《神经网络在信息安全的应用》

神经网络在信息安全的应用

目前信息安全问题已经得到社会的广泛关注，目前在信息安全管理中主要依靠现有的病毒库，采用病毒查杀的方法来保证系统安全。但是在实际上，这种病毒查杀方法并不具有高效、预先防御的功能，导致很多新型病毒出现后系统的安全保护出现滞后性。而pca技术的出现进一步强化信息安全管理能力，可以有效避免信息安全事件发生，具有先进性，值得关注。

1pca技术分析1.1pca技术概括

在当前的实时网络环境下，网络数据的流通数量越来越大，并表现出高度的数据维度特征，尤其是在业务的高峰时期，有效的识别数据特征并对异常数据进行隔离是保证信息安全的关键。在这种情况下，基于统计学中的pca技术（主成分分析方法）出现，并成为现阶段处理网络数据的常见方法，与传统技术相比，该技术能够进一步降低数据维度，并最大程度上保证了数据所具有的原始特征。在这种情况下，数据量减少且维度降低有助于提高异常数据的监测性能，这是传统技术所不具备的。

1.2主动成分分析方法的降维原理pca技术是一种可以将高纬度数据的不同数据映射成为少数几个能够代表元数据特征值的降维方法，在经过这种数据处理之后，这些少数的特征值可以反映出原有数据的特征属性，并且为了保证数据处理效果，这些处理之后的数据是没有关联性的。在pca的数学表达过程中，假设待处理的网络异常源数据具有n个维数特征值，表述为：x1、x2……xn，在经过pca处理之后，就可以将其转变为n个综合变量，通过这种计算方法可以确定不同综合指标因子y的维度数，并且从第一个变量开始一直到第n个变量数，且方差呈现出依次递减的特征。

2基于主成分分析法的bp神经网络信息安全管理分析

2.1bp神经网络信息分析。bp神经网络最初是对人类大脑的工作进行抽象模拟的技术，其中涉及到了计算机科学、生物学、数学等内容，目前已经在广泛应用在人工智能机器学中。从功能来看，bp神经网络可以通过学习与训练过程来调整网络的连接权值，最终达到从输入到输出过程的完整收敛状态。所以在当前的数据处理中，bp圣经网络具有满意的网络信息处理能力，针对网络信息传输过程中存在的信息变形失真或者信息丢失不完整情况进行抽象补充。最后，bp神经网络具有一定的自主学习能力，能够识别训练样本中各种异常数据，且对于异常数据的变形形式也有一定的识别效果。

2.2基于bp的神经网络学习步骤。在bp神经网络中，在学习样本从输入层输入到网络中之后，神经元的激活值开始从输入层一直想输出层传递，这个过程中，各层的神经元在数据上否会得到相应；之后根据减少目标情况，可以反向从输出层到隐含层再到输入层，通过一层一层的修正权值，保证了数据处理过程。而在实际上，这种反向误差的持续修正，可以提高网络对输入模式相应的正确率。

3仿真分析

3.1实验数据源的确定。本次仿真实验中采用了kddcup99数据集，该数据集主要包含4898431条记录，本文在该数据集的基础上，基于10%的测试子集与训练自己进行仿真实验，实验中不仅包含了各种正常数据，也包含异常数据，并且每个异常数据中都包含不同的入侵攻击行为。

3.2仿真准备阶段。

本文详细分析了基于pca的bp神经网络信息安全管理问题，从本文的实验仿真结果来看，pca方法满足bp神经网络信息安全管理要求，与传统方法相比，该方法对于安全信息具有更高的识别率，因此值得推广。

参考文献

[1]刘凯峥，王振国.高速公路收购价值研究——基于非线性主成分分析和rbf神经网络预测模型[j].中国市场，2019（30）：159-160.