基于SOM-BP云神经网络的计算机网络对抗效能评估

2021-06-16张振坤

舰船电子对抗 2021年2期

张振坤

(湖北青年职业学院，湖北武汉 430079)

0 引言

近年来，随着信息化武器不断装备我军，计算机网络对抗在信息化战争中的作用越来越大，对其的评估就显的尤为重要。目前，国内学者针对计算机网络对抗的效能和评估方法作了一些研究，提出了一些评估指标体系和评估方法，但这些方法依赖专家的经验，随意性、不确定性大。本文针对计算机网络对抗效能评估，建立了评估指标体系，提出了SOM-BP云神经网络的评估方法。该方法充分结合云模型的随机性和模糊性，利用了神经网络优点，使评估结果更精确、更可信，具有很强的实用性。

1 计算机网络对抗效能评估指标体系

计算机网络对抗[1]设计内容复杂，因素众多，关联性强，对其进行效能评估不能脱离其技术性的依赖，在评估方法上还是要以技术性能指标为基础，遵循客观性、最简性、可测性、独立性、完备性和一致性原则。根据计算机网络对抗的功能、结构特点，依照计算机网络对抗效能评估的指标选取原则，来确定计算机网络对抗效能指标体系，如图1所示。

图1 计算机网络对抗效能指标体系

2 SOM-BP云神经网络工作原理

2.1 BP云神经网络

李德毅教授在1995年提出的云理论[2]是定性定量不确定性转换模型，实现定量数值与定性概念之间的不确定性转换，其精髓为模糊性和随机性的完美结合。人工神经网络[3](ANN)是描述人类大脑系统一阶特性的，作为一个数学模型，可以用计算机程序来模拟，也可以用电子线路来实现，是研究人工智能的一种方法。对于解决网络对抗效能评估这一类复杂的非线性问题，BP云神经网络有其独特的优势。BP云神经网络结合了云模型与神经网络的优点，又具有模糊性和随机性，以及神经网络的超强学习能力。BP云神经网络模型有m个输入，n个输出，分别由输入层、云化层、隐含层、逆云化层和输出层共5层组成。BP云神经网络模型如图2所示。

图2 BP云神经网络结构图

BP云神经网络吸收了传统BP神经网络的学习和记忆能力及权值和阀值的概念，并将云理论的模糊性与随机性融入其中，同时此网络结构具有很强的实用性，也能够满足复杂系统多输入多输出的要求。

2.2 SOM-BP云神经网络

BP云神经网络结构如图2所示。由于训练样本对于神经网络训练具有重要的作用，训练样本中是否具有代表性在很大程度上对网络的性能有着重要影响。而在收集训练样本的过程中，会受到客观因素和人为因素的影响，导致产生了一些噪声样本。如何从大量样本中去除冗余信息，以少量的样本获得更高训练效果，增强网络的泛化能力,这是训练神经网络很重要的一步。SOM神经网络能很好地聚类输入样本，选出具备代表性的样本，增强样本可靠性。

因此，我们建立了SOM-BP云神经网络，从神经网络训练开始到得出仿真结果。先用SOM神经网络对训练样本进行处理，利用处理后的样本对BP云神经网络进行训练，这样做不仅提高了训练样本的可靠性，而且提高了BP云神经网络的性能。

SOM-BP云神经网络算法步骤[4]:

(1) 根据具体使用领域要求和原始训练数据的特点，首先要设计出合适的SOM子网结构和输入模式；

(2) 充分利用SOM算法将输入样本聚集成k类(记为X1，X2，…，Xk，k位对应初步分类的类别数目，可取为SOM子网输出层神经元数目)；

(3) 根据SOM子网的聚类结果确定指导BP云神经网络子网分类的目标向量，用来生成BP云神经网络的输入样本和输出样本集；

(4) 按BP云神经网络算法训练各个BP云神经网络子网;

(5) 训练过的神经网络就是用来进行数据精确分类的组合分类模型。将待分类数据集输入模型后，SOM神经网络将聚集到与其相似度最大的训练数据所在结点位置，由该结点激活相应的BP云神经网络子网，BP云神经网络子网以待分类数据集为输入向量，输出精确的结果。

SOM-BP云神经网络算法流程图如图3所示。

图3 SOM-BP云神经网络算法流程图

3 基于SOM-BP云神经网络的效能评估

3.1 训练样本的选取及归一化处理

以计算机网络对抗训练中获取的数据为SOM-BP神经网络输入值，以优、良、中、差和很差为SOM-BP神经网络的输出。

计算机网络对抗效能指标的原始值需经过归一化后才能用来训练SOM-BP神经网络，采用线性变换的方法对原始样本进行归一化处理:

当指标值越大，网络对抗效能越好时(如网络窃听能力)，处理公式为：

x′=(x-Imin)/(Imax-Imin)

(1)

当指标值越小，网络对抗效能越好时(如电磁干扰程度)，处理公式为:

x′=(Imax-x)/(Imax-Imin)

(2)

式中：x表示的是原始样本值；Imax(或Imin)分别是计算机网络对抗对应分指标(Xi，i=1,2,…,m)最大值或最小值；x′为归一化后的样本值。

3.2 评估及结果分析

根据输入模式，组合模型中的SOM神经网络输入层的神经元数目取为5。由于SOM神经网络只是进行初步分类任务，不需要达到较高的网络映射精度，因此输出层神经元数目和训练最大步长就可设置为较小的值。参照网络评估的等级数，采用1×5的输出阵列，调用Matlab神经网络工具箱中的newsom()函数，根据训练样本建立SOM神经网络，将训练最小步长设定为1 000。

根据SOM神经网络的输出结果，建立5个BP云神经网络子网(规定每个BP云神经网络子网都含1个隐藏层，输入神经元数目都取5，输出神经元数目都取5，隐含层的神经元数目都取为17。取tansig和purelin分别作为隐藏层和输出层的传递函数，调用Matlab神经网络工具箱中的newff()函数建立BP云神经网络子网。5个BP云神经网络子网将会自动以初步分类结果中各类所包含的样本数据作为输入，以其网络评估等级对应的期望向量作为训练的输出。

将归一化后的样本用于SOM-BP神经网络的训练，经过反复学习，指导精度满足要求为止。对SOM-BP神经网络评估能力进行验证，通过检验样本来检验模型，得出的结果与专家定性评价结果进行比较，得到结果如表1所示。从表1的数据对比来看，SOM-BP神经网络输出数据与专家的定性判断对计算机网络对抗效能评估的结果完全一致，表明利用SOM-BP神经网络对计算机网络对抗效能评估具有可行性，而且应用SOM-BP神经网络进行预测比以前传统的评估方法要更可信、更精确。