CN109635933A - 基于bp神经网络广域信息管理系统可生存性评估模型方法 - Google Patents

Abstract

本发明公开了基于BP神经网络广域信息管理系统可生存性评估模型方法，涉及民航信息系统安全领域。此方法可以帮助民航相关部门作出准确的评估，保障航空运营的安全和质量，为建设安全的空中交通管理信息交互平台打下基础。广域信息管理系统(System Wide Information Management，SWIM)可生存性是民航研究的新方向，构建了SWIM可生存PDRRDR模型，并采用BP神经网络方法建立与之相对应的三层关系，对SWIM的可生存性进行评估验证。提出的SWIM可生存PDRRDR模型和评估方法自适应性好、容错能力强，评估高效、准确，为复杂的SWIM可生存性评估提供了有效的科学手段和工具，保证我国民航安全的持续性，对中国下一代空中交通管理的发展具有重要意义。

Description

基于BP神经网络广域信息管理系统可生存性评估模型方法

技术领域

本发明涉及一种航空网络信息系统安全技术，尤其是针对广域信息管理系统(System Wide Information Management，SWIM)的可生存性进行评估验证，提高了评估的效率和可靠性，使结果更客观，帮助民航相关部门作出准确的评估，从而保证我国民航安全的持续性。

背景技术

SWIM基本理念是通过SWIM最大限度地使空中交通管理的各参与方同时共享各方的最新信息，确保空管部门、航空公司和航空机场等相关民航单位的相关信息能安全、有效和及时地共享和交换，从而进行及时、准确地协同决策，大幅提高决策的预见性和有效性。

可生存性是指在遭受攻击、故障或意外事故时，系统能够及时完成或重新配置其关键任务的能力。目前，网络生存性有多个研究角度，包括异常检测、容错容侵、服务漂移等。其中服务漂移可以通过采用负载分担、服务恢复和重启等机制，在网络遭受攻击或者自身故障等情况下，最大限度地保证服务连续性，因而它备受关注。但其面临的主要问题有：现有的服务漂移策略局限在服务提供端，缺乏对外部网络环境和客户需求变化的考虑，而且长期单一的进程迁移模式容易被攻击者识破，降低了服务漂移的有效性；没有将服务的状态分类处理并进行详细解析，仅仅将虚拟机上进程的执行状态进行获取和恢复；对服务迁移机制的研究没有统一的认识。

网络可生存性研究是国内外网络安全技术发展的一个新方向，在大规模网络和信息系统的应急响应的研究上已经取得了一些成果，但针对SWIM可生存性研究还处于初级阶段，SWIM的结构、服务和安全保障的基础理论匮乏，关键技术研究不够深入，尤其是在SWIM可生存性评估方面，现有研究成果很少，缺乏合理的实施方案和行之有效的方法。

SWIM作为民航领域自建的专用系统，为保障航空运营的安全和质量起到了至关重要的作用，SWIM的可生存性自然成为研究的重点。在研究SWIM体系结构和可生存性功能模块的基础上，构建了一种可生存性PDRRDR模型，并引入了BP神经网络方法，实现了基于BP神经网络广域信息管理系统可生存性评估。

发明内容

本发明所要解决的技术问题是提供基于BP神经网络广域信息管理系统可生存性评估模型方法，使得民航专用网络系统具有较强的生存性及较好的负载均衡特性。

为实现上述目的，本发明提供基于BP神经网络广域信息管理系统可生存性评估模型方法技术方案，其特征在于：构建了可生存性PDRRDR模型，在保留传统系统防护、安全漏洞检测技术基础上，引入应急响应措施应对各种入侵，当系统受到入侵攻击后，启动动态服务漂移机制，并采取相应的措施对被破坏的节点进行功能恢复，在事后进行事件的诊断分析、完善，全方位保障系统的安全，提高系统可生存性能力。

BP神经网络随着功能的提升，其应用范围越来越广泛，它能够对任意的非线性输入输出关系进行模拟，具有逼近任意非线性和连续函数映射的能力，特别适用于复杂大规模系统的分析评估。为了可以更好地把BP神经网络应用到SWIM的可生存性评估中，找出它们之间的对应关系，并设计了基于BP神经网络SWIM可生存性评估模型。

SWIM的三层平台架构与BP神经网络的对应关系为：

(1)公共数据传输层CDT(Common Data Transport)

SWIM底层为公共数据传输层，通过各种数据接口、新数据采集等方式向SWIM数据中心传送数据，主要涉及空管部门、航空公司和航空机场等前端数据和信息获取等。对应BP神经网络的输入层，输入向量为：X＝(x₁，x₂，…，x_j，…x_n)^T。其中，x_j表示SWIM平台中某个前端的数据输出信号。

(2)公共信息管理层CIM(Common Information Management)

中间层为公共信息管理，为SWIM信息共享提供支撑，负责数据的融合、共享和交换处理，实现数据的集中存储、检测、容灾和备份等管理，对应于BP神经网络的隐含层，输出向量为：Y＝(y₁，y₂，…，y_i，…，y_m)^T。其中，y_i表示某类SWIM数据信息。

(3)共享数据应用层SDA(Shared Data Application)

上层为共享数据应用层，完成对各类关键数据与业务的分析和信息交换，为各业务单位或领导层提供决策支持、运行协调、指挥以及信息发布，为终端用户提供有关信息数据服务。对应于BP神经网络的输出层，输出向量：O＝(o₁，o₂，…，o_k，…，o_q)^T。其中，o_k表示某种经过处理后可以使用的SWIM信息。

该BP神经网络评估模型是一个多输入、单输出的系统。用已经训练好的BP神经网络取代传统的评估方法对SWIM可生存性进行评估，得到评估结果。

采用以上技术方案的有益效果是：构建了可生存性PDRRDR模型和可生存性评估指标体系，运用模糊综合分析法创建样本，为系统可生存性评价体系提供了一种简单、实用、高效的量化模型。将BP神经网络应用于SWIM可生存性评估，得到更科学、合理的评价结果，不仅能够满足系统可生存性的评估要求，还提高了评估的效率和可靠性，避免主观成分和人为因素影响，使结果更客观，帮助民航相关部门作出准确的评估，从而保证我国民航安全的持续性。

附图说明

下面结合附图对本发明的具体实施方式作进一步详细的描述。

图1是本发明SWIM可生存性PDRRDR模型图

图2是本发明基于BP神经网络SWIM可生存性评估模型图

图3是本发明SWIM可生存性评价指标体系图

具体实施方式

下面结合附图详细说明本发明基于BP神经网络广域信息管理系统可生存性评估模型方法的优选实施方式。

图1至图3出示本发明的具体实施方式：SWIM可生存性PDRRDR模型、基于BP神经网络SWIM可生存性评估模型和SWIM可生存性评价指标体系。

本发明包括以下步骤：

1、评估模型的误差与权值、阈值调整

当评估模型的输出结果不符合期望值要求时，即存在误差则模型进行误差的反向传播，误差表达式如下所示。

对于每一个样本l的误差函数为E_l：

模型对L个训练样本的总误差函数为E：

因为：

net_i和y_i分别为隐含层第i个节点的输入和输出，net_k和o_k分别为输出层第k个节点的输入和输出。

把公式(6)带入到公式(2)中得：

从公式(7)可知，模型的误差与其权值和阈值有关，所以计算出各层神经元的输出误差后，根据误差梯度下降法来依次修正隐含层的权值和阈值修正量Δv_ij和Δα_i，输出层的权值和阈值修正量Δv_ki和Δβ_k，使修改后获得模型误差信号趋于最小，满足模型要求。修正量表达式如公式(8)所示。

公式(8)中的负号表示梯度下降，常量η∈(0，1)为比例系数，反映了训练中的学习速率。可以看出BP算法属于δ算法，是一种监督式的学习算法，对已知的学习样本采用梯度下降法，使网络的实际输出值与标准输出值的均方值误差最小。

2、评估模型中的BP算法推导

具体推导三层BP神经网络算法隐含层和输出层权值和阈值的计算公式。

(1)隐含层权值Δv_ij和阈值Δα_i计算公式：

(2)输出层权值Δv_ki和阈值Δβ_k计算公式：

因为：

所以公式(9-12)进一步展开得：

3、评估模型的相关参数

(1)隐含层神经元个数的确定

1)公式法：隐含层神经元的个数对神经网络性能的影响较大，数量过多会导致过长的神经网络学习时间，甚至达不到收敛目标；而数量太少时又降低了神经网络的容错能力。由经验公式获得隐层神经元数量如公式(22)所示。

式中，u为隐含层神经元个数，m为输入层节点数；n为输出节点数，δ为1-10之间的常数。神经网络中的所有神经元之间的相互连接权值的初始值均取自0-1之间的随机数。

2)试验法：采用大量的系统实际运行数据，经过反复实验，确定性能最佳时神经元的个数。

(2)传递函数

BP算法要求BP网络的每个神经元的激活函数必须是处处可微的。BP神经网络神经元的传递函数通常用Sigmoid型函数和纯线性函数。Sigmoid型函数具有非线性放大系数功能，它可以把输入信号从负无穷大到正无穷大，变成从-1到1之间的输出。对较大的输入信号，放大系数较小；而对较小的信号，放大系数较大。所以采用Sigmoid激活函数可以处理和逼近非线性的输入/输出关系。

(3)评估模型各层阈值和权值

评估模型中阈值和权值的调整应该包括以下两个部分：

1)设定评估模型的初始阈值和权值

根据现有条件，总结经验把隐含层和输出层神经元的初始阈值和权值赋予经验值。

2)阈值和权值的修正

当神经网络的输出与期望输出不等时，存在输出误差，通过上面的公式(18-21)来调整评估模型中输出层和隐含层神经元的合理权值和阈值，使输出误差在可接受范围之内。

(4)评价指标

系统可生存性评估的关键之一是选取和建立可量化且可操作的评价指标，这将直接影响评估结果的全面性、合理性和有效性。目前，对信息、网络系统可生存性评价指标的研究在国内尚处于起步阶段，相关文献较少。而在国外则缺乏统一规范，存在对指标的描述过于简单、不全面等问题。本文采用应用较为广泛的德尔菲法(Delphi)，针对前面设计的SWIM可生存性PDRRDR模型，把防护、检测、应急响应、恢复、诊断和完善这6个方面中的15个因素作为评价指标，该评价指标体系包含一级指标6个，二级指标15个。

4、评估模型的算法流程

基于BP神经网络SWIM可生存性评估模型方法的算法流程如下：

步骤1，生成样本数据(训练样本和测试样本)：采用模糊综合评价等方法产生有15项输入指标，一个输出值的训练和测试样本。

步骤2，神经网络初始化：构建BP神经网络，对神经网络隐含层的节点数、初始权值、阈值、学习精度、误差精度要求及最大训练次数等参数进行设置。

步骤3，模型训练：将步骤1中生成好的训练样本输入评估模型中进行训练。

步骤4，计算输出误差：依据评估模型精度的要求对各层的误差信号进行计算。

步骤5，调整各层的权值：根据评估模型各层权值的计算方法来调整各层神经元的权值。

步骤6，训练完成判断：如果判断对所有样本完成了一次训练则进入下一步，否则跳至步骤3。

步骤7，判断是否达到最大训练次数(学习精度)，若达到了跳至步骤9，否则进入下一步。

步骤8，训练终止：输出总误差是否达到精度要求，若达到精度要求则可停止训练进入下一步，否则跳至步骤3。

步骤9，用训练好的神经网络评估模型对待评估SWIM可生存性进行评估。

模型训练结束后，并不立刻进行应用，还需用一定数量的典型实例样本对训练过程进行检验。若模型实际输出值与标准值之间相差较大，则认为模型评估能力不强，需要调整模型参数，重新进行训练，直到输出总误差和学习精度均达到精度要求为止。

以上的仅是本发明的优选实施方式，应当指出，对于本领域的普通技术人员来说，在不脱离本发明创造构思的前提下，还可以做出若干变形和改进，这些都属于本发明的保护范围。

Claims (2)

1.基于BP神经网络广域信息管理系统可生存性评估模型方法，其特征在于：是通过以下步骤来实现的：

(1)提出了广域信息管理系统(System Wide Information Management，SWIM)可生存性PDRRDR模型体系结构；

(2)设计了基于BP神经网络SWIM可生成性评估模型方法。

2.根据权利要求1所述的一种基于BP神经网络SWIM可生存性评估模型方法，特征在于：

(1)在结合广域信息管理系统的实际应用需求和特点上，设计的SWIM可生存PDRRDR模型主要涉及防护(Protection)、检测(Detection)、响应(Response)、恢复(Recovery)、诊断(Diagnose)和改进(Refine)等单元及其相应关键技术；在保留传统系统防护、安全漏洞检测技术基础上，引入应急响应措施应对各种入侵，当系统受到入侵攻击后，启动动态服务漂移机制，并采取相应的措施对被破坏的节点进行功能恢复，在事后进行事件的诊断分析、完善，全方位保障系统的安全，提高系统的可生存性能力；

(2)BP(Back Propagation)神经网络是一种按误差逆传播算法训练的多层前馈网络，特别适用于复杂大规模系统的分析评估，为了可以更好地把BP神经网络应用到SWIM的可生存性评估中，找出它们之间的对应关系，设计了基于BP神经网络SWIM可生存性评估模型，SWIM的三层平台架构与BP神经网络的对应关系为：

1)公共数据传输层CDT(Common Data Transport)

SWIM底层为公共数据传输层，通过各种数据接口、新数据采集等方式向SWIM数据中心传送数据，主要涉及空管部门、航空公司和航空机场等前端数据和信息获取等，对应BP神经网络的输入层；

2)公共信息管理层CIM(Common Information Management)

中间层为公共信息管理，为SWIM信息共享提供支撑，负责数据的融合、共享和交换处理，实现数据的集中存储、检测、容灾和备份等管理，对应于BP神经网络的隐含层；

3)共享数据应用层SDA(Shared Data Application)

上层为共享数据应用层，完成对各类关键数据与业务的分析和信息交换，为各业务单位或领导层提供决策支持、运行协调、指挥以及信息发布，为终端用户提供有关信息数据服务，对应于BP神经网络的输出层；

该BP神经网络评估模型是一个多输入、单输出的系统，用已经训练好的BP神经网络取代传统的评估方法对SWIM可生存性进行评估，得到评估结果。