何文才，張 川，葉思水，賈新會，劉培鶴

（北京電子科技學院，北京100070）

0 引言

電子政務(wù)網(wǎng)絡(luò)是各級黨政機關(guān)辦公、傳遞文件和處理事件的網(wǎng)絡(luò)，是黨政部門提高工作效率的重要工具。電子政務(wù)內(nèi)網(wǎng)是政務(wù)部門內(nèi)部數(shù)據(jù)與辦公相結(jié)合的網(wǎng)絡(luò)，承擔著政務(wù)部門內(nèi)部數(shù)據(jù)操作和政務(wù)事務(wù)處理等主要職能[1]。因其傳播數(shù)據(jù)的特殊性及敏感性，極易遭到不法分子的攻擊。若電子政務(wù)系統(tǒng)受到攻擊，其產(chǎn)生危害無論在波及范圍還是在危害程度上都不可估量，甚至可能威脅國家安全?！?006～2020年國家信息化發(fā)展戰(zhàn)略》把建設(shè)信息安全保障體系納入國家信息化發(fā)展戰(zhàn)略，加快信息安全保障體系建設(shè)成為推進國民經(jīng)濟和社會信息化建設(shè)的重要內(nèi)容[2]。結(jié)合層次分析法（AHP），構(gòu)建基于改進反向傳播人工神經(jīng)網(wǎng)絡(luò)（BP ANN）的信息安全評估模型，為電子政務(wù)內(nèi)網(wǎng)信息安全評估提供一種評估方法，提前發(fā)現(xiàn)潛在風險，采取相應(yīng)安全措施，提高政務(wù)內(nèi)網(wǎng)信息安全保障水平。

1 相關(guān)工作

目前，在信息安全評估的領(lǐng)域，已有大量文獻提出了豐富的風險評估方法。主要分定性評估方法、定量評估方法和定性與定量相結(jié)合的評估方法三大類[3]。定性評估方法有德爾菲方法和頭腦風暴法等。定量評估方法有統(tǒng)計學模型、決策樹法、人工神經(jīng)網(wǎng)絡(luò)方法、CPN方法以及ALE－based方法等。

人工神經(jīng)網(wǎng)絡(luò)在信息安全評估方面的研究，已取得諸多成果。趙冬梅等[4]結(jié)合小波神經(jīng)網(wǎng)絡(luò)與模糊理論，研究了基于模糊神經(jīng)網(wǎng)絡(luò)的信息安全評估模型；申健[5]研究了網(wǎng)絡(luò)安全進行綜合評估方法及應(yīng)用；Swarup K S和Corthis P B提出了采用神經(jīng)網(wǎng)絡(luò)對系統(tǒng)進行安全評估[6]；劉海燕等[7]研究了基于神經(jīng)網(wǎng)絡(luò)的信息系統(tǒng)安全性綜合評估方法；于群等[8]提出了基于BP神經(jīng)網(wǎng)絡(luò)的網(wǎng)絡(luò)安全評估方法。但是針對具體的應(yīng)用情況，基于ANN的信息安全評估還不夠成熟，評估體系不夠全面系統(tǒng)。電子政務(wù)內(nèi)網(wǎng)信息安全評估存在非線性、復(fù)雜性和不確定性，其安全性主要受技術(shù)、管理、戰(zhàn)略和人才四大因素影響。人工神經(jīng)網(wǎng)絡(luò)在處理不確定性問題時，具有以任意精度逼近任何連續(xù)的非線性函數(shù)的功能，可準確反映電子政務(wù)內(nèi)網(wǎng)中的復(fù)雜非線性關(guān)系，實現(xiàn)對其信息安全性的準確評估[9]。

Saaty T L教授創(chuàng)立的層次分析法（AHP）是對非定量事件作定量分析的一種有效方法，該方法保證了定性科學性和定量分析的精確性，又保證了定性和定量兩類指標綜合評價的統(tǒng)一性[10]，適合于信息安全的綜合評估。結(jié)合分析所得的電子政務(wù)內(nèi)網(wǎng)信息安全評估三層指標體系，構(gòu)建AHP模型，對指標數(shù)據(jù)作初步分析，利用初步分析所得數(shù)據(jù)樣本，基于BP ANN構(gòu)建模型，對電子政務(wù)內(nèi)網(wǎng)進行信息安全評估。

2 電子政務(wù)內(nèi)網(wǎng)信息安全評估的AHP模型

2.1 建立信息安全評估指標體系

信息系統(tǒng)的安全評估是指對由于系統(tǒng)本身存在的脆弱性以及外部威脅行為而對資產(chǎn)造成損失的潛在可能性進行分析和評估。其最終目的是通過分析發(fā)現(xiàn)潛在的風險，進而采取相應(yīng)的措施，提高風險控制水平[7]。安全評估是保障系統(tǒng)信息安全的重要環(huán)節(jié)。信息安全評估是信息系統(tǒng)安全工程的重要組成部分，是建立信息系統(tǒng)安全體系的前提和基礎(chǔ)[11]。

電子政務(wù)內(nèi)網(wǎng)的信息安全風險評估具有復(fù)雜性、非線性和不確定等特點，通過研究電子政務(wù)內(nèi)網(wǎng)的安全架構(gòu)，分析其安全性主要受技術(shù)、管理、戰(zhàn)略和人才四個重要因素影響，由此獲得對電子政務(wù)內(nèi)網(wǎng)信息安全評估的三層指標體系[12]如圖1所示。

圖1 電子政務(wù)內(nèi)網(wǎng)評價指標體系

2.2 構(gòu)造判斷矩陣

層次分析法將復(fù)雜的問題分解為各個組成因素，將這些因素的支配關(guān)系分組形成有序的遞階層次結(jié)構(gòu)，通過兩兩比較的方式確定層次中諸因素的相對重要性，然后綜合專家的判斷以決定諸因素相對重要性的總順序，其特點很適合于網(wǎng)絡(luò)安全的綜合評價[13]。采用層次分析法，結(jié)合網(wǎng)絡(luò)安全綜合評價指標體系，初步分析指標數(shù)據(jù)，得出指標體系中第二層四項因素即技術(shù)、管理、戰(zhàn)略、人才的評估值。

將層次結(jié)構(gòu)模型中每一層的各要素，用于上一層的相關(guān)因素作為比較準則，根據(jù)重要程度相互間進行兩兩比較，形成的矩陣即為判斷矩陣。AHP采用1～9標度方法，1表示兩元素同樣重要，3、5、7、9分別表示一個元素比另一個元素稍微重要、明顯重要、強烈重要、絕對重要；2、4、6、8表示兩個相鄰奇數(shù)標度的中值[14]。如上述層次結(jié)構(gòu)中B1技術(shù)因素與下一層的C1計算機軟件、C2計算機網(wǎng)絡(luò)、C3環(huán)境基礎(chǔ)設(shè)施有關(guān)，構(gòu)造判斷矩陣如表1所示。同理可分別得出C4～C11對于B2、C12～C14對于B3、C15～C18對于B4之間的判斷矩陣。

表1 C1、C2、C3對于B1的判斷矩陣

2.3 計算指標權(quán)重及其一致性檢驗

對于每一個判斷矩陣A，可以對應(yīng)一個特征方程AW＝λW，其中λ為A的最大特征根，W為對應(yīng)于λ的特征向量。根據(jù)判斷矩陣計算本層指標的權(quán)重即求解特征方程的解向量W并歸一化的過程。最后得到歸一化后的向量，可認為是本層次各因素以上一層次因素為比較準則時，比較后的相對重要性標度即權(quán)重。和積法計算權(quán)重的計算過程如下：

（1）將判斷矩陣的每列元素作歸一化處理，其元素的一般項為式（1）

（2）將每列經(jīng)歸一化后的元素按行相加得式（2）

（4）計算最大特征根λmax式（4）

得到C1計算機軟件、C2計算機網(wǎng)絡(luò)、C3環(huán)境基礎(chǔ)設(shè)施對B1技術(shù)因素的指標權(quán)重

同理可得到C4～C11、C12～C14、C15～C18分別對B2、B3、B4的指標權(quán)重。

在對同一層次上的各因素作兩兩比較時，很可能出現(xiàn)所用的比較尺度前后不一致的現(xiàn)象，當這種不一致的程度較大時可能得出錯誤的計算結(jié)果，為此，在對每一層次作單排序時，均需作一致性檢驗[15]。

將權(quán)重指標W1與C1、C2、C3元素對應(yīng)相乘再求和得到的數(shù)值為B1技術(shù)因素的評估值，同理可得B2、B3、B4因素的評估值。如此，利用AHP模型，采用定性與定量相結(jié)合方法，得到評價指標體系第二層因素的評估值。

3 電子政務(wù)內(nèi)網(wǎng)信息安全評估的BP神經(jīng)網(wǎng)絡(luò)模型

3.1 評估模型

BP神經(jīng)網(wǎng)絡(luò)的非線性處理能力可有效處理信息含糊、不完整、存在矛盾等復(fù)雜環(huán)境的認知判斷問題，是目前應(yīng)用最廣的神經(jīng)網(wǎng)絡(luò)評價模型[16]。BP算法屬于有監(jiān)督的人工神經(jīng)網(wǎng)絡(luò)學習算法，學習規(guī)則采用最速下降法，其主要思路是利用樣本，采用梯度搜索技術(shù)，不斷反向傳播誤差以調(diào)整網(wǎng)絡(luò)的閾值和權(quán)值，直至將網(wǎng)絡(luò)誤差訓練至最小。一般BP神經(jīng)網(wǎng)絡(luò)有三層，其網(wǎng)絡(luò)結(jié)構(gòu)如圖2所示。

樣本的輸入值從輸入層經(jīng)隱含層逐層處理，并傳向輸出層得到輸出值。每一層神經(jīng)元只影響下一層神經(jīng)元的狀態(tài)，如果在輸出層不能得到期望的輸出，則轉(zhuǎn)入反向傳播，將輸出信號的誤差沿原來的連接通路返回，通過修改各層神經(jīng)元的權(quán)值和閾值，使誤差降至最小[8]。

電子政務(wù)內(nèi)網(wǎng)信息安全評估的三層BP神經(jīng)網(wǎng)絡(luò)由輸入層、隱含層、輸出層組成。其中各層對應(yīng)如下。

（1）輸入層神經(jīng)元個數(shù)結(jié)合具體問題確定。因其對應(yīng)電子政務(wù)內(nèi)網(wǎng)信息安全評估指標體系的第二層，故輸入層神經(jīng)元個數(shù)為4個。即技術(shù)因素、管理因素、戰(zhàn)略因素、人員因素。

（2）隱含層是神經(jīng)網(wǎng)絡(luò)的中間層，位于輸入層、輸出層之間，可以為一層或多層結(jié)構(gòu)，而且它也被看作是輸入模式在神經(jīng)網(wǎng)絡(luò)中的一種內(nèi)部表示。隱含層神經(jīng)元個數(shù)的確定與網(wǎng)絡(luò)性能密切相關(guān)。如果隱含層神經(jīng)元個數(shù)過少，網(wǎng)絡(luò)不具備充分的學習能力和信息映射能力，容錯能力也會降低；如果隱含層神經(jīng)元個數(shù)過多，會導致網(wǎng)絡(luò)結(jié)構(gòu)過于復(fù)雜，迭代次數(shù)增加，網(wǎng)絡(luò)容易陷入局部極小值。

隱含層神經(jīng)元個數(shù)l可先由式（5）、（6）[18]之一初步確定，再通過反復(fù)訓練的方法，根據(jù)網(wǎng)絡(luò)實際效果增減隱含層個數(shù)，以期達到最佳網(wǎng)絡(luò)效果。

圖2 BP神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)

其中m，n分別為輸入層神經(jīng)元數(shù)和輸出層神經(jīng)元數(shù)，a為（1，10）間的自然數(shù)。

（3）輸出層神經(jīng)元個數(shù)同樣結(jié)合具體問題確定。網(wǎng)絡(luò)輸出得到一個評估值，故輸出層神經(jīng)元為1個。根據(jù)國家《信息安全技術(shù)—信息系統(tǒng)安全等級保護定級指南》的要求，將信息安全評估結(jié)果分為5個等級，分別代表：很安全、比較安全、安全、危險和很危險[19]。其中，每個等級表示的范圍代表網(wǎng)絡(luò)的實際輸出值，如表2所示。

表2 安全等級劃分

3.2 BP算法推導

BP神經(jīng)網(wǎng)絡(luò)的執(zhí)行步驟一般可以分為6步：

（1）網(wǎng)絡(luò)初始化，初始化的內(nèi)容包括三層神經(jīng)元之間的連接權(quán)值和閾值w1，w2和θ1，θ2，一般賦予權(quán)值和閾值（－1，1）間的隨機數(shù)，也可以根據(jù)經(jīng)驗設(shè)定；

（2）輸入第1個學習樣本對，即學習樣本的輸入層的輸入和目標值，然后計算隱含層各神經(jīng)元的輸入u式（7）和輸出h式（8），輸出層各神經(jīng)元的輸入l式（9）和輸出y式（10），即

式（7）中x表示樣本的輸入值，式（8）、（10）中f一般采用Sigmoid函數(shù)，即

（4）計算連接到輸出層單元t上的權(quán)值誤差δt式（11），連接到中間層單元j上的權(quán)值誤差σj式（12）

式（11）中ot為樣本的期望值

（5）更新連接權(quán)值w2式（13）、w1式（15）和閾值θ2式（14）、θ1式（16），即

式中α，β為預(yù)設(shè)的學習速率。

（6）輸入下一個學習樣本對，返回步驟（2），直至全部訓練完畢。

4 仿真及測試

根據(jù)電子政務(wù)內(nèi)網(wǎng)系統(tǒng)的實際運行狀態(tài)，BP神經(jīng)網(wǎng)絡(luò)的輸入為由AHP模型所得4項指標，即技術(shù)、管理、戰(zhàn)略、人員因素評估值。BP神經(jīng)網(wǎng)絡(luò)的輸出只有1項，即對電子政務(wù)內(nèi)網(wǎng)的信息安全評估分值。經(jīng)過反復(fù)訓練表明，當隱含層神經(jīng)元個數(shù)為12時，該網(wǎng)絡(luò)的收斂性能最優(yōu)。隱含層、輸出層神經(jīng)元均采用Sigmoid傳遞函數(shù)。

圖3 BP神經(jīng)網(wǎng)絡(luò)的訓練效果

算法用MATLAB語言實現(xiàn)，網(wǎng)絡(luò)隱含層節(jié)點數(shù)選為4，學習速率為0.05，網(wǎng)絡(luò)經(jīng)50次訓練，收斂誤差為0.003。BP神經(jīng)網(wǎng)絡(luò)在應(yīng)用到評估之前，需要先后經(jīng)過訓練和檢驗過程，訓練和檢驗過程分別利用訓練樣本和檢驗樣本。若訓練后的網(wǎng)絡(luò)經(jīng)檢驗，得到輸出值與樣本目標值之間誤差過大，則需重新訓練網(wǎng)絡(luò)，調(diào)整網(wǎng)絡(luò)參數(shù)等初始值，直到誤差滿足要求才認為網(wǎng)絡(luò)有良好的評價能力。實例采用15組樣本作為學習訓練樣本，其中5組作為檢驗樣本，通過數(shù)據(jù)回放的方式對建立的BP ANN模型進行檢驗。

改進BP神經(jīng)網(wǎng)絡(luò)模型學習訓練效果如圖3所示。圖中橫坐標為循環(huán)迭代次數(shù)，縱坐標為誤差變化，從圖中看出，網(wǎng)絡(luò)權(quán)值經(jīng)過20次迭代調(diào)整后，誤差精度低于預(yù)先設(shè)置，誤差收斂更快且狀態(tài)更穩(wěn)定，具有良好的自適應(yīng)性。

采用檢驗樣本數(shù)據(jù)，對訓練后網(wǎng)絡(luò)模型的網(wǎng)絡(luò)性能進行檢驗。檢驗結(jié)果如表3所示。實際輸出安全等級與期望輸出等級一致，網(wǎng)絡(luò)模型實際輸出值與期望輸出值的最大相對誤差不超過3.8%。

表3 檢驗結(jié)果

可以得出，提出BP神經(jīng)網(wǎng)絡(luò)模型具有自適應(yīng)性、穩(wěn)定性，誤差小且驗證結(jié)果與目標輸出相吻合。評估模型具有可行性，可適用于電子政務(wù)內(nèi)網(wǎng)信息安全的綜合評估。

5 結(jié)束語

提出了基于AHP和BP ANN的電子政務(wù)內(nèi)網(wǎng)系統(tǒng)信息安全評估模型，并采用樣本值對提出的模型進行訓練與驗證。結(jié)果表明該模型能夠反映電子政務(wù)內(nèi)網(wǎng)系統(tǒng)的安全運行狀態(tài)。基于提出的評估模型，可以對電子政務(wù)內(nèi)網(wǎng)系統(tǒng)進行安全評估，及時揭示電子政務(wù)內(nèi)網(wǎng)系統(tǒng)中可能存在的信息安全漏洞，進而指導電子政務(wù)內(nèi)網(wǎng)系統(tǒng)信息安全保障系統(tǒng)的設(shè)計和實施，采取相應(yīng)安全措施，提高電子政務(wù)內(nèi)網(wǎng)信息安全保障水平。

[1] 徐揚.信息安全技術(shù)在電子政務(wù)內(nèi)網(wǎng)中的應(yīng)用[D].北京：北京郵電大學計算機學院，2012.

[2] 呂欣.信息系統(tǒng)安全保障理論與評價指標體系[J].微電子學與計算機，2006，23（10）：10－12.

[3] 馮登國，張陽，張玉清.信息安全風險評估綜述[J].通信學報，2004，25（7）：10－18.

[4] 趙冬梅，劉金星，馬建峰.基于模糊小波神經(jīng)網(wǎng)絡(luò)的信息安全風險評估[J].華中科技大學學報（自然科學版），2009，37（11）：43－49.

[5] 申健，夏靖波，孫昱，等.基于優(yōu)化BP神經(jīng)網(wǎng)絡(luò)算法的網(wǎng)絡(luò)質(zhì)量評價[J].空軍工程大學學報（自然科學版），2013，14（2）：81－85.

[6] Swarup K S，Corthis P B.ANN Approach Assesses System Security[J].IEEE Computer Applications in Power，2002，15（3）：32－38.

[7] 劉海燕，王維鋒，蔡紅柳.一個基于神經(jīng)網(wǎng)絡(luò)的信息系統(tǒng)安全性綜合評估模型[J].計算機工程與科學，2008，30（11）：16－18.

[8] 于群，馮玲.基于BP神經(jīng)網(wǎng)絡(luò)的網(wǎng)絡(luò)安全評價方法研究[J].計算機工程與設(shè)計，2008，29（8）：1963－1966.

[9] 楊行峻，鄭君里.人工神經(jīng)網(wǎng)絡(luò)[M]北京：高等教育出版社，1992：30－40.

[10] 莊鎖法.基于層次分析法的綜合評價模型[J].合肥工業(yè)大學學報（自然科學版），2000，23（4）：583－590.

[11] 馬蘭，楊義先.系統(tǒng)化的信息安全評估方法[J].計算機科學，2011，38（9）：45－49.

[12] 黃麗民，王華.網(wǎng)絡(luò)安全多級模糊綜合評價方法[J].遼寧工程技術(shù)大學學報，2004，23（4）：510－513.

[13] 許福永，申 健，李劍英.基于AHP和ANN的網(wǎng)絡(luò)安全綜合評價方法研究[J].計算機工程與應(yīng)用，2005：127－129.

[14] 謝承華.AHP及其應(yīng)用[J].蘭州商學院學報，2001，17（2）：79－82.

[15] 趙瑋，岳德權(quán).AHP的算法及其比較分析[J].數(shù)學的實踐與認識，1995：25－58.

[16] 張智軍，方穎，許云濤.基于Apriori算法的水平加權(quán)關(guān)聯(lián)規(guī)則挖掘[J].計算機工程與應(yīng)用，2003，39（14）：197－199.

[17] 黃繼紅.基于改進PSO的BP網(wǎng)絡(luò)的研究與應(yīng)用[D].長沙：長沙理工大學計算機與通信工程學院，2008.

[18] 郭欣欣.人工神經(jīng)網(wǎng)絡(luò)在住宅類房地產(chǎn)評估中的應(yīng)用[D].北京：首都經(jīng)濟貿(mào)易大學信息學院，2012.

[19] 吳志軍，王璐，史榮.基于改進BP神經(jīng)網(wǎng)絡(luò)的ATM系統(tǒng)信息安全評估方法[J].通信學報，2011，32（2）：150－158.