CN106203627A - 一种对网络靶场进行评价的方法 - Google Patents

Abstract

本发明公开了一种对网络靶场进行评价的方法，本发明构建的网络靶场评价指标体系全面、客观，从网络复现、数据采集、资源管理等多个方面提出评价网络靶场的功能性能指标，能够充分体现出网络靶场的综合能力，弥补了此部分的空白。

Description

一种对网络靶场进行评价的方法

技术领域

本发明涉及通信技术领域，尤其涉及一种对网络靶场进行评价的方法。

背景技术

网络靶场是为了应对日益严峻的网络空间安全问题，应对军事领域革命性的变化，适应网络化、信息化武器装备发展要求而设计和建设的网络安全试验验证和测试评估环境。网络靶场可以为各种网络技术、攻防手段和装备***提供网络安全方面的定量和定性评估，支撑开展网络空间攻防对抗演练。建设网络靶场已成为提升我国网络空间攻防能力的重要战略举措，是将我国建设强大信息***国度的安全保障。网络靶场是一个集各种高新技术于一身的大型、复杂、异构、动态的特殊信息***，如何构建一个覆盖全面、可度量的网络靶场评价指标体系，如何客观地、有效地对网络靶场进行评价，是在建设网络靶场过程中的一个重要问题。

现有方法中主要是应用神经网络对网络靶场进行评价，而应用神经网络对网络靶场评价过程中计算维度高且易陷入局部极小值等问题。

发明内容

鉴于上述的分析，本发明旨在提供一种对网络靶场进行评价的方法，用解决现有技术中应用神经网络对网络靶场评价过程中计算维度高且易陷入局部极小值的问题。

为解决上述问题，本发明主要是通过以下技术方案实现的：

本发明提供了一种对网络靶场进行评价的方法，该方法包括：

建立网络靶场评价指标体系；

根据所述评价指标体系建立网络靶场评价模型，所述网络靶场评价模型为二级三层BP神经网络计算结构，其中，第一级包括10个独立的BP神经网络，第二级为10输入1输出的BP神经网络；

进行多个多级神经网络离线训练，完成BP神经网络学习，记录最终各层间连接权值和阈值。

进一步地，所述二级三层BP神经网络计算结构众多中的隐层神经元数以误差平方和的均值为准确度评价指标，通过循环测试，选取使得误差平方和均值最小的隐层神经元数，或采用公式确定最小的隐层神经元数；

其中，S为隐含层数目，m为输入层神经元数，n为输出层神经元数，a为范围在1到10之间的常数。

进一步地，该方法还包括：

利用遗传算法来优化网络的连接权值和阈值，将网络的连接权值和阈值进行编码，根据适应度函数及执行遗传操作优化，得到最优个体，并把最优的个体赋给BP神经网络作为初始连接权值和阈值，然后利用优化好的BP神经网络模型进行精确寻优。

进一步地，该方法还包括进行对所述二级三层BP神经网络进行离线训练，具体包括：

步骤一、输入样本，将其对应的归一化指标数据作为第一级BP神经网络模型的输入，分别对应于人工神经网络的输入节点，而该输入样本对应的专家评价结果作为***的期望输出；

步骤二、正向传播，记录此次正向传播的误差E⁽⁰⁾；

步骤三、反向传播，调整BP神经网络中输入层、隐含层、输出层之间的连接权值，对误差对权重的梯度小于预设梯度最小值ε，即则跳转到步骤五，如果提督大于预设梯度最小值ε，则转到步骤四；

步骤四、调整连接权值，采用最速梯度下降法，反向调整连接权值及阈值，正向传播计算误差E⁽¹⁾，比较E⁽⁰⁾与E⁽¹⁾，若网络的误差减小，增大学习率；若网络的误差增大，则降低学习率，重现反向计算调整连接值，正向传播计算E⁽¹⁾，直到误差不再减少；

步骤五、用新连接权值继续正向传播，更新误差值E⁽¹⁾，若误差小于预置精度e，则完成学习并停止传播，进入步骤六，若误差大于预置精度e，令i＝i+1，当i＜m时，说明各层连接权值还需调整，跳转步骤一，当i＝m，即全部节点间连接权值得到调整，但误差仍不满足要求，则令i＝0，从第一个节点开始新一轮迭代学习过程。

进一步地，所述网络靶场评价指标体系分为三级包括二级指标、一级指标和总体评价；

最下层是网络靶场的二级指标，二级指标包括网络靶场的基本功能和性能指标；

上面是网络靶场的一级指标，一级指标为根据相应所覆盖的二级指标计算得出；

最上层是网络靶场的总体评价，由各一级指标计算得出。

进一步地，该方法还包括：

将多位专家提供训练样本作为BP神经网络模型的学习样本。

进一步地，该方法还包括：

实时计算网络靶场在各尺度、各方面的评价，并以曲线、直方图形式进行动态展示。

本发明有益效果如下：

本发明通过将由一个BP神经网络计算分解成多个多级神经网络并行计算，避免了由一个大型神经网络计算带来的训练难度大、耗时、无法作出精细分析等难题。在这种评价方法下，改变了通过传统神经网络模型对网络靶场评价过程的缺点，使得网络靶场评价模型的准确性和实用性得以大大提高，达到了应用的要求。

本发明的其他特征和优点将在随后的说明书中阐述，并且部分的从说明书中变得显而易见，或者通过实施本发明而了解。本发明的目的和其他优点可通过在所写的说明书、权利要求书、以及附图中所特别指出的结构来实现和获得。

附图说明

图1是根据本发明实施例网络靶场评价计算的框图；

图2是根据本发明实施例基于多个多级神经网络的网络靶场评价训练和使用流程图；

图3是根据本发明实施例的网络靶场评价指标体系图。

具体实施方式

下面结合附图来具体描述本发明的优选实施例，其中，附图构成本申请一部分，并与本发明的实施例一起用于阐释本发明的原理。为了清楚和简化目的，当其可能使本发明的主题模糊不清时，将省略本文所描述的器件中已知功能和结构的详细具体说明。

本发明提供了一种对网络靶场进行评价的方法，本发明通过对网络靶场深入探究，建立了多方面、多层次的网络靶场综合评价指标体系，并以此为基础，发明了一种多个多级BP神经网络评价方法。该方法解决了应用神经网络对网络靶场评价过程中计算维度高、易陷入局部极小值、精细度差等问题。以下结合附图以及几个实施例，对本发明进行进一步详细说明。应当理解，此处所描述的具体实施例仅仅用以解释本发明，并不限定本发明。

本发明实施例提供了一种任务分配方法，该方法包括：

建立网络靶场评价指标体系；

根据所述评价指标体系建立网络靶场评价模型，所述网络靶场评价模型为二级三层BP神经网络计算结构，其中，第一级包括10个独立的BP神经网络，第二级为10输入1输出的BP神经网络；

进行多个多级神经网络离线训练，完成BP神经网络学习，记录最终各层间连接权值和阈值。

也就是说，本发明通过将由一个BP神经网络计算分解成多个多级神经网络并行计算，避免了由一个大型神经网络计算带来的训练难度大、耗时、无法作出精细分析等难题。在这种评价方法下，改变了通过传统神经网络模型对网络靶场评价过程的缺点，使得网络靶场评价模型的准确性和实用性得以大大提高，达到了应用的要求。

由于网络靶场评价指标复杂，当采用一个大型BP神经网络来计算时，输入特征数量很大，增加训练难度，也很耗时；BP神经网络特征空间维数高将造成训练样本构造困难，造成训练样本质量难以保证；大型BP神经网络使评价***完全变成一个黑盒，无法对网络靶场作出精细分析。因此，采用多个多级神经网络结构的方式，对每一组指标分别实现神经网络计算，并将多组计算结果再作为一个神经网络的输入，最终计算出的综合评价值，成功解决了计算维度高，精细度差的问题。在每个BP神经网络模型中，采用遗传算法优化的方式对各层间连接权值和阈值，可以有效解决传统BP神经网络易陷入局部极小值的问题。

即，鉴于当前对网络靶场评价指标建设的空白，对其架构及其应发挥作用进行深层次的研究分析，从网络复现、数据采集、资源管理等多个方面提出评价网络靶场的功能性能指标，设计和构建评价网络靶场的多层次、多类别、相互关联的综合指标体系，从而支撑对网络靶场进行多层面、全方位的评价。

图1是本发明技术方案的架构图。如图1所示，本发明主要由两部分组成，即网络靶场的指标体系构建和网络靶场综合评价。其中，网络靶场指标体系构建主要是从网络靶场的定位出发，深入探索靶场的内涵和作用，梳理靶场应具备的核心能力，分析得出细粒度、多层次的网络靶场评价指标体系，具体包括10个一级指标、40个二级指标；网络靶场评价计算采用多个多级BP神经网络的计算方法，每个一级指标分别由一个多输入单输出的三层BP神经网络模型计算得出，所有一级指标并行计算得出后，作为第二级神经网络模型的输入，最终输出网络靶场的评价值，完成整个评价过程。

图2是基于多个多级神经网络的网络靶场评价训练和使用流程，本发明提出的基于多个多级BP神经网络的靶场评价方法包括下列步骤：

步骤一：构建网络靶场评价指标体系

图3是网络靶场评价指标体系，如图3所示，本发明的网络靶场评价指标体系采用指标比选、耦合分析等方法，构建三层网络靶场评价指标体系。最下层是网络靶场的二级指标，二级指标由网络靶场的基本功能和性能指标组成，包括计算服务能力、存储服务能力、网络服务能力、规范操作能力、复现逼真度、复现规模、复现速度、复现种类、复现模式、数据采集种类、数据分析力度、数据分析速度、采集对象、重构速度、安全试验隔离能力、数据擦除速度、用户管理能力、用户支持数量、用户角色数量、资源库种类、资源库数量、地域分布能力、功能分布式能力、攻防角色、攻防参演规模、攻防过程回放、攻防推演、攻防时间干预、可视化展示，测试类型、自动化测试程度、数据备份能力、安全保密能力、风险管理能力、可靠性、可用性、性价比、安全性测试评估、攻防效果评估、参演人员技能评估等共40个；上面是网络靶场的一级指标，一级指标由相关的二级指标计算得出，一级指标包括基础能力、复现能力、数据采集分析能力、资源调度能力、攻防与测试能力、扩展能力、安全保密能力、经济运行能力、评估能力10个方面；最上层是网络靶场的总体评价，由各一级指标计算得出；

步骤二：建立训练样本集

根据步骤一得出的指标体系，由专家提供训练样本，为减少专家提供训练样本的主观性，保证训练质量，采用多位专家同时提供训练样本的方法，各位专家首先进行讨论，基本确定训练样本生成的原则，然后由每位专家提供一个训练样本集，最后汇总各专家的训练样本，形成一个完整的训练样本集。同时为了扩大训练样本集，构成一个完整的训练样本集，以此作为BP神经网络模型的学习样本。

步骤三：建立网络靶场评价模型

设计网络结构。构建多个二级三层BP神经网络计算结构。其中，每个神经网络具有输入层、隐含层和输出层，第一级由10个独立的BP神经网络组成，第二级采用一个10输入1输出的BP神经网络结构：

(1)隐层神经元数、学***方和的均值为准确度评价指标，通过循环测试，选取使得误差平方和均值最小的隐层神经元数，或采用公式确定(其中，S表示隐含层数目，m表示输入层神经元数，n表示输出层神经元数，a表示范围在1到10之间的常数)。随机选取较小的学习率η，设定网络学习的误差精度e。

(2)初始连接权值、阈值选择。利用遗传算法来优化网络的连接权值和阈值，首先在确定BP神经网络结构的情况下，将网络的连接权值和阈值进行编码，根据适应度函数及执行一系列的遗传操作优化，得到最优个体，并把最优的个体赋给BP神经网络作为初始连接权值和阈值，然后利用优化好的BP神经网络模型进行精确寻优。与简单BP模型对比，该模型收敛速度快，具有更好的预测精度和预测精度。

步骤四：多个多级神经网络离线训练

利用步骤二、步骤三中得到的训练样本对所构建的多个二级三层BP神经网络进行训练，得到训练后的BP神经网络。执行BP神经网络的训练过程：

(1)输入样本，我们将其对应的归一化指标数据作为第一级BP神经网络模型的输入，分别对应于人工神经网络的输入节点，而该输入样本对应的专家评价结果作为***的期望输出。

(2)正向传播，记录此次正向传播的误差E⁽⁰⁾。

(3)反向传播，调整BP神经网络中各层(输入层、隐含层、输出层)之间的连接权值，对误差对权重的梯度小于预设梯度最小值ε，即则跳转到步骤(5)。如果提督大于预设梯度最小值ε，则转到步骤(4)。

(4)调整连接权值。采用最速梯度下降法，反向调整连接权值及阈值，正向传播计算误差E⁽¹⁾，比较E⁽⁰⁾与E⁽¹⁾，若网络的误差减小，增大学习率；若网络的误差增大，则降低学习率，重现反向计算调整连接值，正向传播计算E⁽¹⁾，直到误差不再减少。

(5)用新连接权值继续正向传播，更新误差值E⁽¹⁾。若误差小于预置精度e，则完成学习并停止传播，进入步骤(6)。若误差大于预置精度e，令i＝i+1，当i＜m时，说明各层连接权值还需调整，跳转步骤(1)。当i＝m，即全部节点间连接权值得到调整，但误差仍不满足要求，则令i＝0，从第一个节点开始新一轮迭代学习过程。

(6)完成BP神经网络学习，记录最终各层间连接权值。

第一级BP神经网络按照上述步骤训练结束后，将其连接权值保存，再以一级指标参数为输入，进入第二级BP神经网络，按照同样的方式进行训练，保存该神经网络各层间连接权值。

步骤五：神经网络实时评价

按照上面所述的网络靶场指标体系和评价方法，实时计算网络靶场在各尺度、各方面的评价，并以曲线、直方图形式进行动态展示。

本发明至少能够达到以下的有益效果：

本发明构建的网络靶场评价指标体系全面、客观，从网络复现、数据采集、资源管理等多个方面提出评价网络靶场的功能性能指标，能够充分体现出网络靶场的综合能力，弥补了此部分的空白。与现有相关技术相比，本发明提出的评价方法中，在计算结构上做了调整，将由一个BP神经网络计算分解成多个多级神经网络并行计算，避免了由一个大型神经网络计算带来的训练难度大、耗时、无法作出精细分析等难题。在这种评价方法下，改变了通过传统神经网络模型对网络靶场评价过程的缺点，使得网络靶场评价模型的准确性和实用性得以大大提高，达到了应用的要求。

以上所述，仅为本发明较佳的具体实施方式，但本发明的保护范围并不局限于此，任何熟悉本技术领域的技术人员在本发明揭露的技术范围内，可轻易想到的变化或替换，都应涵盖在本发明的保护范围之内。因此，本发明的保护范围应该以权利要求书的保护范围为准。

Claims (7)

1.一种对网络靶场进行评价的方法，其特征在于，包括：

建立网络靶场评价指标体系；

根据所述评价指标体系建立网络靶场评价模型，所述网络靶场评价模型为二级三层BP神经网络计算结构，其中，第一级包括10个独立的BP神经网络，第二级为10输入1输出的BP神经网络；

进行多个多级神经网络离线训练，完成BP神经网络学习，记录最终各层间连接权值和阈值。

2.根据权利要求1所述的任务分配方法，其特征在于，

所述二级三层BP神经网络计算结构众多中的隐层神经元数以误差平方和的均值为准确度评价指标，通过循环测试，选取使得误差平方和均值最小的隐层神经元数，或采用公式确定最小的隐层神经元数；

其中，S为隐含层数目，m为输入层神经元数，n为输出层神经元数，a为范围在1到10之间的常数。

3.根据权利要求1所述的任务分配方法，其特征在于，还包括：

利用遗传算法来优化网络的连接权值和阈值，将网络的连接权值和阈值进行编码，根据适应度函数及执行遗传操作优化，得到最优个体，并把最优的个体赋给BP神经网络作为初始连接权值和阈值，然后利用优化好的BP神经网络模型进行精确寻优。

4.根据权利要求1所述的任务分配方法，其特征在于，还包括：进行对所述二级三层BP神经网络进行离线训练，具体包括：

步骤一、输入样本，将其对应的归一化指标数据作为第一级BP神经网络模型的输入，分别对应于人工神经网络的输入节点，而该输入样本对应的专家评价结果作为***的期望输出；

步骤二、正向传播，记录此次正向传播的误差E⁽⁰⁾；

步骤三、反向传播，调整BP神经网络中输入层、隐含层、输出层之间的连接权值，对误差对权重的梯度小于预设梯度最小值ε，即则跳转到步骤五，如果提督大于预设梯度最小值ε，则转到步骤四；

步骤四、调整连接权值，采用最速梯度下降法，反向调整连接权值及阈值，正向传播计算误差E⁽¹⁾，比较E⁽⁰⁾与E⁽¹⁾，若网络的误差减小，增大学习率；若网络的误差增大，则降低学习率，重现反向计算调整连接值，正向传播计算E⁽¹⁾，直到误差不再减少；

步骤五、用新连接权值继续正向传播，更新误差值E⁽¹⁾，若误差小于预置精度e，则完成学习并停止传播，进入步骤六，若误差大于预置精度e，令i＝i+1，当i<m时，说明各层连接权值还需调整，跳转步骤一，当i＝m，即全部节点间连接权值得到调整，但误差仍不满足要求，则令i＝0，从第一个节点开始新一轮迭代学习过程。

5.根据权利要求1所述的任务分配方法，其特征在于，所述网络靶场评价指标体系分为三级包括二级指标、一级指标和总体评价；

最下层是网络靶场的二级指标，二级指标包括网络靶场的基本功能和性能指标；

上面是网络靶场的一级指标，一级指标为根据相应所覆盖的二级指标计算得出；

最上层是网络靶场的总体评价，由各一级指标计算得出。

6.根据权利要求5所述的任务分配方法，其特征在于，还包括：

将多位专家提供训练样本作为BP神经网络模型的学习样本。

7.根据权利要求5所述的任务分配方法，其特征在于，还包括：

实时计算网络靶场在各尺度、各方面的评价，并以曲线、直方图形式进行动态展示。