基于神经网络的计算机网络安全评价方法研究_开题报告

（一）国内研究现状

牛旭在文章中提出，互联网在人们生活之中的应用处于不断拓展的阶段，在日常生活中的各个领域都会有所涉及，而在这一过程中也出现了非常多的网络安全问题，而在这一情况下就需要通过设计更加完整的安全评价体系，借此进一步的解决相关问题，避免人们出现太大的损失[1]。田海涛在文章中提到，在上世纪40年代数学家与神经生物学家共同提出了世界上的第一个神经网络模型，其以人体的大脑处理信息方式为重要基础，通过建立数学模型[2]。借此研究大脑的脑细胞结构、行为与生物神经元的基本生理特征，也从这一阶段开创了神经网络研究。张春丽在文章中提出，神经网络实际上来讲是一种模仿人脑结构与功能的人工智能信息处理系统，其中的神经元会按照一定的方式进行连接，并形成一定的网络结构，其中的神经元可以进行信息的储存与处理工作量，还可以与其他部分进行相应的交流工作[3]。鲍海曦在文章中提出，网络安全对于管理人员与网络运行来讲，其主要是希望网络本身的安全受到相应的保护，并借此更好的对本地的网络信息进行读写或者是访问，而对于一些国家或者是企业部门来讲，其更重视对一些非法与有害信息进行相应的过滤，借此降低出现重要信息被盗用的情况[4]。邹小花从研究结果的角度指出，伴随着计算机的相关技术不断发展，在实际应用的过程中，也从简单的单机文件处理逐渐转变为数学运算与自动化办公等业务，使其逐渐发展出更加复杂的企业外部网与全球互联网等世界范围的业务处理与信息共享[5]。谢丽霞在文章中提出，通过人工智能的算法，建立出全新的人工神经网络，通过将这一网络应用到神经网络评价之中，在一定程度上降低了相关因素出现的可能性，但是其在实际应用的过程中同样存在搜索能力不佳与训练速度慢等方面的问题，所以在实际的研究工作中，还需要进一步的对神经网络在网络安全评价之中的应用进行更加深入的研究，使其评价精度提升，将其作为这一方面的研究重点[6]。

（二）国外研究现状

Obinna O. Kalu在文章中提出，神经网络作为现阶段在互联网的安全评价领域之中一种应用较多的模型，其经常是通过梯度下降的算法影响网络权值的误差，进行时刻的调整工作，进而使其期望输出与实际的数出误差可以更加有效地降低[7]。在这一方式实际应用的过程中，主要具有以下几方面的特点，第一方面是算法相对来讲比较简单。一般都是通过梯度下降的算法，通过对误差逆向传播中的权值与阀值进行调整，借此找出神经网络中期望和实际输出的最小误差值。而且其非常容易实现，这一情况在实际评价之中具有非常重要的意义，在安全评价工作中更加容易实现，工作量也会比较低，往往更容易广泛的被大众接受与采纳。Park Sechan在文章中就相关内容提出，可以通过一定的方式对神经网络进行一定的优化，通过手机与安全评价相关的数据，并建立出一套比较完善的安全指标体系，针对相关数据建立出相应的粒子群，通过这一方式展开神经网络初始化，并进行相应的锻炼，借鉴相关的适应度值，借此获得影响该网络最后参数，并最终获得安全评价，实现目的[8]。Esra Akdeniz在文章中指出，通过对神经网络的训练可知，在实际训练的过程中，因为传统的神经网络在其数据中收敛的过程速度会比较慢，在模拟实验的过程中，误差精度可以获得较大程度的提升，传统的神经网络自身寻优能力可能比较差，收敛速度比较慢，评价精度比较低[9]。Seyedeh Zahra Islami rad在文章中提出，从现阶段的实际情况来讲，神经网络技术正在不断的发展，应用的范围也处于不断拓展的过程中，在计算机网络安全评价中，神经网络应用范围也越来越广，而且获得了非常好的效果[10]。计算机网络安全评价的过程中，通过应用神经网络技术，使其具有多方面的优点，可以更好的减小误差值，对直接数据或者是数值进行训练，自动确定原因与结果之间的关系，使其可以发挥出更好的效果。

二、^范文提纲

摘要

关键词

前言

研究背景与意义

计算机网络安全问题的描述

神经网络在计算机网络安全中应用的介绍

计算机网络安全及其评价体系

BP神经网络与粒子群优化算法

计算机网络安全评价体系

仿真实验与分析

结论与展望

参考文献

致谢

三、参考文献

[1]牛旭.基于粒子优化神经网络的计算机网络安全评估模型[J].电子世界，2018，11(14):101-102.

[2]田海涛.基于子空间聚类和多源融合的网络安全态势感知[D].东北电力大学，2018.

[3]张春丽，王薇.浅谈计算机网络安全检验中神经网络的应用研究[J].数码世界，2018，10(05):222-223.

[4]鲍海曦.基于改进的灰色关联度模型和神经网络的网络安全成本预测与控制[J].科技经济导刊，2018，26(04):1-2

[5]邹小花，方宣杰，杨文远.基于神经网络的复杂计算机网络安全评价指标体系建立及应用研究[J].电脑知识与技术，2018，14(01):212-213+219.

[6]谢丽霞，王志华.基于布谷鸟搜索优化BP神经网络的网络安全态势评估方法[J].计算机应用，2017，37(07):1926-1930.

[7]Obinna O. Kalu,T. C. Madueme. Application of artificial neural network (ANN) to enhance power systems protection: a case of the Nigerian 330 kV transmission line[J]. Electrical Engineering,2018,100(3).

[8]Park Sechan,Kim Minjeong,Kim Minhae,Namgung Hyeong-Gyu,Kim Ki-Tae,Cho Kyung Hwa,Kwon Soon-Bark. Predicting PM₁₀ concentration in Seoul metropolitan subway stations using artificial neural network (ANN).[J]. Journal of hazardous materials,2018,341.

[9]Esra Akdeniz,Erol Egrioglu,Eren Bas,Ufuk Yolcu. An ARMA Type Pi-Sigma Artificial Neural Network for Nonlinear Time Series Forecasting[J]. Journal of Artificial Intelligence and Soft Computing Research,2018,8(2).

[10]Seyedeh Zahra Islami rad,Reza Gholipour Peyvandi. Determination of uranium and thorium concentrations in thorium ore sample using artificial neural network and comparison with net area peak method[J]. Radiochimica Acta,2018,106(8).