CN113283168A - 一种移动网络可信性的评估方法及装置 - Google Patents
一种移动网络可信性的评估方法及装置 Download PDFInfo
- Publication number
- CN113283168A CN113283168A CN202110565995.6A CN202110565995A CN113283168A CN 113283168 A CN113283168 A CN 113283168A CN 202110565995 A CN202110565995 A CN 202110565995A CN 113283168 A CN113283168 A CN 113283168A
- Authority
- CN
- China
- Prior art keywords
- data
- evaluation
- evaluation result
- layer
- initial processing
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Pending
Links
- 238000000034 method Methods 0.000 title claims abstract description 152
- 238000011156 evaluation Methods 0.000 claims abstract description 296
- 238000012545 processing Methods 0.000 claims abstract description 115
- 238000013210 evaluation model Methods 0.000 claims abstract description 95
- 239000002245 particle Substances 0.000 claims description 90
- 210000002569 neuron Anatomy 0.000 claims description 89
- 238000011157 data evaluation Methods 0.000 claims description 29
- 230000006870 function Effects 0.000 claims description 29
- 230000007246 mechanism Effects 0.000 claims description 24
- 238000013528 artificial neural network Methods 0.000 claims description 23
- 230000005540 biological transmission Effects 0.000 claims description 22
- 238000004422 calculation algorithm Methods 0.000 claims description 19
- 238000004364 calculation method Methods 0.000 claims description 19
- 238000005457 optimization Methods 0.000 claims description 19
- 238000004891 communication Methods 0.000 claims description 17
- 238000012549 training Methods 0.000 claims description 14
- 230000004913 activation Effects 0.000 claims description 10
- 238000003062 neural network model Methods 0.000 claims description 9
- 239000000126 substance Substances 0.000 claims description 4
- 238000012854 evaluation process Methods 0.000 abstract description 7
- 238000005259 measurement Methods 0.000 abstract 1
- 230000008569 process Effects 0.000 description 5
- 230000000739 chaotic effect Effects 0.000 description 3
- 230000004044 response Effects 0.000 description 3
- 238000010586 diagram Methods 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 230000002068 genetic effect Effects 0.000 description 2
- 238000011160 research Methods 0.000 description 2
- NAWXUBYGYWOOIX-SFHVURJKSA-N (2s)-2-[[4-[2-(2,4-diaminoquinazolin-6-yl)ethyl]benzoyl]amino]-4-methylidenepentanedioic acid Chemical compound C1=CC2=NC(N)=NC(N)=C2C=C1CCC1=CC=C(C(=O)N[C@@H](CC(=C)C(O)=O)C(O)=O)C=C1 NAWXUBYGYWOOIX-SFHVURJKSA-N 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 239000003795 chemical substances by application Substances 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- 238000013278 delphi method Methods 0.000 description 1
- 230000001419 dependent effect Effects 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000010354 integration Effects 0.000 description 1
- 239000011159 matrix material Substances 0.000 description 1
- 238000010606 normalization Methods 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 230000001681 protective effect Effects 0.000 description 1
- 238000013139 quantization Methods 0.000 description 1
- 238000000926 separation method Methods 0.000 description 1
- 239000002904 solvent Substances 0.000 description 1
- 230000000946 synaptic effect Effects 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F30/00—Computer-aided design [CAD]
- G06F30/20—Design optimisation, verification or simulation
- G06F30/27—Design optimisation, verification or simulation using machine learning, e.g. artificial intelligence, neural networks, support vector machines [SVM] or training a model
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2119/00—Details relating to the type or aim of the analysis or the optimisation
- G06F2119/02—Reliability analysis or reliability optimisation; Failure analysis, e.g. worst case scenario performance, failure mode and effects analysis [FMEA]
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Evolutionary Computation (AREA)
- Theoretical Computer Science (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Medical Informatics (AREA)
- Software Systems (AREA)
- Artificial Intelligence (AREA)
- Computer Hardware Design (AREA)
- Geometry (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Data Exchanges In Wide-Area Networks (AREA)
Abstract
本申请提供了一种移动网络可信性的评估方法及装置,方法包括:遍历待测试的移动网络,获取移动网络的可信信息数据;可信信息数据包括连通性数据、可用性数据以及有效性数据;将可信信息数据与预设的对比数据库进行对比,获取初始处理数据;对比数据库根据历史可信信息数据以及历史专家测定结果建立;将初始处理数据输入预先训练好的第一评估模型中,获取第一评估结果;第一评估模型包括初始处理数据以及评估结果的对应关系;初始处理数据输入预先训练好的第二评估模型中,获取第二评估结果;根据初始处理数据、第一评估结果以及第二评估结果,确定评估结果。本申请就评估过程的主观因素与客观因素相结合,提高了对移动网络安全评估的针对性。
Description
技术领域
本申请涉及网络可信性的评估技术领域,特别涉及一种移动网络可信性的评估方法及装置。
背景技术
随着无人移动技术的快速发展,网络中无人移动平台类型和无人移动平台数量不断增加,无人移动平台功能也不断多样化。无人移动平台的变化,使得无人移动平台网络层次逐渐增多,网络架构日益复杂,也随之出现了以移动网络为代表的新型复杂网络。移动网络芯片具有集成度高以及空间复杂环境的特征,因此,移动网络所面临的可信性要求也较高,同时,硬件故障、软件故障、网络攻击等安全事件对网络可信性也造成一定的影响。为了有效预防信息安全事件,提升网络的可信性,需要对移动网络的可信性进行评估,并根据评估结果及时调整移动网络的安全策略。可信评估作为信息安全领域内识别和分析风险的有效方法,在各个网络系统中得到了广泛应用
目前已有的有关移动网络可信性的评估方法包括专家评估方法,此方法依靠专家经验对移动网络可信性进行判断。专家评估方法能够有针对性地评估的系统,直接提供推荐的保护措施和结构框架等。而该方法过于依赖专家的人为判断,会存在一定的主观因素。
为了解决现有移动网络可信性的评估方法中主观因素过强的因素,研究人员提出了多种解决方法,类似的包括基于模糊神经网络进行移动网络可信性的评估方法,或者基于基于混沌粒子群优化BP神经网络的移动网络可信性的评估方法。但是这些改进方法都仅使用了智能神经网络,在已知信息较少的情况下,完全不考虑主观因素,未能给出合理地有针对性的评估结果。
基于此,目前亟需一种移动网络可信性的评估方法,用于现有技术中评估方法主观因素与客观因素相割裂的问题。
发明内容
本申请提供了一种移动网络可信性的评估方法及装置,可用于解决现有技术中评估方法主观因素与客观因素相割裂的问题的问题。
第一方面,本申请实施例提供一种移动网络可信性的评估方法,所述方法包括:
遍历待测试的移动网络,获取所述移动网络的可信信息数据;所述可信信息数据包括连通性数据、可用性数据以及有效性数据;
将所述可信信息数据与预设的对比数据库进行对比,获取初始处理数据;所述对比数据库包括可信信息数据以及初始处理数据的对应关系;所述对比数据库根据历史可信信息数据以及历史专家评估结果建立;所述初始处理数据反应待评估移动网络的初始可信评估结果;
将所述初始处理数据输入预先训练好的第一评估模型中,获取第一评估结果;所述第一评估模型包括初始处理数据以及评估结果的对应关系;
所述初始处理数据输入预先训练好的第二评估模型中,获取第二评估结果;所述第二评估模型包括初始处理数据以及评估结果的对应关系;
根据所述初始处理数据、所述第一评估结果以及所述第二评估结果,确定评估结果。
结合第一方面,在第一方面的一种可实现方式中,将所述可信信息数据与预设的对比数据库进行对比,获取初始处理数据,包括:
确定出所述对比数据库中与所述可信信息数据一致的目标对照数据,并根据预设的评估等级,确定所述初始处理数据。
结合第一方面,在第一方面的一种可实现方式中,所述第一评估模型采用以下方法确定:
多次将第一样本数据输入待训练的第一评估模型中,进行训练,获取训练好的第一评估模型;所述第一评估模型为神经网络模型;
神经网络模型包括包括三层,分别为输入层、隐藏层以及输出层;
所述输入层,取14个神经元,对应为所述14个初始处理数据;所述隐藏层,取6个节点;所述输出层,取1个节点,所述第一评估模型的输出值即为所述第一评估结果;
所述输入层表示为X={xi|i∈(1,14)}、所述隐藏层表示为B={bj|j∈(1,6)}、所述输出层表示为y;
隐藏层第h个神经元的输入采用以下方法确定:
其中,αh为所述隐藏层第h个神经元的输入;vih为输入层中第i个神经元到隐藏层第h个神经元的权值;xi为输入层中第i个神经元;
输出层神经元的输入采用以下方法确定:
所述第一评估结果采用以下方法确定:
其中,y为所述第一评估结果;β为所述输出层神经元的输入;θ为输出层神经元的阈值;
训练结束后,采用最小二乘法计算输出误差,所述误差采用以下方法确定:
其中,E为所述误差;d为输出期望;f为所述神经网络的激活函数;wh为所述隐藏层中第h个神经元到输出层的权值;vih为所述输入层中第i个神经元到隐藏层第h个神经元的权值;xi为所述输入层中第i个神经元;
误差对于权重和阈值的梯度计算方法如下:
其中,E为所述误差;WT为所述网络中全部的权重和阈值。
结合第一方面,在第一方面的一种可实现方式中,在确定所述第一评估模型,之后还包括:
采用粒子群算法,对所述第一评估模型进行优化;
粒子群算法采用如下方法构建:
构建97维粒子空间,第i个粒子的空间位置为pi=(pi1,pi2,…,pi97),移动速度为vi=(vi1,vi2,…,vi97);
适应度函数采用以下方法确定:
其中,F为所述适应度函数;dn为第n个样本的期望;yn为第n个样本的实际结果;s为样本数量;
每轮计算结束,每个粒子给出自身当前最优解Fpbest,粒子群给出当前群体最优解Fgbest;每轮结束,粒子用所述当前自身最优解与所述当前群体最优解比较,进一步更新所述群体最优解;同时,每个粒子也会根据所述当前自身最优解和所述群体最优解更新自身移动速度和位置;
每个粒子的以及每个粒子的位置采用以下方法确定:
其中,为第l+1轮的第i个粒子的速度;为第l+1轮的第i个粒子的位置;Iw为惯性系数;lc1为学习率之一;lc2为学习率之二;r1和r2为(0,1)间的随机数;为第l轮的第i个粒子的k维移动速度;第l轮的第i个粒子的k维移动位置;k为(1,97)间的正整数;
粒子群通过不断更新粒子位置和速度不断得出最优解;当粒子群的适应度小于给定允许误差时,认为算法已经收敛,终止优化;否则当优化次数达到规定次数时终止优化。
结合第一方面,在第一方面的一种可实现方式中,所述第二评估模型采用以下方法确定:
多次将第二样本数据输入待训练的第二评估模型中,进行训练,获取训练好的第二评估模型;所述第二评估模型根据模糊理论建立;
所述第二评估模型采用以下方法确定:
所述第二评估模型分为指标层、准则层和评估层;
将所述连通性数据表示为C={ci|i∈(1,5)};所述可用性数据表示为A={aj|j∈(1,4)};所述有效性数据表示为H={hk|k∈(1,5)};将所述连通性数据、所述可用性数据以及所述有效性数据结合起来表示为<c1,c2,c3,c4,c5,a1,a2,a3,a4,h1,h2,h3,h4,h5>对应为所述初始处理数据;将所述连通性数据、所述可用性数据以及所述有效性数据作为指标层元素,采用5档评价标准,对指标元素集U={u|u∈C,A,H}中的指标元素u,有评判结果集 指标元素u对应等级l的评估结果为的隶属度Ru采用以下方法确定:
然后计算准则层中准则的评估值;所述初始处理数据对应的评估值采用以下方法确定:
然后,确定评估层的初始可靠性评估值,采用以下方法确定评估层的初始可靠性评估值:
VS=sCVGC+sAVGA+sHVGH
其中,VS为评估层的初始可靠性评估值;sC为连通性数据评估值的权重;sA为可用性数据评估值的权重;sH为有效性数据评估值的权重;VGC为连通性数据对应评估值;VGA为可用性数据对应评估值;VGH为有效性数据对应评估值;
连通性数据评估值的权重、可用性数据评估值的权重以及有效性数据评估值的权重采用以下方法确定:
然后确定节点可靠度以及路径可靠度,节点可靠度以及路径可靠度采用以下方法确定:
其中,Cnode为所述节点可靠度;Clink为所述路径可靠度;λnode为节点故障率,λlink为路径故障率;t是网络运行时间;
节点冗余度以及路径冗余度采用以下方法确定:
其中,REnode为所述节点冗余度;RElink为所述路径冗余度;Nrn是冗余节点数量,Nn是工作节点数量;Nrl是冗余带宽,Nl是占用带宽;
最后,根据所述评估层的初始可靠性评估值、所述节点可靠度以及所述路径可靠度确定模糊可靠度;具体方法如下:
其中,Value2为所述模糊可靠度;VS为所述评估层的初始可靠性评估值;Cnode为所述节点可靠度;Clink为所述路径可靠度;sVS为所述初始可靠性评估值的权重;为所述节点可靠度的权重;为所述路径可靠度的权重。
结合第一方面,在第一方面的一种可实现方式中,根据所述初始处理数据、所述第一评估结果以及所述第二评估结果,确定评估结果,包括:
根据所述初始处理数据,所述第一评估结果以及所述第二评估结果,确定所述第一评估结果的第一占比,以及所述第二评估结果的第二占比;所述初始处理数据的第三占比;所述第一占比为所述第一评估结果在所述评估结果中的比例;所述第二占比为所述第二评估结果在所述评估结果中的比例;所述第三占比为所述初始处理数据在所述评估结果中的比例;
根据所述第一评估结果、所述第一占比、所述第二评估结果、所述第二占比、所述初始处理数据以及所述第三占比,确定所述评估结果。
结合第一方面,在第一方面的一种可实现方式中,所述初始处理数据包括:通信可靠度数据、网络控制能力数据、网络连通度数据、功率控制数据、连通机制数据、网络覆盖率数据、网络结构完整性数据、服务可用性数据、重传机制成功率数据、传输有效性数据、传输实时性数据、网关有效性数据、信道接入数据以及路由机制有效性数据。
第二方面,本申请提供一种移动网络可信的评估装置,所述装置包括:
获取模块,用于遍历待测试的移动网络,获取所述移动网络的可信信息数据;所述可信信息数据包括连通性数据、可用性数据以及有效性数据;
对比模块,用于将所述可信信息数据与预设的对比数据库进行对比,获取初始处理数据;所述对比数据库包括可信信息数据以及初始处理数据的对应关系;所述对比数据库根据历史可信信息数据以及历史专家评估结果建立;所述初始处理数据反应待评估移动网络的初始可信评估结果;
处理模块,用于将所述初始处理数据输入预先训练好的第一评估模型中,获取第一评估结果;所述第一评估模型包括初始处理数据以及评估结果的对应关系;
所述处理模块,还用于所述初始处理数据输入预先训练好的第二评估模型中,获取第二评估结果;所述第二评估模型包括初始处理数据以及评估结果的对应关系;
确定模块,用于根据所述初始处理数据、所述第一评估结果以及所述第二评估结果,确定评估结果。
结合第二方面,在第二方面的一种可实现方式中,所述对比模块,具体用于:
确定出所述对比数据库中与所述可信信息数据一致的目标对照数据,并根据预设的评估等级,确定所述初始处理数据。
结合第二方面,在第二方面的一种可实现方式中,所述第一评估模型采用以下方法确定:
神经网络模型包括包括三层,分别为输入层、隐藏层以及输出层;
所述输入层,取14个神经元,对应为所述14个初始处理数据;所述隐藏层,取6个节点;所述输出层,取1个节点,所述第一评估模型的输出值即为所述第一评估结果;
所述输入层表示为X={xi|i∈(1,14)}、所述隐藏层表示为B={bj|j∈(1,6)}、所述输出层表示为y;
隐藏层第h个神经元的输入采用以下方法确定:
其中,αh为所述隐藏层第h个神经元的输入;vih为输入层中第i个神经元到隐藏层第h个神经元的权值;xi为输入层中第i个神经元;
输出层神经元的输入采用以下方法确定:
所述第一评估结果采用以下方法确定:
其中,y为所述第一评估结果;β为所述输出层神经元的输入;θ为输出层神经元的阈值;训练结束后,采用最小二乘法计算输出误差,所述误差采用以下方法确定:
其中,E为所述误差;d为输出期望;f为所述神经网络的激活函数;wh为所述隐藏层中第h个神经元到输出层的权值;vih为所述输入层中第i个神经元到隐藏层第h个神经元的权值;xi为所述输入层中第i个神经元;
误差对于权重和阈值的梯度计算方法如下:
其中,E为所述误差;WT为所述网络中全部的权重和阈值。
结合第二方面,在第二方面的一种可实现方式中,在确定所述第一评估模型,之后还包括:
采用粒子群算法,对所述第一评估模型进行优化;
粒子群算法采用如下方法构建:
构建97维粒子空间,第i个粒子的空间位置为pi=(pi1,pi2,…,pi97),移动速度为vi=(vi1,vi2,…,vi97);
适应度函数采用以下方法确定:
其中,F为所述适应度函数;dn为第n个样本的期望;yn为第n个样本的实际结果;s为样本数量;
每轮计算结束,每个粒子给出自身当前最优解Fpbest,粒子群给出当前群体最优解Fgbest;每轮结束,粒子用所述当前自身最优解与所述当前群体最优解比较,进一步更新所述群体最优解;同时,每个粒子也会根据所述当前自身最优解和所述群体最优解更新自身移动速度和位置;
每个粒子的以及每个粒子的位置采用以下方法确定:
其中,为第l+1轮的第i个粒子的速度;为第l+1轮的第i个粒子的位置;Iw为惯性系数;lc1为学习率之一;lc2为学习率之二;r1和r2为(0,1)间的随机数;为第l轮的第i个粒子的k维移动速度;第l轮的第i个粒子的k维移动位置;k为(1,97)间的正整数;
粒子群通过不断更新粒子位置和速度不断得出最优解;当粒子群的适应度小于给定允许误差时,认为算法已经收敛,终止优化;否则当优化次数达到规定次数时终止优化。
结合第二方面,在第二方面的一种可实现方式中,所述第二评估模型采用以下方法确定:
多次将第二样本数据输入待训练的第二评估模型中,进行训练,获取训练好的第二评估模型;所述第二评估模型根据模糊理论建立;
所述第二评估模型采用以下方法确定:
所述第二评估模型分为指标层、准则层和评估层;
将所述连通性数据表示为C={ci|i∈(1,5)};所述可用性数据表示为A={aj|j∈(1,4)};所述有效性数据表示为H={hk|k∈(1,5)};将所述连通性数据、所述可用性数据以及所述有效性数据结合起来表示为<c1,c2,c3,c4,c5,a1,a2,a3,a4,h1,h2,h3,h4,h5>对应为所述初始处理数据;将所述连通性数据、所述可用性数据以及所述有效性数据作为指标层元素,采用5档评价标准,对指标元素集U={u|u∈C,A,H}中的指标元素u,有评判结果集 指标元素u对应等级l的评估结果为的隶属度Ru采用以下方法确定:
然后计算准则层中准则的评估值;所述初始处理数据对应的评估值采用以下方法确定:
然后,确定评估层的初始可靠性评估值,采用以下方法确定评估层的初始可靠性评估值:
VS=sCVGC+sAVGA+sHVGH
其中,VS为评估层的初始可靠性评估值;sC为连通性数据评估值的权重;sA为可用性数据评估值的权重;sH为有效性数据评估值的权重;VGC为连通性数据对应评估值;VGA为可用性数据对应评估值;VGH为有效性数据对应评估值;
连通性数据评估值的权重、可用性数据评估值的权重以及有效性数据评估值的权重采用以下方法确定:
然后确定节点可靠度以及路径可靠度,节点可靠度以及路径可靠度采用以下方法确定:
其中,Cnode为所述节点可靠度;Clink为所述路径可靠度;λnode为节点故障率,λlink为路径故障率;t是网络运行时间;
节点冗余度以及路径冗余度采用以下方法确定:
其中,REnode为所述节点冗余度;RElink为所述路径冗余度;Nrn是冗余节点数量,Nn是工作节点数量;Nrl是冗余带宽,Nl是占用带宽;
最后,根据所述评估层的初始可靠性评估值、所述节点可靠度以及所述路径可靠度确定模糊可靠度;具体方法如下:
其中,Value2为所述模糊可靠度;VS为所述评估层的初始可靠性评估值;Cnode为所述节点可靠度;Clink为所述路径可靠度;sVS为所述初始可靠性评估值的权重;为所述节点可靠度的权重;为所述路径可靠度的权重
结合第二方面,在第二方面的一种可实现方式中,所述确定模块具体用于:
根据所述初始处理数据,所述第一评估结果以及所述第二评估结果,确定所述第一评估结果的第一占比,以及所述第二评估结果的第二占比;所述初始处理数据的第三占比;所述第一占比为所述第一评估结果在所述评估结果中的比例;所述第二占比为所述第二评估结果在所述评估结果中的比例;所述第三占比为所述初始处理数据在所述评估结果中的比例;
根据所述第一评估结果、所述第一占比、所述第二评估结果、所述第二占比、所述初始处理数据以及所述第三占比,确定所述评估结果。
结合第二方面,在第二方面的一种可实现方式中,所述初始处理数据包括:通信可靠度数据、网络控制能力数据、网络连通度数据、功率控制数据、连通机制数据、网络覆盖率数据、网络结构完整性数据、服务可用性数据、重传机制成功率数据、传输有效性数据、传输实时性数据、网关有效性数据、信道接入数据以及路由机制有效性数据。
本申请采用对比数据库,在移动网络可信评估的过程中引入历史可信信息数据,通过与历史可信信息数据对比,获取专家在历史数据中对相同移动网络的评估结果,使得评估过程更具有针对性,更符合待评估移动网络的特征。本申请采用两种智能方法,并结合初始处理数据,调整两种智能方法对应的结果以及对比数据库对应评估结果,在最终评估结果中的比重,提高了评估的准确率。
附图说明
图1为本申请实施例提供的一种移动网络可信性的评估方法的流程图;
图2为本申请实施例提供的一种移动网络可信性的评估装置的结构示意图。
具体实施方式
为使本申请的目的、技术方案和优点更加清楚,下面将结合附图对本申请实施方式作进一步地详细描述。
为了解决以往对移动网络进行可信评估过程中,主观因素过强的影响,采用智能方法成为一种常用手段。具体的,例如有学者将模糊理论和神经网络相结合,构建基于模糊神经网络的可信评估方法,采用定性与定量相结合的方法筛选出部分性能指标,建立用于指标模糊量化的可靠性评价标准值矩阵,并通过内插生成样本数据。然后,建立基于模糊神经网络的可信评估模型,并根据可信评估模型编写仿真程序,对提出的模型进行验证。有学者提出基于混沌粒子群优化BP神经网络的网络可信评估方法,通过使用基于混沌粒子群的优化算法得到粒子过程运动的极值,使用BP神经网络的算法得到最终的权值和阈值,从而构建可信评估模型。针对目前的网络可信评估方法存在诸如适用范围小,操作性差以及存在干扰因素等问题,有学者提出基于遗传算法和BP神经网络算法的可信评估网络,使用遗传算法优化BP神经网络的阈值和权重,并对计算机复杂网络的可靠性进行研究,并利用德尔菲法筛选评价指标,建立一种综合评价模型。此外,还有研究人员提出一种改进的模糊神经网络的可信评估方法,模型中将网络系统的可靠性级别分为五个等级,建立对网络系统的可信评估指标。将神经网络划分为5个层次,在输入层和输出层的基础上,添加了模糊层、模糊规则层和归一化层,从而构建网络可靠性评估模型。但是上述部分研究仅使用智能方法,在已知条件较少以及相关知识有限的情况下,未能给出合理地有针对性的评估结果。
基于以上问题,本申请实施例提供了一种移动网络可信性的评估方法,用于解决评估方法主观因素与客观因素相割裂的问题的问题。
在具体介绍本申请实施例前,首先对移动网络的连通性、可用性和有效性进行介绍。其中,连通性指的是网络中节点的互联特性,可用性指的是网络覆盖特性以及网络结构对节点通信等功能的影响,有效性指的是数据传输实时性以及网络业务等方面的效率。
下面首先结合图1对本申请实施例提供的方法进行介绍。
如图1所示,为本申请实施例提供的一种移动网络可信性的评估方法的流程图,本申请实施例提供的方法包括以下步骤:
步骤S101,遍历待测试的移动网络,获取移动网络的可信信息数据。
可信信息数据包括连通性数据、可用性数据以及有效性数据。
需要说明的是,连通性数据反应待测试的移动网络的连通性,可用性数据反应待测试的移动网络的可用性,有效性数据反应待测试的移动网络的有效性。具体的分类根据实际需要进行划分,本申请实施例仅提供一种可行的方案。
遍历待测试的移动网络过程中可以获取多方面信息,例如:网络通信带宽、链路冗余度、网关节点对所属域的子节点的控制程度、节点数量以及链路数量等。本申请实施例根据需要从中选取部分信息数据进行处理,以获取可信信息数据。
具体的,可信信息数据包括通信可靠度数据、网络控制能力数据、网络连通度数据、功率控制数据、连通机制数据、网络覆盖率数据、网络结构完整性数据、服务可用性数据、重传机制成功率数据、传输有效性数据、传输实时性数据、网关有效性数据、信道接入数据以及路由机制有效性数据。
其中,连通性数据包括通信可靠度数据、网络控制能力数据、网络连通度数据、功率控制数据以及连通机制数据。
通信可靠度数据由网络中通信链路的可靠性得出,具体由网络通信带宽和链路冗余度计算得出;网络控制能力数据由网络中路由及网关节点对所属域的子节点的控制程度得出,具体由路由及网关节点向所属域子节点发送请求数据包,统计响应的子节点数量比例计算得出;网络连通度数据由网络的连通性能得出,具体由网络中节点数量与链路数量的比值计算得出;功率控制数据由网络节点无线信号发射功率计算得出;连通机制数据由网络中的通信协议得出,具体由采用的协议及数量计算得出,如TCP/IP、UDP协议等。
可用性数据包括网络覆盖率数据、网络结构完整性数据、服务可用性数据以及重传机制成功率数据。
其中,网络覆盖率数据由网络提供服务的覆盖率得出,具体由网络服务覆盖范围与网络信号覆盖范围计算得出;网络结构完整性数据由网络拓扑结构完整性得出,具体由网络拓扑中节点的介数计算得出;服务可用性数据由提供服务的成功率得出,具体由服务请求数与服务成功响应比例计算得出;重传机制成功率数据由重传请求成功率得出,具体由重传请求数与重传成功数的比例计算得出。
有效性数据包括传输有效性数据、传输实时性数据、网关有效性数据、信道接入数据以及路由机制有效性数据。
其中,传输有效性数据由文件传输正确率得出,具体由文件传输请求数和文件正确传输的比例计算得出;传输实时性数据由传输时间延时得出,具体由文件传输时延的负指数分布计算得出;网关有效性数据由网关的白名单覆盖率得出,具体由网关配置中的白名单与网络中正常用户的比例计算得出;信道接入数据由信道接入成功率得出,具体由加入网络请求数量与成功响应并加入数量的比例计算得出;路由机制有效性数据由路由条目的网络节点覆盖率得出,具体由路由表中节点数量与网络中节点的实际数量的比例计算得出。
步骤S102,将可信信息数据与预设的对比数据库进行对比,获取初始处理数据。
对比数据库包括可信信息数据以及初始处理数据的对应关系。对比数据库根据历史可信信息数据以及历史专家评估结果建立。初始处理数据反应待评估移动网络的初始可信评估结果。
需要说明的是,对比数据库建立需要大量的历史可信信息数据以及大量的专家历史评估结果,并将专家历史评估结果中最为准确的评估结果存储入对比数据库中,形成可信信息数据与初始处理数据的对应关系。本申请实施例中的初始处理数据即为与基本信息数据一致情况下的专家历史评估结果。
在执行步骤S102过程中,确定出对比数据库中与可信信息数据一致的目标对照数据,并根据预设的评估等级,确定初始处理数据。
具体的,预设的评估等级如表1所示。
表1:评估等级
等级 | 标识 | 含义 |
5 | 很高 | 可信性很高;或几乎不可能出现风险。 |
4 | 高 | 可信性较高;或在大多数情况下不可能出现风险(或小于1次/半年)。 |
3 | 中 | 可信性中等;或在大多数情况下有可能发生风险(或大于1次/半年)。 |
2 | 低 | 可信性较低;或可能发生风险的概率较高(或大于1次/月)。 |
1 | 很低 | 时常出现风险(或大于1次/周)。 |
预设的评估等级表中,如果将某项设定为等级5,则表示可信信息数据对应的可信性很高,几乎不可能出现风险,具体请参考表1,此处不再一一阐述。
下面结合表2说明本申请实施例中,初始处理数据的确定方法。
表2中,当通信可靠度数据对应的实际值大于第一第一可靠度阈值,则相应的通信度可靠度数据的初始处理数据对应为等级5。具体情况请详细参考表2,此处不再一一赘述。
本申请实施例中,将初始处理数据通过以下方法表示:
T=<CT,SE,NC,GC,CC,NCE,NSI,SA,RTA,TE,TT,RE,CI,RM> (1)
公式(1)中,T为初始处理数据;CT为通信可靠度数据;SE为网络控制能力数据;NC为网络连通度数据;GC为功率控制数据;CC为连通机制数据;NCE为网络覆盖率数据;NSI为网络结构完整性数据;SA为服务可用性数据;RTA为重传机制成功率数据;TE为传输有效性数据;TT为传输实时性数据;RE为网关有效性数据;CI为信道接入数据;RM为路由机制有效性数据。
步骤S103,将初始处理数据输入预先训练好的第一评估模型中,获取第一评估结果。
第一评估模型包括初始处理数据以及评估结果的对应关系。
本申请实施例中,第一评估模型采用以下方法确定:
多次将第一样本数据输入待训练的第一评估模型中,进行训练,获取训练好的第一评估模型。
第一评估模型为神经网络模型。
本申请实施例采用前馈神经网络(backpropagation,BP)。其中,神经网络模型包括包括三层,分别为输入层、隐藏层以及输出层。
本申请实施例中,第一层即输入层,取14个神经元,对应为14个初始处理数据。第二层为隐藏层,取6个节点;第三层为输出层,取1个节点,第一评估模型的输出值即为第一评估结果。
本申请实施例中,输入层表示为X={xi|i∈(1,14)}、隐藏层表示为B={bj|j∈(1,6)}、输出层表示为y。
本申请实施例中,隐藏层第h个神经元的输入采用以下方法确定:
公式(2)中,αh为隐藏层第h个神经元的输入;vih为输入层中第i个神经元到隐藏层第h个神经元的权值;xi为输入层中第i个神经元。
输出层神经元的输入采用以下方法确定:
第一评估结果采用以下方法确定:
公式(4)中,y为第一评估结果;β为输出层神经元的输入;θ为输出层神经元的阈值。
训练结束后,采用最小二乘法计算输出误差,具体的误差采用以下方法确定:
公式(5)中,E为误差;d为输出期望;f为神经网络的激活函数;wh为隐藏层中第h个神经元到输出层的权值;vih为输入层中第i个神经元到隐藏层第h个神经元的权值;xi为输入层中第i个神经元。
误差对于权重和阈值的梯度计算方法如下:
公式(6)中,E为误差;WT为网络中全部的权重和阈值。
在确定第一评估模型之后,本申请实施例采用粒子群算法,对第一评估模型进行优化。
粒子群算法采用如下方法构建:
本申请实施例中第一评估模型三层算子的神经元,具有97个突触权重,因此本申请实施例构建97维粒子空间,第i个粒子的空间位置为pi=(pi1,pi2,…,pi97),移动速度为vi=(vi1,vi2,…,vi97)。
本申请实施例中,适应度函数采用以下方法确定:
公式(7)中,F为适应度函数;dn为第n个样本的期望;yn为第n个样本的实际结果;s为样本数量。
每轮计算结束,每个粒子给出自身当前最优解Fpbest,粒子群给出当前群体最优解Fgbest;每轮结束,粒子用自身当前最优解与当前群体最优解比较,进一步更新群体最优解;同时,每个粒子也会根据当前自身最优解和群体最优解更新自身移动速度和位置。
每个粒子的以及每个粒子的位置采用以下方法确定:
公式(8)以及公式(9)中,为第l+1轮的第i个粒子的速度;为第l+1轮的第i个粒子的位置;Iw为惯性系数;lc1为学习率之一;lc2为学习率之二;r1和r2为(0,1)间的随机数;为第l轮的第i个粒子的k维移动速度;第l轮的第i个粒子的k维移动位置;k为(1,97)间的正整数。
粒子群通过不断更新粒子位置和速度不断得出最优解;当粒子群的适应度小于给定允许误差时,认为算法已经收敛,终止优化;否则当优化次数达到规定次数时终止优化。
步骤S104,初始处理数据输入预先训练好的第二评估模型中,获取第二评估结果。
第二评估模型包括初始处理数据以及评估结果的对应关系。
本申请实施例中,第二评估模型采用以下方法确定:
多次将第二样本数据输入待训练的第二评估模型中,进行训练,获取训练好的第二评估模型。
第二评估模型根据模糊理论建立。第二评估模型分为指标层、准则层和评估层。
第二评估模型的构建步骤如下:
本申请实施例中,将连通性数据表示为C={ci|i∈(1,5)};可用性数据表示为A={aj|j∈(1,4)};有效性数据表示为H={hk|k∈(1,5)};将连通性数据、可用性数据以及有效性数据结合起来,即<c1,c2,c3,c4,c5,a1,a2,a3,a4,h1,h2,h3,h4,h5>对应为本申请实施例中的初始处理数据,具体的,对应T=<CT,SE,NC,GC,CC,NCE,NSI,SA,RTA,TE,TT,RE,CI,RM>。本申请实施例中将连通性数据、可用性数据以及有效性数据作为指标层元素,采用5档评价标准分别对其进行评估,对指标元素集U={u|u∈C,A,H}中的指标元素u,有评判结果集指标元素u对应等级l的评估结果为的隶属度Ru采用以下方法确定:
然后计算准则层中准则的评估值。初始处理数据对应的评估值采用以下方法确定:
公式(11)中,VGC为连通性数据对应评估值;VGA为可用性数据对应评估值;VGH为有效性数据对应评估值;为为指标ci对应等级l的隶属度;为为指标aj对应等级l的隶属度;为为指标hk对应等级l的隶属度。
然后,确定评估层的初始可靠性评估值,本申请实施例采用以下方法确定评估层的初始可靠性评估值:
VS=sCVGC+sAVGA+sHVGH (12)
公式(12)中,VS为评估层的初始可靠性评估值;sC为连通性数据评估值的权重;sA为可用性数据评估值的权重;sH为有效性数据评估值的权重;VGC为连通性数据对应评估值;VGA为可用性数据对应评估值;VGH为有效性数据对应评估值。
连通性数据评估值的权重、可用性数据评估值的权重以及有效性数据评估值的权重采用以下方法确定:
然后确定节点可靠度以及路径可靠度,本申请实施例中,节点可靠度以及路径可靠度采用以下方法确定:
公式(14)中,Cnode为节点可靠度;Clink为路径可靠度;λnode为节点故障率,λlink为路径故障率;t是网络运行时间。
本申请实施例中,节点冗余度以及路径冗余度采用以下方法确定:
公式(15)中,REnode为节点冗余度;RElink为路径冗余度;Nrn是冗余节点数量,Nn是工作节点数量;Nrl是冗余带宽,Nl是占用带宽。
最后,根据评估层的初始可靠性评估值、节点可靠度以及路径可靠度确定模糊可靠度。具体方法如下:
步骤S105,根据初始处理数据、第一评估结果以及第二评估结果,确定评估结果。
具体的,根据初始处理数据,第一评估结果以及第二评估结果,确定第一评估结果的第一占比,以及第二评估结果的第二占比。初始处理数据的第三占比。第一占比为第一评估结果在评估结果中的比例。第二占比为第二评估结果在评估结果中的比例。第三占比为初始处理数据在评估结果中的比例。
根据第一评估结果、第一占比、第二评估结果、第二占比、初始处理数据以及第三占比,确定评估结果。
本申请实施例中评估结果采用以下方法确定:
公式(17)中,ValueC为评估结果;Valuej为第一评估结果、第二评估结果以及初始处理数据的平均值;i∈(1,3),当i=1,Valuej为第一评估结果,为第一占比,即第一评估结果的权重;当i=2,Valuej为第二评估结果,为第二占比,即第二评估结果的权重;当i=3,Valuej为初始处理数据,为第三占比,即初始处理数据的权重。
公式(17)中的第一占比、第二占比以及第三占比通过以下方法确定:
本申请实施例采用对比数据库,在移动网络可信评估的过程中引入历史可信信息数据,通过与历史可信信息数据对比,获取专家在历史数据中对相同移动网络的评估结果,使得评估过程更具有针对性,更符合待评估移动网络的特征。本申请采用两种智能方法,并结合初始处理数据,调整两种智能方法对应的结果以及对比数据库对应评估结果,在最终评估结果中的比重,提高了评估的准确率。
下述为本申请装置实施例,可以用于执行本申请方法实施例。对于本申请装置实施例中未披露的细节,请参照本申请方法实施例。
图2示例性示出了本申请实施例提供的一种移动网络可信性的评估装置的结构示意图。如图2所示,该装置具有实现上述移动网络可信性的评估方法的功能,所述功能可以由硬件实现,也可以由硬件执行相应的软件实现。该装置可以包括:获取模块201、对比模块202、处理模块203以及确定模块204。
获取模块201,用于遍历待测试的移动网络,获取移动网络的可信信息数据。可信信息数据包括连通性数据、可用性数据以及有效性数据。
对比模块202,用于将可信信息数据与预设的对比数据库进行对比,获取初始处理数据。对比数据库包括可信信息数据以及初始处理数据的对应关系。对比数据库根据历史可信信息数据以及历史专家评估结果建立。初始处理数据反应待评估移动网络的初始可信评估结果。
处理模块203,用于将初始处理数据输入预先训练好的第一评估模型中,获取第一评估结果。第一评估模型包括初始处理数据以及评估结果的对应关系。
处理模块203,还用于初始处理数据输入预先训练好的第二评估模型中,获取第二评估结果。第二评估模型包括初始处理数据以及评估结果的对应关系。
确定模块204,用于根据初始处理数据、第一评估结果以及第二评估结果,确定评估结果。
可选的,对比模块202,具体用于:
确定出对比数据库中与可信信息数据一致的目标对照数据,并根据预设的评估等级,确定初始处理数据。
可选的,第一评估模型采用以下方法确定:
神经网络模型包括包括三层,分别为输入层、隐藏层以及输出层。
输入层,取14个神经元,对应为14个初始处理数据。隐藏层,取6个节点。输出层,取1个节点,第一评估模型的输出值即为第一评估结果。
输入层表示为X={xi|i∈(1,14)}、隐藏层表示为B={bj|j∈(1,6)}、输出层表示为y。
隐藏层第h个神经元的输入采用以下方法确定:
其中,αh为隐藏层第h个神经元的输入。vih为输入层中第i个神经元到隐藏层第h个神经元的权值。xi为输入层中第i个神经元。
输出层神经元的输入采用以下方法确定:
第一评估结果采用以下方法确定:
其中,y为第一评估结果。β为输出层神经元的输入。θ为输出层神经元的阈值。
训练结束后,采用最小二乘法计算输出误差,误差采用以下方法确定:
其中,E为误差。d为输出期望。f为神经网络的激活函数。wh为隐藏层中第h个神经元到输出层的权值。vih为输入层中第i个神经元到隐藏层第h个神经元的权值。xi为输入层中第i个神经元。
误差对于权重和阈值的梯度计算方法如下:
其中,E为误差。WT为网络中全部的权重和阈值。
可选的,在确定第一评估模型,之后还包括:
采用粒子群算法,对第一评估模型进行优化。
粒子群算法采用如下方法构建:
构建97维粒子空间,第i个粒子的空间位置为pi=(pi1,pi2,…,pi97),移动速度为vi=(vi1,vi2,…,vi97)。
适应度函数采用以下方法确定:
其中,F为适应度函数。dn为第n个样本的期望。yn为第n个样本的实际结果。s为样本数量。
每轮计算结束,每个粒子给出自身当前最优解Fpbest,粒子群给出当前群体最优解Fgbest。每轮结束,粒子用当前自身最优解与当前群体最优解比较,进一步更新群体最优解。同时,每个粒子也会根据当前自身最优解和群体最优解更新自身移动速度和位置。
每个粒子的以及每个粒子的位置采用以下方法确定:
其中,为第l+1轮的第i个粒子的速度。为第l+1轮的第i个粒子的位置。Iw为惯性系数。lc1为学习率之一。lc2为学习率之二。r1和r2为(0,1)间的随机数。为第l轮的第i个粒子的k维移动速度。第l轮的第i个粒子的k维移动位置。k为(1,97)间的正整数。
粒子群通过不断更新粒子位置和速度不断得出最优解。当粒子群的适应度小于给定允许误差时,认为算法已经收敛,终止优化。否则当优化次数达到规定次数时终止优化。
可选的,第二评估模型采用以下方法确定:
多次将第二样本数据输入待训练的第二评估模型中,进行训练,获取训练好的第二评估模型。第二评估模型根据模糊理论建立。
第二评估模型采用以下方法确定:
第二评估模型分为指标层、准则层和评估层。
将连通性数据表示为C={ci|i∈(1,5)}。可用性数据表示为A={aj|j∈(1,4)}。有效性数据表示为H={hk|k∈(1,5)}。将连通性数据、可用性数据以及有效性数据结合起来表示为<c1,c2,c3,c4,c5,a1,a2,a3,a4,h1,h2,h3,h4,h5>对应为初始处理数据。将连通性数据、可用性数据以及有效性数据作为指标层元素,采用5档评价标准,对指标元素集U={u|u∈C,A,H}中的指标元素u,有评判结果集指标元素u对应等级l的评估结果为的隶属度Ru采用以下方法确定:
然后计算准则层中准则的评估值。初始处理数据对应的评估值采用以下方法确定:
然后,确定评估层的初始可靠性评估值,采用以下方法确定评估层的初始可靠性评估值:
VS=sCVGC+sAVGA+sHVGH
其中,VS为评估层的初始可靠性评估值。sC为连通性数据评估值的权重。sA为可用性数据评估值的权重。sH为有效性数据评估值的权重。VGC为连通性数据对应评估值。VGA为可用性数据对应评估值。VGH为有效性数据对应评估值。
连通性数据评估值的权重、可用性数据评估值的权重以及有效性数据评估值的权重采用以下方法确定:
然后确定节点可靠度以及路径可靠度,节点可靠度以及路径可靠度采用以下方法确定:
其中,Cnode为节点可靠度。Clink为路径可靠度。λnode为节点故障率,λlink为路径故障率。t是网络运行时间。
节点冗余度以及路径冗余度采用以下方法确定:
其中,REnode为节点冗余度。RElink为路径冗余度。Nrn是冗余节点数量,Nn是工作节点数量。Nrl是冗余带宽,Nl是占用带宽。
最后,根据评估层的初始可靠性评估值、节点可靠度以及路径可靠度确定模糊可靠度。具体方法如下:
其中,Value2为模糊可靠度。VS为评估层的初始可靠性评估值。Cnode为节点可靠度。Clink为路径可靠度。sVS为初始可靠性评估值的权重。为节点可靠度的权重。为路径可靠度的权重可选的,确定模块204具体用于:
根据初始处理数据,第一评估结果以及第二评估结果,确定第一评估结果的第一占比,以及第二评估结果的第二占比。初始处理数据的第三占比。第一占比为第一评估结果在评估结果中的比例。第二占比为第二评估结果在评估结果中的比例。第三占比为初始处理数据在评估结果中的比例。
根据第一评估结果、第一占比、第二评估结果、第二占比、初始处理数据以及第三占比,确定评估结果。
可选的,初始处理数据包括:通信可靠度数据、网络控制能力数据、网络连通度数据、功率控制数据、连通机制数据、网络覆盖率数据、网络结构完整性数据、服务可用性数据、重传机制成功率数据、传输有效性数据、传输实时性数据、网关有效性数据、信道接入数据以及路由机制有效性数据。
本申请采用对比数据库,在移动网络可信评估的过程中引入历史可信信息数据,通过与历史可信信息数据对比,获取专家在历史数据中对相同移动网络的评估结果,使得评估过程更具有针对性,更符合待评估移动网络的特征。本申请采用两种智能方法,并结合初始处理数据,调整两种智能方法对应的结果以及对比数据库对应评估结果,在最终评估结果中的比重,提高了评估的准确率。
本领域的技术人员可以清楚地了解到本申请实施例中的技术可借助软件加必需的通用硬件平台的方式来实现。基于这样的理解,本申请实施例中的技术方案本质上或者说对现有技术做出贡献的部分可以以软件产品的形式体现出来,该计算机软件产品可以存储在存储介质中,如ROM/RAM、磁碟、光盘等,包括若干指令用以使得一台计算机设备(可以是个人计算机,服务器,或者网络设备等)执行本申请各个实施例或者实施例的某些部分所述的方法。
本说明书中各个实施例之间相同相似的部分互相参见即可。尤其,对于服务构建装置和服务加载装置实施例而言,由于其基本相似于方法实施例,所以描述的比较简单,相关之处参见方法实施例中的说明即可。
以上所述的本申请实施方式并不构成对本申请保护范围的限定。
Claims (10)
1.一种移动网络可信性的评估方法,其特征在于,所述方法包括:
遍历待测试的移动网络,获取所述移动网络的可信信息数据;所述可信信息数据包括连通性数据、可用性数据以及有效性数据;
将所述可信信息数据与预设的对比数据库进行对比,获取初始处理数据;所述对比数据库包括可信信息数据以及初始处理数据的对应关系;所述对比数据库根据历史可信信息数据以及历史专家评估结果建立;所述初始处理数据反应待评估移动网络的初始安全评估结果;
将所述初始处理数据输入预先训练好的第一评估模型中,获取第一评估结果;所述第一评估模型包括初始处理数据以及评估结果的对应关系;
所述初始处理数据输入预先训练好的第二评估模型中,获取第二评估结果;所述第二评估模型包括初始处理数据以及评估结果的对应关系;
根据所述初始处理数据、所述第一评估结果以及所述第二评估结果,确定评估结果。
2.根据权利要求1所述的方法,其特征在于,将所述可信信息数据与预设的对比数据库进行对比,获取初始处理数据,包括:
确定出所述对比数据库中与所述可信信息数据一致的目标对照数据,并根据预设的评估等级,确定所述初始处理数据。
3.根据权利要求1所述的方法,其特征在于,所述第一评估模型采用以下方法确定:
多次将第一样本数据输入待训练的第一评估模型中,进行训练,获取训练好的第一评估模型;所述第一评估模型为神经网络模型;
神经网络模型包括包括三层,分别为输入层、隐藏层以及输出层;
所述输入层,取14个神经元,对应为所述14个初始处理数据;所述隐藏层,取6个节点;所述输出层,取1个节点,所述第一评估模型的输出值即为所述第一评估结果;
所述输入层表示为X={xi|i∈(1,14)}、所述隐藏层表示为B={bj|j∈(1,6)}、所述输出层表示为y;
隐藏层第h个神经元的输入采用以下方法确定:
其中,αh为所述隐藏层第h个神经元的输入;vih为输入层中第i个神经元到隐藏层第h个神经元的权值;xi为输入层中第i个神经元;
输出层神经元的输入采用以下方法确定:
所述第一评估结果采用以下方法确定:
其中,y为所述第一评估结果;β为所述输出层神经元的输入;θ为输出层神经元的阈值;
训练结束后,采用最小二乘法计算输出误差,所述误差采用以下方法确定:
其中,E为所述误差;d为输出期望;f为所述神经网络的激活函数;wh为所述隐藏层中第h个神经元到输出层的权值;vih为所述输入层中第i个神经元到隐藏层第h个神经元的权值;xi为所述输入层中第i个神经元;
误差对于权重和阈值的梯度计算方法如下:
其中,E为所述误差;WT为所述网络中全部的权重和阈值。
4.根据权利要求3所述的方法,其特征在于,在确定所述第一评估模型,之后还包括:
采用粒子群算法,对所述第一评估模型进行优化;
粒子群算法采用如下方法构建:
构建97维粒子空间,第i个粒子的空间位置为pi=(pi1,pi2,…,pi97),移动速度为vi=(vi1,vi2,…,vi97);
适应度函数采用以下方法确定:
其中,F为所述适应度函数;dn为第n个样本的期望;yn为第n个样本的实际结果;s为样本数量;
每轮计算结束,每个粒子给出自身当前最优解Fpbest,粒子群给出当前群体最优解Fgbest;每轮结束,粒子用所述当前自身最优解与所述当前群体最优解比较,进一步更新所述群体最优解;同时,每个粒子也会根据所述当前自身最优解和所述群体最优解更新自身移动速度和位置;
每个粒子的以及每个粒子的位置采用以下方法确定:
其中,为第l+1轮的第i个粒子的速度;为第l+1轮的第i个粒子的位置;Iw为惯性系数;lc1为学习率之一;lc2为学习率之二;r1和r2为(0,1)间的随机数;为第l轮的第i个粒子的k维移动速度;第l轮的第i个粒子的k维移动位置;k为(1,97)间的正整数;
粒子群通过不断更新粒子位置和速度不断得出最优解;当粒子群的适应度小于给定允许误差时,认为算法已经收敛,终止优化;否则当优化次数达到规定次数时终止优化。
5.根据权利要求1所述的方法,其特征在于,所述第二评估模型采用以下方法确定:
多次将第二样本数据输入待训练的第二评估模型中,进行训练,获取训练好的第二评估模型;所述第二评估模型根据模糊理论建立;
所述第二评估模型采用以下方法确定:
所述第二评估模型分为指标层、准则层和评估层;
将所述连通性数据表示为C={ci|i∈(1,5)};所述可用性数据表示为A={aj|j∈(1,4)};所述有效性数据表示为H={hk|k∈(1,5)};将所述连通性数据、所述可用性数据以及所述有效性数据结合起来表示为<c1,c2,c3,c4,c5,a1,a2,a3,a4,h1,h2,h3,h4,h5>对应为所述初始处理数据;将所述连通性数据、所述可用性数据以及所述有效性数据作为指标层元素,采用5档评价标准,对指标元素集U={u|u∈C,A,H}中的指标元素u,有评判结果集 指标元素u对应等级l的评估结果为 的隶属度Ru采用以下方法确定:
然后计算准则层中准则的评估值;所述初始处理数据对应的评估值采用以下方法确定:
然后,确定评估层的初始可靠性评估值,采用以下方法确定评估层的初始可靠性评估值:
VS=sCVGC+sAVGA+sHVGH
其中,VS为评估层的初始可靠性评估值;sC为连通性数据评估值的权重;sA为可用性数据评估值的权重;sH为有效性数据评估值的权重;VGC为连通性数据对应评估值;VGA为可用性数据对应评估值;VGH为有效性数据对应评估值;
连通性数据评估值的权重、可用性数据评估值的权重以及有效性数据评估值的权重采用以下方法确定:
然后确定节点可靠度以及路径可靠度,节点可靠度以及路径可靠度采用以下方法确定:
其中,Cnode为所述节点可靠度;Clink为所述路径可靠度;λnode为节点故障率,λlink为路径故障率;t是网络运行时间;
节点冗余度以及路径冗余度采用以下方法确定:
其中,REnode为所述节点冗余度;RElink为所述路径冗余度;Nrn是冗余节点数量,Nn是工作节点数量;Nrl是冗余带宽,Nl是占用带宽;
最后,根据所述评估层的初始可靠性评估值、所述节点可靠度以及所述路径可靠度确定模糊可靠度;具体方法如下:
6.根据权利要求1所述的方法,其特征在于,根据所述初始处理数据、所述第一评估结果以及所述第二评估结果,确定评估结果,包括:
根据所述初始处理数据,所述第一评估结果以及所述第二评估结果,确定所述第一评估结果的第一占比,以及所述第二评估结果的第二占比;所述初始处理数据的第三占比;所述第一占比为所述第一评估结果在所述评估结果中的比例;所述第二占比为所述第二评估结果在所述评估结果中的比例;所述第三占比为所述初始处理数据在所述评估结果中的比例;
根据所述第一评估结果、所述第一占比、所述第二评估结果、所述第二占比、所述初始处理数据以及所述第三占比,确定所述评估结果。
7.根据权利要求1所述的方法,其特征在于,所述初始处理数据包括:通信可靠度数据、网络控制能力数据、网络连通度数据、功率控制数据、连通机制数据、网络覆盖率数据、网络结构完整性数据、服务可用性数据、重传机制成功率数据、传输有效性数据、传输实时性数据、网关有效性数据、信道接入数据以及路由机制有效性数据。
8.一种移动网络可信性的评估装置,其特征在于,所述装置包括:
获取模块,用于遍历待测试的移动网络,获取所述移动网络的可信信息数据;所述可信信息数据包括连通性数据、可用性数据以及有效性数据;
对比模块,用于将所述可信信息数据与预设的对比数据库进行对比,获取初始处理数据;所述对比数据库包括可信信息数据以及初始处理数据的对应关系;所述对比数据库根据历史可信信息数据以及历史专家评估结果建立;所述初始处理数据反应待评估移动网络的初始安全评估结果;
处理模块,用于将所述初始处理数据输入预先训练好的第一评估模型中,获取第一评估结果;所述第一评估模型包括初始处理数据以及评估结果的对应关系;
所述处理模块,还用于所述初始处理数据输入预先训练好的第二评估模型中,获取第二评估结果;所述第二评估模型包括初始处理数据以及评估结果的对应关系;
确定模块,用于根据所述初始处理数据、所述第一评估结果以及所述第二评估结果,确定评估结果。
9.根据权利要求8所述的装置,其特征在于,所述对比模块,具体用于:
确定出所述对比数据库中与所述可信信息数据一致的目标对照数据,并根据预设的评估等级,确定所述初始处理数据。
10.根据权利要求8所述的装置,其特征在于,所述第一评估模型采用以下方法确定:
多次将第一样本数据输入待训练的第一评估模型中,进行训练,获取训练好的第一评估模型;所述第一评估模型为神经网络模型。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110565995.6A CN113283168A (zh) | 2021-05-24 | 2021-05-24 | 一种移动网络可信性的评估方法及装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110565995.6A CN113283168A (zh) | 2021-05-24 | 2021-05-24 | 一种移动网络可信性的评估方法及装置 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN113283168A true CN113283168A (zh) | 2021-08-20 |
Family
ID=77281196
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110565995.6A Pending CN113283168A (zh) | 2021-05-24 | 2021-05-24 | 一种移动网络可信性的评估方法及装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN113283168A (zh) |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20160282229A1 (en) * | 2014-08-28 | 2016-09-29 | Beijing Jiaotong University | Fault Prediction and Condition-based Repair Method of Urban Rail Train Bogie |
CN108337223A (zh) * | 2017-11-30 | 2018-07-27 | 中国电子科技集团公司电子科学研究院 | 一种网络攻击的评估方法 |
CN112037011A (zh) * | 2020-08-14 | 2020-12-04 | 百维金科(上海)信息科技有限公司 | 一种基于foa-rbf神经网络的信用评分方法 |
-
2021
- 2021-05-24 CN CN202110565995.6A patent/CN113283168A/zh active Pending
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20160282229A1 (en) * | 2014-08-28 | 2016-09-29 | Beijing Jiaotong University | Fault Prediction and Condition-based Repair Method of Urban Rail Train Bogie |
CN108337223A (zh) * | 2017-11-30 | 2018-07-27 | 中国电子科技集团公司电子科学研究院 | 一种网络攻击的评估方法 |
CN112037011A (zh) * | 2020-08-14 | 2020-12-04 | 百维金科(上海)信息科技有限公司 | 一种基于foa-rbf神经网络的信用评分方法 |
Non-Patent Citations (1)
Title |
---|
赵冬梅;刘海峰;张军鹏;: "基于模糊神经网络的信息安全风险评估模型", 计算机工程与应用, no. 17, 11 June 2009 (2009-06-11) * |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN107231436B (zh) | 一种进行业务调度的方法和装置 | |
CN112581263A (zh) | 一种基于灰狼算法优化广义回归神经网络的信用评估方法 | |
CN110601777B (zh) | 一种低轨移动卫星星座下星地下行链路同频干扰估计方法 | |
CN103105246A (zh) | 一种基于遗传算法改进的bp神经网络的温室环境预测反馈方法 | |
CN113938488A (zh) | 一种基于动静态加权轮询的负载均衡方法 | |
CN112215446A (zh) | 一种基于神经网络的单位动态火灾风险评估方法 | |
CN112036540A (zh) | 一种基于双种群混合人工蜂群算法的传感器数目优化方法 | |
CN115277354B (zh) | 一种面向指挥控制网络管理系统的故障检测方法 | |
CN109543818A (zh) | 一种基于深度学习模型的链路评估方法和系统 | |
CN112529685A (zh) | 一种基于bas-fnn的贷款用户信用评级方法及系统 | |
CN112581264A (zh) | 一种基于蝗虫算法优化mlp神经网络的信用风险预测方法 | |
CN113239638A (zh) | 一种基于蜻蜓算法优化多核支持向量机的逾期风险预测方法 | |
CN113052316B (zh) | 基于因果推理的知识追踪方法、系统、设备及存储介质 | |
CN104092503A (zh) | 一种基于狼群优化的人工神经网络频谱感知方法 | |
CN113379536A (zh) | 一种基于引力搜索算法优化递归神经网络的违约概率预测方法 | |
CN111292062B (zh) | 基于网络嵌入的众包垃圾工人检测方法、系统及存储介质 | |
CN113283168A (zh) | 一种移动网络可信性的评估方法及装置 | |
Yang et al. | Evolutionary Neural Architecture Search for Transformer in Knowledge Tracing | |
Khuat et al. | Applying teaching-learning to artificial bee colony for parameter optimization of software effort estimation model | |
Tanhatalab et al. | Deep ran: A scalable data-driven platform to detect anomalies in live cellular network using recurrent convolutional neural network | |
CN112200208B (zh) | 基于多维度特征融合的云工作流任务执行时间预测方法 | |
CN114116692A (zh) | 一种基于mask和双向模型的缺失POI轨迹补全方法 | |
Sun | Algorithmic Fairness in Sequential Decision Making | |
CN115580526B (zh) | 一种通信网络故障诊断方法、系统、电子设备及存储介质 | |
CN112260870A (zh) | 基于动态模糊聚类和灰色神经网络的网络安全预测方法 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination |