李曉婷 包景嶺 孫建廣 汪冀

摘? 要： 針對(duì)傳統(tǒng)信息風(fēng)險(xiǎn)評(píng)估系統(tǒng)設(shè)計(jì)評(píng)估準(zhǔn)確度較低的問(wèn)題，設(shè)計(jì)基于因子分析和神經(jīng)網(wǎng)絡(luò)的信息風(fēng)險(xiǎn)評(píng)估系統(tǒng)。該系統(tǒng)設(shè)計(jì)在原有硬件構(gòu)成的基礎(chǔ)上，將微處理器與控制器相連接，形成管控中心，利用寄存器組、直接存儲(chǔ)器、定時(shí)器等構(gòu)成控制器群組，構(gòu)成新的評(píng)估系統(tǒng)組織結(jié)構(gòu)?；谝蜃臃治鲈O(shè)置信號(hào)連續(xù)采集和定時(shí)采集程序，確定神經(jīng)網(wǎng)絡(luò)中信號(hào)所處位置節(jié)點(diǎn)，計(jì)算評(píng)估差異參數(shù)，對(duì)信息進(jìn)行風(fēng)險(xiǎn)評(píng)估等價(jià)劃分，至此該系統(tǒng)設(shè)計(jì)完成。實(shí)驗(yàn)結(jié)果表明，在微型處理器的管控下，設(shè)計(jì)的信息風(fēng)險(xiǎn)評(píng)估系統(tǒng)評(píng)估準(zhǔn)確度比傳統(tǒng)設(shè)計(jì)高出6.44%，符合實(shí)際需求。

關(guān)鍵詞： 信息風(fēng)險(xiǎn)評(píng)估系統(tǒng); 因子分析; 神經(jīng)網(wǎng)絡(luò); 系統(tǒng)設(shè)計(jì); 信息采集; 仿真實(shí)驗(yàn)

中圖分類號(hào)： TN915?34; TP309? ? ? ? ? ? ? ? ?文獻(xiàn)標(biāo)識(shí)碼： A? ? ? ? ? ? ? ? ? ? ? ? 文章編號(hào)： 1004?373X（2020）04?0123?04

Design of information risk assessment system based on factor analysis and neural network

LI Xiaoting1， BAO Jingling2， SUN Jianguang3， WANG Ji4

（1.Hebei University of Technology， Tianjin 300130， China; 2. Tianjin Environmental Protection Agency， Tianjin 300130， China;

3. School of Mechanical Engineering， Hebei University of Technology， Tianjin 300130， China;

4. Eighteenth Institute of China Electronics Technology Group Company， Tianjin 300130， China）

Abstract： As the low evaluation accuracy of the traditional information risk assessment system， an information risk assessment system based on factor analysis and neural network is designed. On the basis of the original hardware composition， the microprocessor and the controller are connected in the system design to form the control center， and the register group， the direct memory， the timer and so on are applied to compose the controller group， and the organization structure of the new evaluation system is established. The programs of the signal consecutive acquisition and timed acquisition are set up based on the factor analysis， so as to determine the signal location node in the neural network， calculate and evaluate the difference parameters， and conduct the equivalent division of risk assessment for the information. Thus， the system design is completed. The experimental results show that， under the control of microprocessor， the evaluation accuracy of the designed information risk assessment system is 6.44% higher than that of the traditional design， which is in line with the actual requirements.

Keywords： information risk assessment system; factor analysis; neural network; system design; information collection; simulation experiment

0? 引? 言

隨著社會(huì)的進(jìn)步，網(wǎng)絡(luò)被廣泛應(yīng)用，使網(wǎng)絡(luò)信息交換增加，給網(wǎng)絡(luò)信息安全帶來(lái)一定風(fēng)險(xiǎn)[1]。因子分析是將變量群中的因子進(jìn)行共性分類，將一定規(guī)律的因子進(jìn)行統(tǒng)計(jì)。因子分析可以在大量的變量數(shù)據(jù)中找出具有代表性的隱藏因子，并將同類、同屬性或者同本質(zhì)的變量歸集成一個(gè)因子，通過(guò)減少因子數(shù)量，快速進(jìn)行數(shù)據(jù)分析[2]。神經(jīng)網(wǎng)絡(luò)是將行為進(jìn)行特征提取，從而進(jìn)行分布式并行信息處理的計(jì)算模型。該網(wǎng)絡(luò)依賴于復(fù)雜的系統(tǒng)，通過(guò)調(diào)節(jié)大范圍內(nèi)節(jié)點(diǎn)之間連接關(guān)系，實(shí)現(xiàn)信息處理。因此，針對(duì)傳統(tǒng)風(fēng)險(xiǎn)評(píng)估系統(tǒng)設(shè)計(jì)結(jié)構(gòu)單一、評(píng)估準(zhǔn)確率不高等問(wèn)題，設(shè)計(jì)基于因子分析和神經(jīng)網(wǎng)絡(luò)的信息風(fēng)險(xiǎn)評(píng)估系統(tǒng)。利用該系統(tǒng)對(duì)網(wǎng)絡(luò)中的信息風(fēng)險(xiǎn)程度進(jìn)行精確評(píng)估，根據(jù)評(píng)估結(jié)果設(shè)計(jì)規(guī)避風(fēng)險(xiǎn)的運(yùn)行程序，保證國(guó)家網(wǎng)絡(luò)信息在信息源頭、信息傳輸途中以及接收信息端的安全，為國(guó)家的發(fā)展提供強(qiáng)有力的技術(shù)支持。

1? 系統(tǒng)硬件設(shè)計(jì)

本文設(shè)計(jì)基于因子分析和神經(jīng)網(wǎng)絡(luò)[3]的信息風(fēng)險(xiǎn)評(píng)估系統(tǒng)，其系統(tǒng)硬件設(shè)計(jì)構(gòu)成如圖1所示。

針對(duì)因子分析和神經(jīng)網(wǎng)絡(luò)的多樣性，設(shè)計(jì)信息風(fēng)險(xiǎn)評(píng)估系統(tǒng)中的微處理器。該處理器型號(hào)[4]為S3C2416XH?40，內(nèi)核為ARM926EJ，主頻高達(dá)400 MHz。ARM926EJ內(nèi)核采用5級(jí)流水線，由ARM7TDMI、儲(chǔ)存單元、高速緩存單元組成[5]。其中，儲(chǔ)存單元可以對(duì)虛擬內(nèi)存進(jìn)行管理;緩存單元由16 KB指令和16 KB數(shù)據(jù)緩存構(gòu)成，且具有8字行長(zhǎng)度。ARM926EJ中含有2個(gè)內(nèi)部處理器，分別為C14，C15。2個(gè)內(nèi)部處理器的作用分別是進(jìn)行調(diào)試控制、系統(tǒng)儲(chǔ)存控制和測(cè)試控制。S3C2416XH?40處理器的內(nèi)部結(jié)構(gòu)如圖2所示。

該微型處理器內(nèi)部選用新型總線體系結(jié)構(gòu)，這一結(jié)構(gòu)中包含外圍總線以及系統(tǒng)總線，利用橋接器將其與控制器相連接。S3C2416XH?40處理器的集成功能十分強(qiáng)大，主要包括：1.8 V內(nèi)核供電，3.3 V儲(chǔ)存模塊供電;LCD支持觸摸屏顯示主板;4通道的直接存儲(chǔ)存取器，3通道的異步收發(fā)傳輸器，2通道的外圍接口，1通道的多主機(jī)總線，1通道的總線控制器;2通道的主機(jī)接口，1通道的設(shè)備接口，同時(shí)還包含4通道的定時(shí)器以及1個(gè)看門狗定時(shí)器。該處理器含有117個(gè)輸入與輸出端口，24個(gè)中斷源，支持空閑、慢速、勻速和掉電4種工作模式，最大轉(zhuǎn)換速率為550 KSPS，支持片上采集保持[6]。

S3C2416XH?40處理器利用LCD控制器控制顯示信號(hào)。該控制器由寄存器組、LCDCDMA直接存取器、VIDPRCS、定時(shí)器以及LPC3532構(gòu)成。

2? 系統(tǒng)軟件設(shè)計(jì)

因子分析是對(duì)組成成分進(jìn)行發(fā)展及推廣，將關(guān)系繁雜的變量整合，提取出其中具有代表性幾個(gè)因子，找出變量與因子之間的相互關(guān)系，同時(shí)對(duì)變量分類，找尋變量之間的相關(guān)性[7]。

設(shè)置一個(gè)信息采集程序，對(duì)連續(xù)信號(hào)進(jìn)行采樣，利用微處理器讀取離散化信號(hào)，并將其進(jìn)行處理。為了避免誤差過(guò)大，在進(jìn)行信號(hào)采集時(shí)，按照信號(hào)的波動(dòng)頻率[8]進(jìn)行范圍定位，該頻率計(jì)算公式為：

[η=-T2T2f2tatdt]? ?（1）

式中：[T]為反應(yīng)時(shí)間;[a]為離散系數(shù);[t]為離散時(shí)間;[f2t]為網(wǎng)絡(luò)瞬時(shí)信號(hào)采集速率函數(shù)。此公式對(duì)樣本采集頻率進(jìn)行設(shè)置。根據(jù)采樣定理可知，由于實(shí)際網(wǎng)絡(luò)信號(hào)中帶有高頻噪聲，因此設(shè)置的樣本采集頻率要超出信號(hào)自身最大頻率的2倍。

連續(xù)性采集方法，該方法在滿足上述條件的基礎(chǔ)上，通過(guò)微處理器用最大樣本采集頻率，對(duì)信號(hào)進(jìn)行連續(xù)采樣以及A/D轉(zhuǎn)換，當(dāng)樣本點(diǎn)數(shù)達(dá)到預(yù)設(shè)值時(shí)采樣結(jié)束。在主控程序中，對(duì)S3C2416XH?40進(jìn)行重置，同時(shí)對(duì)總線時(shí)鐘和數(shù)據(jù)總線寬度也進(jìn)行設(shè)置，初始化各個(gè)端口和串口，采取中斷觸發(fā)作為上升沿觸發(fā)方式并設(shè)置中斷向量，打開Eint1中斷等。在處理器中對(duì)轉(zhuǎn)換后的結(jié)果加1個(gè)采樣點(diǎn)數(shù)，判斷此時(shí)的點(diǎn)數(shù)是否達(dá)到了預(yù)設(shè)的定值。當(dāng)沒(méi)有達(dá)到時(shí)，返回等待再次中斷，直至采樣點(diǎn)數(shù)達(dá)到預(yù)設(shè)目標(biāo)[9]。

在連續(xù)采集的基礎(chǔ)上，信息風(fēng)險(xiǎn)評(píng)估系統(tǒng)還要對(duì)網(wǎng)絡(luò)信息進(jìn)行處理，根據(jù)實(shí)際信號(hào)的頻率范圍，計(jì)算可變采樣頻率進(jìn)行定時(shí)信息數(shù)據(jù)采集。主控程序的初始化設(shè)置與連續(xù)采集大致相似，設(shè)置一個(gè)時(shí)間段作為采樣周期，啟動(dòng)定時(shí)器等待轉(zhuǎn)換后的數(shù)據(jù)信息。當(dāng)設(shè)定的采樣周期結(jié)束后，進(jìn)入中斷程序，同樣將轉(zhuǎn)換結(jié)果點(diǎn)數(shù)加1，然后退出中斷程序，直至采樣點(diǎn)數(shù)達(dá)到預(yù)設(shè)定值。該信息采集流程如圖3所示。

信息數(shù)據(jù)采集完成后，基于神經(jīng)網(wǎng)絡(luò)設(shè)置信息風(fēng)險(xiǎn)評(píng)估系統(tǒng)結(jié)構(gòu)，先進(jìn)行網(wǎng)絡(luò)層數(shù)確定。由于當(dāng)前的神經(jīng)網(wǎng)絡(luò)為了提高處理非線性問(wèn)題的能力，包含多個(gè)隱藏的網(wǎng)絡(luò)層，致使其結(jié)構(gòu)復(fù)雜，網(wǎng)絡(luò)層數(shù)龐大，因此明確神經(jīng)網(wǎng)絡(luò)的層數(shù)至關(guān)重要。同時(shí)利用 “試湊法”明確神經(jīng)網(wǎng)絡(luò)中隱藏層的節(jié)點(diǎn)數(shù)量，神經(jīng)元個(gè)數(shù)，以此確定評(píng)估范圍[10]。

在此基礎(chǔ)上，設(shè)計(jì)信息風(fēng)險(xiǎn)評(píng)估系統(tǒng)。該系統(tǒng)主要利用云模型進(jìn)行風(fēng)險(xiǎn)評(píng)價(jià)，根據(jù)式（1）的計(jì)算結(jié)果，該模型的計(jì)算表達(dá)式：

[T=η?Ex1En1W1+Ex2En2W2+…+ExnEnnWnEn1W1+En2W2+…+EnnWn] （2）

式中：[Ex]表示計(jì)算云核心，為模糊概念下的樣本數(shù)據(jù)中心值;[En]表示定性概念的不確定表達(dá)，該值增大時(shí)，表示所能接收的能力就越強(qiáng)，隨機(jī)性能也隨之提高;[W]表示一個(gè)信息因素的影響權(quán)重;[n]為信息數(shù)量。據(jù)此設(shè)置信息風(fēng)險(xiǎn)評(píng)估算法。構(gòu)建指標(biāo)集合為[M1，M2，…，Mn]，并設(shè)置評(píng)價(jià)集合為[Vn]，該集合表示網(wǎng)絡(luò)信息風(fēng)險(xiǎn)等級(jí)。對(duì)信號(hào)進(jìn)行低、中、高評(píng)估數(shù)據(jù)描述，當(dāng)數(shù)據(jù)滿足其中一個(gè)等級(jí)時(shí)，判定其風(fēng)險(xiǎn)嚴(yán)重程度。

利用Visual Studio 作為該系統(tǒng)的使用環(huán)境，該程序語(yǔ)言的核心代碼如下：

#include "math.h"

main（）

{

int m，i，k，h=0，leap=1

print（"＼n"）

for（m=低;m=中;m=高;m++）

{k=sqrt（m+1）

if（m++=0）

{leap=0;back}

if（leap） {print（h）;h++}

}

print（"＼n the total"，h）

}

利用C++設(shè)置好程序代碼后，將每一采樣周期中的數(shù)據(jù)執(zhí)行信號(hào)風(fēng)險(xiǎn)評(píng)估口令，得到風(fēng)險(xiǎn)參數(shù)數(shù)據(jù)，通過(guò)提取風(fēng)險(xiǎn)參數(shù)特征，將信息風(fēng)險(xiǎn)進(jìn)行評(píng)估，劃分其風(fēng)險(xiǎn)等級(jí)。具體步驟如下：

將風(fēng)險(xiǎn)參數(shù)進(jìn)行因子分析，設(shè)置成統(tǒng)一特征的參數(shù)組并進(jìn)行統(tǒng)計(jì)，計(jì)算每一組之間的參數(shù)差異，差異相似或差異較小的為同一組別。假設(shè)有[A]個(gè)參數(shù)組，一共存在[An]個(gè)參數(shù)差異，根據(jù)式（2）得到每一參數(shù)差異的計(jì)算公式為：