CN109033288A - 一种基于bp神经网络的智能终端安全等级分类方法 - Google Patents

Abstract

本发明公开了一种基于BP神经网络的智能终端安全等级分类方法，包括以下步骤：S1.对任一智能终端的N个测试单项进行测试，得到该智能终端的测试结果向量；S2.对测试结果向量进行预处理，得到测试总分；给定门限值，将智能终端划分为S个安全等级，根据测试总分确定终端所属的安全等级；S4.对于不同的智能终端，重复步骤S1~S3进行处理；S5生成样本集；S6.构建S‑1层BP神经网络，利用生成的样本集对BP神经网络进行训练；S7.当新的智能终端接入时，利用成熟的BP神经网络对其测试结果进行处理，得到安全等级。本发明根据智能终端各单项安全性能的测试得到测试结果，并采用BP神经网络算法进行智能终端的安全等级划分，有利于实现在不同安全级别需求下的安全使用。

Description

一种基于BP神经网络的智能终端安全等级分类方法

技术领域

本发明涉及智能终端安全分级，特别是涉及一种基于BP神经网络的智能终端安全等级分类方法。

背景技术

随着物联网的快速发展和4G/5G无线网络的普及，万物互联的时代已经到来，智能终端是万物互联的节点，得到广泛的应用，然而，智能终端越来越多的涉及商业秘密和个人隐私等敏感信息。智能终端也面临各种安全威胁，如恶意订购、自动拨打声讯台、自动联网等，造成用户的话费损失；木马软件可以控制用户的移动终端，盗取账户、监听通话、发送本地信息等。在这种背景下，对于智能终端的安全测评显得尤为重要。移动智能终端安全测评是非常必要的，在移动智能终端安全测评中，根据各测试单项的测试结果科学计算，进行终端安全等级的划分，是涉及不同用户对移动智能终端安全需求不同的重要依据，实现不同安全级别需求的安全使用，移动智能终端安全测评成为最有效方式之一。

万物联网应用需求的发展催生了边缘式大数据处理模式，即边缘计算模型，其能在网络边缘设备上增加执行任务计算和数据分析的处理能力，将原有的云计算模型的部分或全部计算任务迁移到网络边缘设备上，降低云计算中心的计算负载，减缓网络带宽的压力，提高万物互联时代数据的处理效率。边缘计算利用靠近数据源的边缘地带来完成的运算程序。

BP(back propagation)神经网络是1986年由Rumelhart和McClelland为首的科学家提出的概念，是目前应用最广泛的神经网络。它的基本思想是梯度下降法，利用梯度搜索技术，以期使网络的实际输出值和期望输出值的误差均方差为最小。

基于边缘计算能力的支撑，在BP神经网络下实现智能终端准确的安全分级，对于实现用户在不同安全级别需求的安全使用具有重大意义。

发明内容

本发明的目的在于克服现有技术的不足，提供一种基于BP神经网络的智能终端安全等级分类方法，根据智能终端各单项安全性能的测试得到测试结果，并采用BP神经网络算法进行智能终端的安全等级划分，提高了安全等级划分的准确性，有利于实现在不同安全级别需求下的安全使用。

本发明的目的是通过以下技术方案来实现的：一种基于BP神经网络的智能终端安全等级分类方法，包括以下步骤：

S1.对任一智能终端的N个测试单项进行测试，得到该智能终端的测试结果向量M＝[m₁,m₂,L,m_N]^T；其中，m_j表示智能终端第j个测试单项的测试结果，j＝1,2,...,N；

S2.对智能终端的测试结果向量M进行预处理，得到智能终端的测试总分X；

S3.给定S-1个为正数的门限值，将智能终端划分为S个安全等级，根据智能终端的测试总分X确定终端所属的安全等级x；

S4.对于不同的智能终端，重复步骤S1～S3进行处理，得到每一个智能终端对应的测试结果向量X₁,X₂,L,X_K，以及每一个智能终端的安全等级x₁,x₂,L,x_K；其中X_i表示第i个智能终端的测试总分，x_i表示第i个智能终端的安全等级，i＝1,2,...,K；

S5.根据每台智能终端的测试总分和安全等级生成样本集。

S6.构建S-1层BP神经网络，利用生成的样本集对BP神经网络进行训练，得到成熟的BP神经网络；

S7.当新的智能终端接入时，利用成熟的BP神经网络对其测试结果进行处理，得到该智能终端的安全等级。

其中，所述的测试单项包括但不限于短信功能、通话功能、第三方软件、内核漏洞、审计功能、存储和删除文件警告。

具体地，所述步骤S2包括：

S201.给定各个测试单项的权重分布向量W＝[w₁,w₂,L,w_N]，w_j表示第j个测试单项的权重，w_j＝1/N，j＝1,2,...,N；

S202.将测试结果向量M＝[m₁,m₂,L,m_N]^T与权重分布向量W相乘，得到智能终端的测试总分X：

X＝M*W。

具体地，所述步骤S3包括：

S301.给定S-1个门限值η₁,η₂,Λ,η_S-1，将智能终端划分为S个安全等级，η₁,η₂,Λ,η_S-1均为正数；

S302.根据智能终端的测试总分X确定终端所属的安全等级x：

当满足0＜X＜η₁时，则定义终端安全等级x＝1；

当满足η₁＜X＜η₂时，则定义终端安全等级x＝2；

依此类推，当满足η_S-2＜X＜η_S-1时，则定义终端安全等级x＝S-1；

当满足X＞η_S-1时，则定义安全等级x＝S，安全等级越高表示终端越安全。

具体地，所述步骤S5包括：

S501.根据每台终端的测试总分和安全等级构建样本集T：

T＝{(X₁,x₁),(X₂,x₂),L,(X_K,x_K)}

S502.初始化参数m＝1；

S503.将训练集T分成两类，其中x_i＝m的为一类，x_i＝m+1～S级为另一类，即得到训练集：T^(m)＝{(X₁,x₁ ^(m)),(X₂,x₂ ^(m)),L,(X_K,x_K ^(m))}；其中：

其中，所述步骤S7包括：

S701.对新接入智能终端的N个测试单项进行测试，得到测试结果向量M′：

M′＝[m₁′,m₂′,L,m′_N]^T；

其中，m_j′表示新接入智能终端第j个测试单项的测试结果，j＝1,2,...,N；

S702.将测试结果向量M′与权重分布向量W相乘，得到新接入智能终端的测试总分X′：

X′＝M′*W；

S703.将测试总分X′送入成熟的BP神经网络，得到新接入智能终端的安全等级。

优选地，所述的安全等级的个数为4，需设定3个门限值η₁,η₂,η₃，并构建3层BP神经网络利用训练集中的数据进行训练。

本发明的有益效果是：(1)本发明根据移动智能终端各单项安全性能的测试，采用BP神经网络算法实现对智能终端安全等级的客观准确划分，实现不同用户对智能终端不同安全需求的使用要求；(2)本发明利用BP神经网络构建分类模型，特别适合于求解内部机制复杂的问题，能够获得较为准确的安全等级分类结果；(3)本发明对不同的智能终端设备进行安全测试，并以每台终端测试总得分为反馈，以实现分类器的训练和安全等级的划分，提高了安全等级划分结果的可信度；(4)本发明基于BP神经网络安全等级分类模式，泛化能力、自学习和自适应能力强，适用于多种不同的智能终端设备。

附图说明

图1为本发明的方法流程图；

图2为实施例中BP神经网络实现安全等级分类的流程图。

具体实施方式

下面结合附图进一步详细描述本发明的技术方案，但本发明的保护范围不局限于以下所述。

如图1所示，一种基于BP神经网络的智能终端安全等级分类方法，包括以下步骤：

S1.对任一智能终端的N个测试单项进行测试，得到该智能终端的测试结果向量M＝[m₁,m₂,L,m_N]^T；其中，m_j表示智能终端第j个测试单项的测试结果，j＝1,2,...,N；

S2.对智能终端的测试结果向量M进行预处理，得到智能终端的测试总分X；

S3.给定S-1个为正数的门限值，将智能终端划分为S个安全等级，根据智能终端的测试总分X确定终端所属的安全等级x；

S4.对于不同的智能终端，重复步骤S1～S3进行处理，得到每一个智能终端对应的测试结果向量X₁,X₂,L,X_K，以及每一个智能终端的安全等级x₁,x₂,L,x_K；其中X_i表示第i个智能终端的测试总分，x_i表示第i个智能终端的安全等级，i＝1,2,...,K；

S5.根据每台智能终端的测试总分和安全等级生成样本集。

S6.构建S-1层BP神经网络，利用生成的样本集对BP神经网络进行训练，得到成熟的BP神经网络；

S7.当新的智能终端接入时，利用成熟的BP神经网络对其测试结果进行处理，得到该智能终端的安全等级。

其中，所述的测试单项包括但不限于短信功能、通话功能、第三方软件、内核漏洞、审计功能、存储和删除文件警告。

具体地，所述步骤S2包括：

S201.给定各个测试单项的权重分布向量W＝[w₁,w₂,L,w_N]，w_j表示第j个测试单项的权重，w_j＝1/N，j＝1,2,...,N；

S202.将测试结果向量M＝[m₁,m₂,L,m_N]^T与权重分布向量W相乘，得到智能终端的测试总分X：

X＝M*W。

具体地，所述步骤S3包括：

S301.给定3个门限值η₁,η₂,η₃，将智能终端划分为4个安全等级，三个门限值均为正数；

S302.根据智能终端的测试总分X确定终端所属的安全等级x：

当满足0＜X＜η₁时，则定义终端安全等级x＝1；

当满足η₁＜X＜η₂时，则定义终端安全等级x＝2；

当满足η₂＜X＜η₃时，则定义终端安全等级x＝3；

当满足X＞η₃时，则定义安全等级x＝4。

设三个门限值分别为η₁＝0.25,η₂＝0.5,η₃＝0.75，根据这三个门限和总得分可将智能终端分成四个安全等级，如下表所示：

其中1，2，3，4分表示一级，二级，三级，四级。级别越高表示安全性能越强。

具体地，所述步骤S5包括：

S501.根据每台终端的测试总分和安全等级构建样本集T：

T＝{(X₁,x₁),(X₂,x₂),L,(X_K,x_K)}

X_i表示第i个智能终端的测试总分，x_i表示第i个智能终端的安全等级；

S502.初始化参数m＝1；

S503.将训练集T分成两类，其中x_i＝1的为一类，x_i＝2～4级为另一类，即得到训练集：T^(m)＝{(X₁,x₁ ^(m)),(X₂,x₂ ^(m)),L,(X_K,x_K ^(m))}；其中：

在本实施例中以4级安全分类为例，故要采用分层的模式来分类；所述步骤S6中，采用三层BP神经网络模型，具体包括：

S601.BP神经网络的过程主要分为两个阶段，第一阶段是信号的前向传播，从输入层经过隐含层，最后到达输出层；第二阶段是误差的反向传播，从输出层到隐含层，最后到输入层，依次调节隐含层到输出层的权重和偏置，输入层到隐含层的权重和偏置；

S602.网络初始化，假设输入层的节点个数为n，隐含层的节点个数为l，输出层的节点个数为m。输入层到隐含层的权重w_ij，隐含层到输出层的权重为ω_jk，输入层到隐含层的偏置为a_j，隐含层到输出层的偏置为b_k。学习速率为η，激励函数为g(x)。其中激励函数为g(x)取Sigmoid函数形式为：

S603.隐含层的输出H_j为

S604.输出层的输出O_K为

S605.误差的计算，取误差公式为：

其中Y_k为期望输出。我们记Y_k-O_k＝e_k，则E可以表示为：

以上公式中，i＝1Λn，j＝1Λl，k＝1Λm。

S606.权值更新公式：

ω＝ω+η^H _je_k

S607.偏置的更新公式：

b_k＝b_k+ηe_k

隐含层到输出层的偏置更新：

则偏置更新公式为：

b_k＝b_k+ηe_k

输入层到隐含层的偏置更新：

则偏置更新公式为：

S608.对于每个样本，我们判断其误差如果小于我们设定的阈值或者已经达到迭代次数。我们就结束训练，否则继续回到S602继续进行训练。

如图2所示，在本申请的实施例中，将BP神经网络训练好后，利用BP神经网络判断测试结果的过程如下：

A.将测试结果输入到训练好的分类器，判定其所属安全等级。

输出层函数

输出层选择的激励函数也为Sigmoid函数。形式为：

输出层的最终结果：

将安全级别为一级的终端分别出来，当σ⁽¹⁾(X_i)＝1时为终端安全级别为1级，当σ⁽¹⁾(X_i)＝0时终端安全级别为2，3，4级。

B.将2，3，4级在分成两类，其中2级为一类，3，4级为一类，得到新的训练集其中K₁为2，3，4级终端的台数。

C.重复步骤A，通过输出函数可将安全级别为2的终端判别出来，当σ⁽²⁾(X_i)＝1时为2级，当σ⁽²⁾(X_i)＝0时安全级别为3，4级。

D.将3，4级在分成两类3级为一类，4级为一类，得到新的训练集其中K₂为3，4级终端的台数。

E.重复步骤A，通过输出函数可将安全级别为3的终端判别出来，当σ⁽³⁾(X_i)＝1时为3级，当σ⁽³⁾(X_i)＝0时安全级别为4级。

因此，通过σ⁽¹⁾(X),σ⁽²⁾(X),σ⁽³⁾(X)三个函数将智能终端的安全级别分成四个等级。

其中，所述步骤S7包括：

S701.对新接入智能终端的N个测试单项进行测试，得到测试结果向量M′：

M′＝[m₁′,m₂′,L,m′_N]^T；

其中，m_j′表示新接入智能终端第j个测试单项的测试结果，j＝1,2,...,N；

S702.将测试结果向量M′与权重分布向量W相乘，得到新接入智能终端的测试总分X′：

X′＝M′*W；

S703.将测试总分X′送入成熟的BP神经网络，得到新接入智能终端的安全等级。

在本申请的实施例中，步骤S6除采用BP神经网络算法构建S-1层神经网络外，还可以采用卷积神经网络算法、前馈神经网络算法和径向基神经网络算法构建相应神经网络，并利用训练集对神经网络训练，得到相应的成熟模型。

在本申请的实施例中，步骤S3除采用门限划分外，还可以通过区间划分，覆盖区域划分实现安全等级的分类。

以上所述是本发明的优选实施方式，应当理解本发明并非局限于本文所披露的形式，不应该看作是对其他实施例的排除，而可用于其他组合、修改和环境，并能够在本文所述构想范围内，通过上述教导或相关领域的技术或知识进行改动。而本领域人员所进行的改动和变化不脱离本发明的精神和范围，则都应在本发明所附权利要求的保护范围内。

Claims (7)

1.一种基于BP神经网络的智能终端安全等级分类方法，其特征在于：包括以下步骤：

S1.对任一智能终端的N个测试单项进行测试，得到该智能终端的测试结果向量M＝[m₁,m₂,L,m_N]^T；其中，m_j表示智能终端第j个测试单项的测试结果，j＝1,2,...,N；

S2.对智能终端的测试结果向量M进行预处理，得到智能终端的测试总分X；

S3.给定S-1个为正数的门限值，将智能终端划分为S个安全等级，根据智能终端的测试总分X确定终端所属的安全等级x；

S4.对于不同的智能终端，重复步骤S1～S3进行处理，得到每一个智能终端对应的测试结果向量X₁,X₂,L,X_K，以及每一个智能终端的安全等级x₁,x₂,L,x_K；其中X_i表示第i个智能终端的测试总分，x_i表示第i个智能终端的安全等级，i＝1,2,...,K；

S5.根据每台智能终端的测试总分和安全等级生成样本集；

S6.构建S-1层BP神经网络，利用生成的样本集对BP神经网络进行训练，得到成熟的BP神经网络；

S7.当新的智能终端接入时，利用成熟的BP神经网络对其测试结果进行处理，得到该智能终端的安全等级。

2.根据权利要求1所述的一种基于BP神经网络的智能终端安全等级分类方法，其特征在于：所述的测试单项包括但不限于短信功能、通话功能、第三方软件、内核漏洞、审计功能、存储和删除文件警告。

3.根据权利要求1所述的一种基于BP神经网络的智能终端安全等级分类方法，其特征在于：所述步骤S2包括：

S201.给定各个测试单项的权重分布向量W＝[w₁,w₂,L,w_N]，w_j表示第j个测试单项的权重，w_j＝1/N，j＝1,2,...,N；

S202.将测试结果向量M＝[m₁,m₂,L,m_N]^T与权重分布向量W相乘，得到智能终端的测试总分X：

X＝M*W。

4.根据权利要求1所述的一种基于BP神经网络的智能终端安全等级分类方法，其特征在于：所述步骤S3包括：

S301.给定S-1个门限值η₁,η₂,Λ,η_S-1，将智能终端划分为S个安全等级，η₁,η₂,Λ,η_S-1均为正数；

S302.根据智能终端的测试总分X确定终端所属的安全等级x：

当满足0＜X＜η₁时，则定义终端安全等级x＝1；

当满足η₁＜X＜η₂时，则定义终端安全等级x＝2；

依此类推，当满足η_S-2＜X＜η_S-1时，则定义终端安全等级x＝S-1；

当满足X＞η_S-1时，则定义安全等级x＝S，安全等级越高表示终端越安全。

5.根据权利要求1所述的一种基于BP神经网络的智能终端安全等级分类方法，其特征在于：所述步骤S5包括：

S501.根据每台终端的测试总分和安全等级构建样本集T：

T＝{(X₁,x₁),(X₂,x₂),L,(X_K,x_K)}

S502.初始化参数m＝1；

S503.将训练集T分成两类，其中x_i＝m的为一类，x_i＝m+1～S级为另一类，即得到训练集：T^(m)＝{(X₁,x₁ ^(m)),(X₂,x₂ ^(m)),L,(X_K,x_K ^(m))}；其中：

6.根据权利要求1所述的一种基于BP神经网络的智能终端安全等级分类方法，其特征在于：所述步骤S7包括：

S701.对新接入智能终端的N个测试单项进行测试，得到测试结果向量M′：

M′＝[m′₁,m′₂,L,m′_N]^T；

其中，m′_j表示新接入智能终端第j个测试单项的测试结果，j＝1,2,...,N；

S702.将测试结果向量M′与权重分布向量W相乘，得到新接入智能终端的测试总分X′：

X′＝M′*W；

S703.将测试总分X′送入成熟的BP神经网络，得到新接入智能终端的安全等级。

7.根据权利要求4所述的一种基于BP神经网络的智能终端安全等级分类方法，其特征在于：所述的安全等级的个数为4，需设定3个门限值η₁,η₂,η₃，并构建3层BP神经网络利用训练集中的数据进行训练。