标安全标准下的两种BP 模型比较

5 结 语

综上所述,改进BP 模型利用信息发送点的样本轮廓系数Lt来确定k 值,并将发送节点与接收节点之间的欧式距离XE进行升序排列,以确定样本数和初始中心。然而,利用LM 计算安全标准函数e 的极小值,并对标准BP 模型的权值和阀值进行调整,获得改进BP 模型。案例结果显示:在0.01、0.001 和0.000 1 的目标安全标准条件下,改进BP模型在迭代的计算速度更快,<5%条件下的安全率由23.5%上升到42.1%,>30%条件下的安全率由51.7%下降到2.4%,优于标准BP 神经网络模型。然而,改进BP 模型在无线信息安全率的优化方面仍然存在不足,存在部分较大异常样本。虽然较大异常样本对整体的影响较小,但出现较大异常样本的原因并未进行详细分析,是下一步研究的重点。

猜你喜欢

样本数聚类信息安全
境外蔗区(缅甸佤邦勐波县)土壤理化状况分析与评价
勘 误 声 明
孟连蔗区土壤大量元素养分状况分析
基于极端学习机的NOx预测模型样本特性研究
基于三级等级保护的CBTC信号系统信息安全方案设计
面向WSN的聚类头选举与维护协议的研究综述
计算机网络信息安全及防护策略
高校信息安全防护
基于高斯混合聚类的阵列干涉SAR三维成像
基于Spark平台的K-means聚类算法改进及并行化实现