CN115759736A - 基于bp神经网络的采购活动安全性评估方法及相关设备 - Google Patents
基于bp神经网络的采购活动安全性评估方法及相关设备 Download PDFInfo
- Publication number
- CN115759736A CN115759736A CN202211362542.4A CN202211362542A CN115759736A CN 115759736 A CN115759736 A CN 115759736A CN 202211362542 A CN202211362542 A CN 202211362542A CN 115759736 A CN115759736 A CN 115759736A
- Authority
- CN
- China
- Prior art keywords
- safety
- purchasing activity
- model
- evaluation
- target
- 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
- 230000000694 effects Effects 0.000 title claims abstract description 147
- 238000011156 evaluation Methods 0.000 title claims abstract description 94
- 238000013528 artificial neural network Methods 0.000 title claims abstract description 47
- 238000013210 evaluation model Methods 0.000 claims abstract description 59
- 238000012549 training Methods 0.000 claims abstract description 46
- 238000000034 method Methods 0.000 claims abstract description 36
- 210000002569 neuron Anatomy 0.000 claims description 26
- 238000012552 review Methods 0.000 claims description 10
- 230000006870 function Effects 0.000 claims description 9
- 230000007123 defense Effects 0.000 claims description 8
- 238000004519 manufacturing process Methods 0.000 claims description 8
- 238000012937 correction Methods 0.000 claims description 6
- 230000004913 activation Effects 0.000 claims description 4
- 238000013475 authorization Methods 0.000 claims description 4
- 238000005516 engineering process Methods 0.000 claims description 4
- 238000004590 computer program Methods 0.000 claims description 3
- 230000001149 cognitive effect Effects 0.000 abstract description 4
- 230000008569 process Effects 0.000 description 10
- 238000004891 communication Methods 0.000 description 7
- 238000010586 diagram Methods 0.000 description 5
- 238000003062 neural network model Methods 0.000 description 4
- 230000009471 action Effects 0.000 description 3
- 238000004458 analytical method Methods 0.000 description 3
- 230000008859 change Effects 0.000 description 3
- 238000010276 construction Methods 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 230000000644 propagated effect Effects 0.000 description 2
- 230000019771 cognition Effects 0.000 description 1
- 238000012854 evaluation process Methods 0.000 description 1
- 238000012545 processing Methods 0.000 description 1
- 230000000750 progressive effect Effects 0.000 description 1
- 238000012546 transfer Methods 0.000 description 1
- 230000009466 transformation Effects 0.000 description 1
Images
Landscapes
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本申请公开了一种基于BP神经网络的采购活动安全性评估方法及相关设备，该方法包括：根据预设的网络安全审查评估要素，确定用于评估采购活动安全性的多个指标；以各指标为输入，以评估结果为输出，基于BP神经网络构建安全评估模型；以采购活动的各指标为训练样本，以采购活动的评估结果作为样本标签，对安全评估模型进行训练，得到训练后的安全评估模型；基于预设的供应链安全形势因素，对训练后的安全评估模型进行修正，得到目标安全评估模型；利用目标安全评估模型对目标采购活动进行评估，得到目标采购活动的评估结果。本申请可以避免人为评估的随机性、主观不确定性和认知模糊性，实现了采购活动的安全性自动评估，确保了供应链的安全。
Description
技术领域
本申请涉及安全性评估技术领域，更具体地说，是涉及一种基于BP神经网络的采购活动安全性评估方法及相关设备。
背景技术
根据有关规定，关键信息基础设施的运营者在采购网络产品和服务前，应当预判该产品和服务投入使用后可能带来的国家安全风险，对于影响或者可能影响国家安全的产品或服务，应当向网络安全审查办公室申报网络安全审查。
2019年以来，某公司开展的网络产品和服务的采购活动已有数百起，针对采购活动是否可能影响国家安全，积累了大量的预判分析经验，但由于预判分析主体分散于各分/子公司，各分/子公司对于预判分析标准理解有偏差，难以摆脱评价过程中的随机性、主观不确定性和认识的模糊性。
发明内容
有鉴于此，本申请提供了一种基于BP神经网络的采购活动安全性评估方法及相关设备，以实现对采购活动的安全性进行自动评估。
为实现上述目的，本申请第一方面提供了一种基于BP神经网络的采购活动安全性评估方法，包括：
根据预设的网络安全审查评估要素，确定用于评估采购活动安全性的多个指标；
基于BP神经网络构建安全评估模型，所述安全评估模型以各指标为输入，以评估结果为输出；
以采购活动的各指标为训练样本，以采购活动的评估结果作为样本标签，对所述安全评估模型进行训练，得到训练后的安全评估模型；
基于预设的供应链安全形势因素，对所述训练后的安全评估模型进行修正，得到目标安全评估模型；
利用所述目标安全评估模型对目标采购活动进行评估，得到所述目标采购活动的评估结果。
优选地，所述多个指标包括：采购活动中拟采购的产品的信息、产品提供者的信息以及关键信息基础实施的信息；
其中，产品的信息包括产品名称、品牌、型号、数量、产地、生产制造商，采购金额，产品类型、关键技术、关键专利、关键服务和授权期限；
产品提供者的信息包括公司名称、地址、注册地、法定代表人、联系人、股权及控制权情况、实际控制人、直接母公司及总公司情况、以及社会信用情况；
关键信息基础设施的信息包括现有设施在用的同类产品或服务的规模、拟采购的产品在现有设施中的占比及影响系数。
优选地，所述安全评估模型包括输入层、输出层和隐藏层；
输入层和隐藏层的神经元节点的关系为：
其中，x为前一神经元节点的输出，w为前一神经元节点到节点i的权重，b为偏置因子，f为激活函数；
所述隐藏层的神经元的个数Nj由下述方程式确定：
其中，Ni为输入层的神经元个数，No为输出层的神经元个数，Ns为训练集的样本数，a为预设的常数。
优选地，以采购活动的各指标为训练样本，以采购活动的评估结果作为样本标签，对所述安全评估模型进行训练，包括：
获取由各采购活动的各指标构成的训练集，将每一采购活动的评估结果确定为所述采购活动的标签，所述评估结果包括影响国家安全和不影响国家安全；
将采购活动的各指标输入到安全评估模型中，得到安全评估模型输出的对应于所述采购活动的评估结果；
以所述评估结果趋近于所述采购活动标记的评估结果为训练目标，更新所述安全评估模型的参数。
优选地，所述供应链安全形势因素包括：经贸限制因素、大国关系因素以及网络安全攻防态势；
其中，所述经贸限制因素的权重占比为40％，所述大国关系因素的权重占比为30％，所述网络安全攻防态势的权重占比为30％。
优选地，对所述训练后的安全评估模型进行修正，包括：
根据供应链安全形势因素中各因素的权重占比，对所述训练后的安全评估模型的权重值进行调整。
优选地，还包括：
根据所述目标采购活动的评估结果，确定是否需要申报网络安全审查。
本申请第二方面提供了一种基于BP神经网络的采购活动安全性评估装置，包括：
指标确定单元，用于根据预设的网络安全审查评估要素，确定用于评估采购活动安全性的多个指标；
模型构建单元，用于基于BP神经网络构建安全评估模型，所述安全评估模型以各指标为输入，以评估结果为输出；
模型训练单元，用于以采购活动的各指标为训练样本，以采购活动的评估结果作为样本标签，对所述安全评估模型进行训练，得到训练后的安全评估模型；
模型修正单元，用于基于预设的供应链安全形势因素，对所述训练后的安全评估模型进行修正，得到目标安全评估模型；
安全评估单元，用于利用所述目标安全评估模型对目标采购活动进行评估，得到所述目标采购活动的评估结果。
本申请第三方面提供了一种基于BP神经网络的采购活动安全性评估设备，包括：存储器和处理器；
所述存储器，用于存储程序；
所述处理器，用于执行所述程序，实现上述的基于BP神经网络的采购活动安全性评估方法的各个步骤。
本申请第四方面提供了一种存储介质，其上存储有计算机程序，所述计算机程序被处理器执行时，实现如上述的基于BP神经网络的采购活动安全性评估方法的各个步骤。
经由上述的技术方案可知，本申请首先根据预设的网络安全审查评估要素，确定用于评估采购活动安全性的多个指标。然后，基于BP神经网络构建安全评估模型。其中，所述安全评估模型以各指标为输入，以评估结果为输出。接着，以采购活动的各指标为训练样本，以采购活动的评估结果作为样本标签，对所述安全评估模型进行训练，得到训练后的安全评估模型。所述训练后的模型能够基于采购活动的各指标，计算出所述采购活动的安全情况。并基于预设的供应链安全形势因素，对所述训练后的安全评估模型进行修正，得到目标安全评估模型。所述修正过程使得安全评估模型可以更好地适应外部供应链形势的变化，提高安全评估的准确性。最后，利用所述目标安全评估模型对目标采购活动进行评估，得到所述目标采购活动的评估结果。本申请利用神经网络模型来评估采购活动的安全性，可以避免人为评估的随机性、主观不确定性和认知模糊性，实现了采购活动的安全性自动评估，确保预判工作质量高效、依法规范，确保了供应链安全、网络安全。
附图说明
为了更清楚地说明本申请实施例或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本申请的实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据提供的附图获得其他的附图。
图1为本申请实施例公开的基于BP神经网络的采购活动安全性评估方法的示意图；
图2示例了本申请实施例公开的安全评估模型；
图3为本申请实施例公开的基于BP神经网络的采购活动安全性评估方法的示意图；
图4为本申请实施例公开的基于BP神经网络的采购活动安全性评估装置的示意图；
图5为本申请实施例公开的基于BP神经网络的采购活动安全性评估设备的示意图。
具体实施方式
下面将结合本申请实施例中的附图，对本申请实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本申请一部分实施例，而不是全部的实施例。基于本申请中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本申请保护的范围。
下面介绍本申请实施例提供的基于BP神经网络的采购活动安全性评估方法。请参阅图1，本申请实施例提供的基于BP神经网络的采购活动安全性评估方法可以包括如下步骤：
步骤S101，根据预设的网络安全审查评估要素，确定用于评估采购活动安全性的多个指标。
其中，这些指标包括评价指标和评价结果，可以由此制定出评估各采购活动安全性的训练数据集。
步骤S102，基于BP神经网络构建安全评估模型。
其中，该安全评估模型以各指标为输入，以评估结果为输出。BP神经网络是一种多层的前馈神经网络，其主要的特点是：信号是前向传播的，而误差是反向传播的。具体来说，如图2所示，BP神经网络可以只含一个隐层的神经网络模型，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。
步骤S103，以采购活动的各指标为训练样本，以采购活动的评估结果作为样本标签，对该安全评估模型进行训练，得到训练后的安全评估模型。
步骤S104，基于预设的供应链安全形势因素，对训练后的安全评估模型进行修正，得到目标安全评估模型。
步骤S105，利用目标安全评估模型对目标采购活动进行评估，得到目标采购活动的评估结果。
本申请首先根据预设的网络安全审查评估要素，确定用于评估采购活动安全性的多个指标。然后，基于BP神经网络构建安全评估模型。其中，所述安全评估模型以各指标为输入，以评估结果为输出。接着，以采购活动的各指标为训练样本，以采购活动的评估结果作为样本标签，对所述安全评估模型进行训练，得到训练后的安全评估模型。所述训练后的模型能够基于采购活动的各指标，计算出所述采购活动的安全情况。并基于预设的供应链安全形势因素，对所述训练后的安全评估模型进行修正，得到目标安全评估模型。所述修正过程使得安全评估模型可以更好地适应外部供应链形势的变化，提高安全评估的准确性。最后，利用所述目标安全评估模型对目标采购活动进行评估，得到所述目标采购活动的评估结果。本申请利用神经网络模型来评估采购活动的安全性，可以避免人为评估的随机性、主观不确定性和认知模糊性，实现了采购活动的安全性自动评估，确保预判工作质量高效、依法规范，确保了供应链安全、网络安全。
在本申请的一些实施例中，步骤S101提及多个指标可以包括：采购活动中拟采购的产品的信息、产品提供者的信息以及关键信息基础实施的信息。
其中，产品的信息包括产品名称、品牌、型号、数量、产地、生产制造商，采购金额，产品类型(如CPU、内存、硬盘)、关键技术、关键专利、关键服务和授权期限。
产品提供者的信息包括公司名称、地址、注册地、法定代表人、联系人、股权及控制权情况、实际控制人、直接母公司及总公司情况、以及社会信用情况。其中，社会信用情况可以包括遵守所在国的法律、行政法规、部门规章的情况。
关键信息基础设施的信息包括现有设施在用的同类产品或服务的规模、拟采购的产品在现有设施中的占比及影响系数。
由于上述各指标中，既有定性指标又有定量指标，为使各指标在整个系统中具有可比性，必须对各指标进行标准化处理。
在本申请的一些实施例中，步骤S102构建的安全评估模型包括输入层、输出层和隐藏层。
其中，输入层和隐藏层的神经元节点的关系为：
其中，x为前一神经元节点的输出，w为前一神经元节点到节点i的权重，b为偏置因子，f为激活函数。
隐藏层的神经元的个数Nh由下述方程式确定：
其中，Ni为输入层的神经元个数，No为输出层的神经元个数，Ns为训练集的样本数，a为预设的常数，通常可以在2～10之间取值。
在本申请的一些实施例中，输入层可以包含29个神经元节点。对输入数据进行尺度变换，利用sigmoid类转移函数转移至[0，1]范围内输入，以评估结果作为输出，输出层含1个节点。
在本申请的一些实施例中，步骤S103以采购活动的各指标为训练样本，以采购活动的评估结果作为样本标签，对所述安全评估模型进行训练的过程，可以包括：
S1，获取由各采购活动的各指标构成的训练集，将每一采购活动的评估结果确定为所述采购活动的标签。
其中，评估结果包括影响国家安全和不影响国家安全。
S2，将采购活动的各指标输入到安全评估模型中，得到安全评估模型输出的对应于该采购活动的评估结果。
S3，以该评估结果趋近于该采购活动标记的评估结果为训练目标，更新安全评估模型的参数。
在本申请的一些实施例中，步骤S104提及的供应链安全形势因素包括：经贸限制因素、大国关系因素以及网络安全攻防态势。
其中，所述经贸限制因素的权重占比为40％，所述大国关系因素的权重占比为30％，所述网络安全攻防态势的权重占比为30％。
在本申请的一些实施例中，步骤S104对训练后的安全评估模型进行修正的过程，可以包括：
根据供应链安全形势因素中各因素的权重占比，对训练后的安全评估模型的权重值进行调整。
在本申请的一些实施例中，请参见图3，上述各实施例提供的基于BP神经网络的采购活动安全性评估，还可以包括：
步骤S106，根据目标采购活动的评估结果，确定是否需要申报网络安全审查。
下面对本申请实施例提供的基于BP神经网络的采购活动安全性评估装置进行描述，下文描述的基于BP神经网络的采购活动安全性评估装置与上文描述的基于BP神经网络的采购活动安全性评估方法可相互对应参照。
请参见图4，本申请实施例提供的基于BP神经网络的采购活动安全性评估装置，可以包括：
指标确定单元21，用于根据预设的网络安全审查评估要素，确定用于评估采购活动安全性的多个指标；
模型构建单元22，用于基于BP神经网络构建安全评估模型，所述安全评估模型以各指标为输入，以评估结果为输出；
模型训练单元23，用于以采购活动的各指标为训练样本，以采购活动的评估结果作为样本标签，对所述安全评估模型进行训练，得到训练后的安全评估模型；
模型修正单元24，用于基于预设的供应链安全形势因素，对所述训练后的安全评估模型进行修正，得到目标安全评估模型；
安全评估单元25，用于利用所述目标安全评估模型对目标采购活动进行评估，得到所述目标采购活动的评估结果。
在本申请的一些实施例中，所述多个指标可以包括：采购活动中拟采购的产品的信息、产品提供者的信息以及关键信息基础实施的信息。
其中，产品的信息包括产品名称、品牌、型号、数量、产地、生产制造商，采购金额，产品类型、关键技术、关键专利、关键服务和授权期限。
产品提供者的信息包括公司名称、地址、注册地、法定代表人、联系人、股权及控制权情况、实际控制人、直接母公司及总公司情况、以及社会信用情况。
关键信息基础设施的信息包括现有设施在用的同类产品或服务的规模、拟采购的产品在现有设施中的占比及影响系数。
在本申请的一些实施例中，所述安全评估模型包括输入层、输出层和隐藏层。
输入层和隐藏层的神经元节点的关系为：
其中，x为前一神经元节点的输出，w为前一神经元节点到节点i的权重，b为偏置因子，f为激活函数。
所述隐藏层的神经元的个数Nh由下述方程式确定：
其中，Ni为输入层的神经元个数，No为输出层的神经元个数，Ns为训练集的样本数，a为预设的常数。
在本申请的一些实施例中，模型训练单元23以采购活动的各指标为训练样本，以采购活动的评估结果作为样本标签，对所述安全评估模型进行训练的过程，可以包括：
获取由各采购活动的各指标构成的训练集，将每一采购活动的评估结果确定为所述采购活动的标签，所述评估结果包括影响国家安全和不影响国家安全；
将采购活动的各指标输入到安全评估模型中，得到安全评估模型输出的对应于所述采购活动的评估结果；
以所述评估结果趋近于所述采购活动标记的评估结果为训练目标，更新所述安全评估模型的参数。
在本申请的一些实施例中，所述供应链安全形势因素包括：经贸限制因素、大国关系因素以及网络安全攻防态势。
其中，所述经贸限制因素的权重占比为40％，所述大国关系因素的权重占比为30％，所述网络安全攻防态势的权重占比为30％。
在本申请的一些实施例中，模型修正单元24对所述训练后的安全评估模型进行修正的过程，可以包括：
根据供应链安全形势因素中各因素的权重占比，对所述训练后的安全评估模型的权重值进行调整。
在本申请的一些实施例中，基于BP神经网络的采购活动安全性评估装置，还可以包括申报确定单元，用于：
根据所述目标采购活动的评估结果，确定是否需要申报网络安全审查。
本申请实施例提供的基于BP神经网络的采购活动安全性评估装置可应用于基于BP神经网络的采购活动安全性评估设备，如计算机等。可选的，图5示出了基于BP神经网络的采购活动安全性评估设备的硬件结构框图，参照图5，基于BP神经网络的采购活动安全性评估设备的硬件结构可以包括：至少一个处理器31，至少一个通信接口32，至少一个存储器33和至少一个通信总线34。
在本申请实施例中，处理器31、通信接口32、存储器33、通信总线34的数量为至少一个，且处理器31、通信接口32、存储器33通过通信总线34完成相互间的通信；
处理器31可能是一个中央处理器CPU，或者是特定集成电路ASIC(ApplicationSpecific Integrated Circuit)，或者是被配置成实施本申请实施例的一个或多个集成电路等；
存储器33可能包含高速RAM存储器，也可能还包括非易失性存储器(non-volatilememory)等，例如至少一个磁盘存储器；
其中，存储器33存储有程序，处理器31可调用存储器33存储的程序，所述程序用于：
根据预设的网络安全审查评估要素，确定用于评估采购活动安全性的多个指标；
基于BP神经网络构建安全评估模型，所述安全评估模型以各指标为输入，以评估结果为输出；
以采购活动的各指标为训练样本，以采购活动的评估结果作为样本标签，对所述安全评估模型进行训练，得到训练后的安全评估模型；
基于预设的供应链安全形势因素，对所述训练后的安全评估模型进行修正，得到目标安全评估模型；
利用所述目标安全评估模型对目标采购活动进行评估，得到所述目标采购活动的评估结果。
可选的，所述程序的细化功能和扩展功能可参照上文描述。
本申请实施例还提供一种存储介质，该存储介质可存储有适于处理器执行的程序，所述程序用于：
根据预设的网络安全审查评估要素，确定用于评估采购活动安全性的多个指标；
基于BP神经网络构建安全评估模型，所述安全评估模型以各指标为输入，以评估结果为输出；
以采购活动的各指标为训练样本，以采购活动的评估结果作为样本标签，对所述安全评估模型进行训练，得到训练后的安全评估模型；
基于预设的供应链安全形势因素，对所述训练后的安全评估模型进行修正，得到目标安全评估模型；
利用所述目标安全评估模型对目标采购活动进行评估，得到所述目标采购活动的评估结果。
可选的，所述程序的细化功能和扩展功能可参照上文描述。
综上所述：
本申请首先根据预设的网络安全审查评估要素，确定用于评估采购活动安全性的多个指标。然后，基于BP神经网络构建安全评估模型。其中，所述安全评估模型以各指标为输入，以评估结果为输出。接着，以采购活动的各指标为训练样本，以采购活动的评估结果作为样本标签，对所述安全评估模型进行训练，得到训练后的安全评估模型。所述训练后的模型能够基于采购活动的各指标，计算出所述采购活动的安全情况。并基于预设的供应链安全形势因素，对所述训练后的安全评估模型进行修正，得到目标安全评估模型。所述修正过程使得安全评估模型可以更好地适应外部供应链形势的变化，提高安全评估的准确性。最后，利用所述目标安全评估模型对目标采购活动进行评估，得到所述目标采购活动的评估结果。本申请利用神经网络模型来评估采购活动的安全性，可以避免人为评估的随机性、主观不确定性和认知模糊性，实现了采购活动的安全性自动评估，确保预判工作质量高效、依法规范，确保了供应链安全、网络安全。
最后，还需要说明的是，在本文中，诸如第一和第二等之类的关系术语仅仅用来将一个实体或者操作与另一个实体或操作区分开来，而不一定要求或者暗示这些实体或操作之间存在任何这种实际的关系或者顺序。而且，术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含，从而使得包括一系列要素的过程、方法、物品或者设备不仅包括那些要素，而且还包括没有明确列出的其他要素，或者是还包括为这种过程、方法、物品或者设备所固有的要素。在没有更多限制的情况下，由语句“包括一个……”限定的要素，并不排除在包括所述要素的过程、方法、物品或者设备中还存在另外的相同要素。
本说明书中各个实施例采用递进的方式描述，每个实施例重点说明的都是与其他实施例的不同之处，各个实施例之间可以根据需要进行组合，且相同相似部分互相参见即可。
对所公开的实施例的上述说明，使本领域专业技术人员能够实现或使用本申请。对这些实施例的多种修改对本领域的专业技术人员来说将是显而易见的，本文中所定义的一般原理可以在不脱离本申请的精神或范围的情况下，在其它实施例中实现。因此，本申请将不会被限制于本文所示的这些实施例，而是要符合与本文所公开的原理和新颖特点相一致的最宽的范围。
Claims (10)
1.一种基于BP神经网络的采购活动安全性评估方法，其特征在于，包括：
根据预设的网络安全审查评估要素，确定用于评估采购活动安全性的多个指标；
基于BP神经网络构建安全评估模型，所述安全评估模型以各指标为输入，以评估结果为输出；
以采购活动的各指标为训练样本，以采购活动的评估结果作为样本标签，对所述安全评估模型进行训练，得到训练后的安全评估模型；
基于预设的供应链安全形势因素，对所述训练后的安全评估模型进行修正，得到目标安全评估模型；
利用所述目标安全评估模型对目标采购活动进行评估，得到所述目标采购活动的评估结果。
2.根据权利要求1所述的方法，其特征在于，所述多个指标包括：采购活动中拟采购的产品的信息、产品提供者的信息以及关键信息基础实施的信息；
其中，产品的信息包括产品名称、品牌、型号、数量、产地、生产制造商，采购金额，产品类型、关键技术、关键专利、关键服务和授权期限；
产品提供者的信息包括公司名称、地址、注册地、法定代表人、联系人、股权及控制权情况、实际控制人、直接母公司及总公司情况、以及社会信用情况；
关键信息基础设施的信息包括现有设施在用的同类产品或服务的规模、拟采购的产品在现有设施中的占比及影响系数。
3.根据权利要求1所述的方法，其特征在于，所述安全评估模型包括输入层、输出层和隐藏层；
输入层和隐藏层的神经元节点的关系为：
其中，x为前一神经元节点的输出，w为前一神经元节点到节点i的权重，b为偏置因子，f为激活函数；
所述隐藏层的神经元的个数Nh由下述方程式确定：
其中，Ni为输入层的神经元个数，No为输出层的神经元个数，Ns为训练集的样本数，a为预设的常数。
4.根据权利要求1所述的方法，其特征在于，以采购活动的各指标为训练样本，以采购活动的评估结果作为样本标签，对所述安全评估模型进行训练，包括：
获取由各采购活动的各指标构成的训练集，将每一采购活动的评估结果确定为所述采购活动的标签，所述评估结果包括影响国家安全和不影响国家安全；
将采购活动的各指标输入到安全评估模型中，得到安全评估模型输出的对应于所述采购活动的评估结果；
以所述评估结果趋近于所述采购活动标记的评估结果为训练目标，更新所述安全评估模型的参数。
5.根据权利要求1所述的方法，其特征在于，所述供应链安全形势因素包括：经贸限制因素、大国关系因素以及网络安全攻防态势；
其中，所述经贸限制因素的权重占比为40％，所述大国关系因素的权重占比为30％，所述网络安全攻防态势的权重占比为30％。
6.根据权利要求5所述的方法，其特征在于，对所述训练后的安全评估模型进行修正，包括：
根据供应链安全形势因素中各因素的权重占比，对所述训练后的安全评估模型的权重值进行调整。
7.根据权利要求1～6任一项所述的方法，其特征在于，还包括：
根据所述目标采购活动的评估结果，确定是否需要申报网络安全审查。
8.一种基于BP神经网络的采购活动安全性评估装置，其特征在于，包括：
指标确定单元，用于根据预设的网络安全审查评估要素，确定用于评估采购活动安全性的多个指标；
模型构建单元，用于基于BP神经网络构建安全评估模型，所述安全评估模型以各指标为输入，以评估结果为输出；
模型训练单元，用于以采购活动的各指标为训练样本，以采购活动的评估结果作为样本标签，对所述安全评估模型进行训练，得到训练后的安全评估模型；
模型修正单元，用于基于预设的供应链安全形势因素，对所述训练后的安全评估模型进行修正，得到目标安全评估模型；
安全评估单元，用于利用所述目标安全评估模型对目标采购活动进行评估，得到所述目标采购活动的评估结果。
9.一种基于BP神经网络的采购活动安全性评估设备，其特征在于，包括：存储器和处理器；
所述存储器，用于存储程序；
所述处理器，用于执行所述程序，实现如权利要求1～7中任一项所述的基于BP神经网络的采购活动安全性评估方法的各个步骤。
10.一种存储介质，其上存储有计算机程序，其特征在于，所述计算机程序被处理器执行时，实现如权利要求1～7中任一项所述的基于BP神经网络的采购活动安全性评估方法的各个步骤。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202211362542.4A CN115759736A (zh) | 2022-11-02 | 2022-11-02 | 基于bp神经网络的采购活动安全性评估方法及相关设备 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202211362542.4A CN115759736A (zh) | 2022-11-02 | 2022-11-02 | 基于bp神经网络的采购活动安全性评估方法及相关设备 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN115759736A true CN115759736A (zh) | 2023-03-07 |
Family
ID=85355385
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202211362542.4A Pending CN115759736A (zh) | 2022-11-02 | 2022-11-02 | 基于bp神经网络的采购活动安全性评估方法及相关设备 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN115759736A (zh) |
-
2022
- 2022-11-02 CN CN202211362542.4A patent/CN115759736A/zh active Pending
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| Groff et al. | State of the art in agent-based modeling of urban crime: An overview | |
| Leung | Causal inference under approximate neighborhood interference | |
| Sancha et al. | Does implementing social supplier development practices pay off? | |
| Serrano | The dynamics of the transfer and renewal of patents | |
| Balci | A methodology for certification of modeling and simulation applications | |
| Dotoli et al. | A stochastic cross‐efficiency data envelopment analysis approach for supplier selection under uncertainty | |
| Hynes et al. | Modelling farmers’ participation in an agri‐environmental scheme using panel data: an application to the rural environment protection scheme in Ireland | |
| Yokota et al. | Value of information analysis in environmental health risk management decisions: past, present, and future | |
| McCarl | Model validation: an overview with some emphasis on risk models | |
| Putman et al. | Urban residential location models | |
| CN108764707A (zh) | 一种数据评估系统以及方法 | |
| Kerr et al. | Treet: the trust and reputation experimentation and evaluation testbed | |
| Khan et al. | Are we prepared? The development of performance indicators for public health emergency preparedness using a modified Delphi approach | |
| Duttle | Cognitive skills and confidence: Interrelations with overestimation, overplacement and overprecision | |
| Mason et al. | A Bayesian framework for health economic evaluation in studies with missing data | |
| CN112232949A (zh) | 基于区块链的借贷风险的预测方法和装置 | |
| Collier et al. | Principles and methods of model validation for model risk reduction | |
| CN113052705A (zh) | 一种供应链金融服务流程管理方法及装置 | |
| Lee et al. | Pricing and timing strategies for new product using agent-based simulation of behavioural consumers | |
| CN110264368A (zh) | 目标加密货币的情绪指数的生成方法及装置 | |
| CN101783750B (zh) | 一种基于贝叶斯网络失败风险模型的Web Service测试方法 | |
| CN113591148A (zh) | 基于区块链的食品安全上链数据可信性度量方法 | |
| Tart | Opinion evidence in cell site analysis | |
| CN110858368A (zh) | 一种数据评估服务价值确定系统和方法 | |
| CN115759736A (zh) | 基于bp神经网络的采购活动安全性评估方法及相关设备 |
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 |