基于因子分析和神经网络信息风险评估系统设计
2020-07-23李晓婷包景岭孙建广汪冀
李晓婷 包景岭 孙建广 汪冀
摘 要： 针对传统信息风险评估系统设计评估准确度较低的问题，设计基于因子分析和神经网络的信息风险评估系统。该系统设计在原有硬件构成的基础上，将微处理器与控制器相连接，形成管控中心，利用寄存器组、直接存储器、定时器等构成控制器群组，构成新的评估系统组织结构。基于因子分析设置信号连续采集和定时采集程序，确定神经网络中信号所处位置节点，计算评估差异参数，对信息进行风险评估等价划分，至此该系统设计完成。实验结果表明，在微型处理器的管控下，设计的信息风险评估系统评估准确度比传统设计高出6.44%，符合實际需求。
关键词： 信息风险评估系统; 因子分析; 神经网络; 系统设计; 信息采集; 仿真实验
中图分类号： TN915?34; TP309 文献标识码： A 文章编号： 1004?373X（2020）04?0123?04
Design of information risk assessment system based on factor analysis and neural network
LI Xiaoting1， BAO Jingling2， SUN Jianguang3， WANG Ji4
（1.Hebei University of Technology， Tianjin 300130， China; 2. Tianjin Environmental Protection Agency， Tianjin 300130， China;
3. School of Mechanical Engineering， Hebei University of Technology， Tianjin 300130， China;
4. Eighteenth Institute of China Electronics Technology Group Company， Tianjin 300130， China）
Abstract： As the low evaluation accuracy of the traditional information risk assessment system， an information risk assessment system based on factor analysis and neural network is designed. On the basis of the original hardware composition， the microprocessor and the controller are connected in the system design to form the control center， and the register group， the direct memory， the timer and so on are applied to compose the controller group， and the organization structure of the new evaluation system is established. The programs of the signal consecutive acquisition and timed acquisition are set up based on the factor analysis， so as to determine the signal location node in the neural network， calculate and evaluate the difference parameters， and conduct the equivalent division of risk assessment for the information. Thus， the system design is completed. The experimental results show that， under the control of microprocessor， the evaluation accuracy of the designed information risk assessment system is 6.44% higher than that of the traditional design， which is in line with the actual requirements.
Keywords： information risk assessment system; factor analysis; neural network; system design; information collection; simulation experiment
0 引 言
随着社会的进步，网络被广泛应用，使网络信息交换增加，给网络信息安全带来一定风险[1]。因子分析是将变量群中的因子进行共性分类，将一定规律的因子进行统计。因子分析可以在大量的变量数据中找出具有代表性的隐藏因子，并将同类、同属性或者同本质的变量归集成一个因子，通过减少因子数量，快速进行数据分析[2]。神经网络是将行为进行特征提取，从而进行分布式并行信息处理的计算模型。该网络依赖于复杂的系统，通过调节大范围内节点之间连接关系，实现信息处理。因此，针对传统风险评估系统设计结构单一、评估准确率不高等问题，设计基于因子分析和神经网络的信息风险评估系统。利用该系统对网络中的信息风险程度进行精确评估，根据评估结果设计规避风险的运行程序，保证国家网络信息在信息源头、信息传输途中以及接收信息端的安全，为国家的发展提供强有力的技术支持。
1 系统硬件设计
本文设计基于因子分析和神经网络[3]的信息风险评估系统，其系统硬件设计构成如图1所示。
针对因子分析和神经网络的多样性，设计信息风险评估系统中的微处理器。该处理器型号[4]为S3C2416XH?40，内核为ARM926EJ，主频高达400 MHz。ARM926EJ内核采用5级流水线，由ARM7TDMI、储存单元、高速缓存单元组成[5]。其中，储存单元可以对虚拟内存进行管理;缓存单元由16 KB指令和16 KB数据缓存构成，且具有8字行长度。ARM926EJ中含有2个内部处理器，分别为C14，C15。2个内部处理器的作用分别是进行调试控制、系统储存控制和测试控制。S3C2416XH?40处理器的内部结构如图2所示。
该微型处理器内部选用新型总线体系结构，这一结构中包含外围总线以及系统总线，利用桥接器将其与控制器相连接。S3C2416XH?40处理器的集成功能十分强大，主要包括：1.8 V内核供电，3.3 V储存模块供电;LCD支持触摸屏显示主板;4通道的直接存储存取器，3通道的异步收发传输器，2通道的外围接口，1通道的多主机总线，1通道的总线控制器;2通道的主机接口，1通道的设备接口，同时还包含4通道的定时器以及1个看门狗定时器。该处理器含有117个输入与输出端口，24个中断源，支持空闲、慢速、匀速和掉电4种工作模式，最大转换速率为550 KSPS，支持片上采集保持[6]。
S3C2416XH?40处理器利用LCD控制器控制显示信号。该控制器由寄存器组、LCDCDMA直接存取器、VIDPRCS、定时器以及LPC3532构成。
2 系统软件设计
因子分析是对组成成分进行发展及推广，将关系繁杂的变量整合，提取出其中具有代表性几个因子，找出变量与因子之间的相互关系，同时对变量分类，找寻变量之间的相关性[7]。
设置一个信息采集程序，对连续信号进行采样，利用微处理器读取离散化信号，并将其进行处理。为了避免误差过大，在进行信号采集时，按照信号的波动频率[8]进行范围定位，该频率计算公式为：
[η=-T2T2f2tatdt] （1）
式中：[T]为反应时间;[a]为离散系数;[t]为离散时间;[f2t]为网络瞬时信号采集速率函数。此公式对样本采集频率进行设置。根据采样定理可知，由于实际网络信号中带有高频噪声，因此设置的样本采集频率要超出信号自身最大频率的2倍。
连续性采集方法，该方法在满足上述条件的基础上，通过微处理器用最大样本采集频率，对信号进行连续采样以及A/D转换，当样本点数达到预设值时采样结束。在主控程序中，对S3C2416XH?40进行重置，同时对总线时钟和数据总线宽度也进行设置，初始化各个端口和串口，采取中断触发作为上升沿触发方式并设置中断向量，打开Eint1中断等。在处理器中对转换后的结果加1个采样点数，判断此时的点数是否达到了预设的定值。当没有达到时，返回等待再次中断，直至采样点数达到预设目标[9]。
在连续采集的基础上，信息风险评估系统还要对网络信息进行处理，根据实际信号的频率范围，计算可变采样频率进行定时信息数据采集。主控程序的初始化设置与连续采集大致相似，设置一个时间段作为采样周期，启动定时器等待转换后的数据信息。当设定的采样周期结束后，进入中断程序，同样将转换结果点数加1，然后退出中断程序，直至采样点数达到预设定值。该信息采集流程如图3所示。
信息数据采集完成后，基于神经网络设置信息风险评估系统结构，先进行网络层数确定。由于当前的神经网络为了提高处理非线性问题的能力，包含多个隐藏的网络层，致使其结构复杂，网络层数庞大，因此明确神经网络的层数至关重要。同时利用 “试凑法”明确神经网络中隐藏层的节点数量，神经元个数，以此确定评估范围[10]。
在此基础上，设计信息风险评估系统。该系统主要利用云模型进行风险评价，根据式（1）的计算结果，该模型的计算表达式：
[T=η?Ex1En1W1+Ex2En2W2+…+ExnEnnWnEn1W1+En2W2+…+EnnWn] （2）
式中：[Ex]表示计算云核心，为模糊概念下的样本数据中心值;[En]表示定性概念的不确定表达，该值增大时，表示所能接收的能力就越强，随机性能也随之提高;[W]表示一个信息因素的影响权重;[n]为信息数量。据此设置信息风险评估算法。构建指标集合为[M1，M2，…，Mn]，并设置评价集合为[Vn]，该集合表示网络信息风险等级。对信号进行低、中、高评估数据描述，当数据满足其中一个等级时，判定其风险严重程度。
利用Visual Studio 作为该系统的使用环境，该程序语言的核心代码如下：
#include "math.h"
main（）
{
int m，i，k，h=0，leap=1
print（"＼n"）
for（m=低;m=中;m=高;m++）
{k=sqrt（m+1）
if（m++=0）
{leap=0;back}
if（leap） {print（h）;h++}
}
print（"＼n the total"，h）
}
利用C++设置好程序代码后，将每一采樣周期中的数据执行信号风险评估口令，得到风险参数数据，通过提取风险参数特征，将信息风险进行评估，划分其风险等级。具体步骤如下：
将风险参数进行因子分析，设置成统一特征的参数组并进行统计，计算每一组之间的参数差异，差异相似或差异较小的为同一组别。假设有[A]个参数组，一共存在[An]个参数差异，根据式（2）得到每一参数差异的计算公式为：
