本發(fā)明涉及通信技術領域，尤其涉及一種對網(wǎng)絡靶場進行評價的方法。

背景技術：

網(wǎng)絡靶場是為了應對日益嚴峻的網(wǎng)絡空間安全問題，應對軍事領域革命性的變化，適應網(wǎng)絡化、信息化武器裝備發(fā)展要求而設計和建設的網(wǎng)絡安全試驗驗證和測試評估環(huán)境。網(wǎng)絡靶場可以為各種網(wǎng)絡技術、攻防手段和裝備系統(tǒng)提供網(wǎng)絡安全方面的定量和定性評估，支撐開展網(wǎng)絡空間攻防對抗演練。建設網(wǎng)絡靶場已成為提升我國網(wǎng)絡空間攻防能力的重要戰(zhàn)略舉措，是將我國建設強大信息系統(tǒng)國度的安全保障。網(wǎng)絡靶場是一個集各種高新技術于一身的大型、復雜、異構、動態(tài)的特殊信息系統(tǒng)，如何構建一個覆蓋全面、可度量的網(wǎng)絡靶場評價指標體系，如何客觀地、有效地對網(wǎng)絡靶場進行評價，是在建設網(wǎng)絡靶場過程中的一個重要問題。

現(xiàn)有方法中主要是應用神經(jīng)網(wǎng)絡對網(wǎng)絡靶場進行評價，而應用神經(jīng)網(wǎng)絡對網(wǎng)絡靶場評價過程中計算維度高且易陷入局部極小值等問題。

技術實現(xiàn)要素：

鑒于上述的分析，本發(fā)明旨在提供一種對網(wǎng)絡靶場進行評價的方法，用解決現(xiàn)有技術中應用神經(jīng)網(wǎng)絡對網(wǎng)絡靶場評價過程中計算維度高且易陷入局部極小值的問題。

為解決上述問題，本發(fā)明主要是通過以下技術方案實現(xiàn)的：

本發(fā)明提供了一種對網(wǎng)絡靶場進行評價的方法，該方法包括：

建立網(wǎng)絡靶場評價指標體系；

根據(jù)所述評價指標體系建立網(wǎng)絡靶場評價模型，所述網(wǎng)絡靶場評價模型為二級三層BP神經(jīng)網(wǎng)絡計算結構，其中，第一級包括10個獨立的BP神經(jīng)網(wǎng)絡，第二級為10輸入1輸出的BP神經(jīng)網(wǎng)絡；

進行多個多級神經(jīng)網(wǎng)絡離線訓練，完成BP神經(jīng)網(wǎng)絡學習，記錄最終各層間連接權值和閾值。

進一步地，所述二級三層BP神經(jīng)網(wǎng)絡計算結構眾多中的隱層神經(jīng)元數(shù)以誤差平方和的均值為準確度評價指標，通過循環(huán)測試，選取使得誤差平方和均值最小的隱層神經(jīng)元數(shù)，或采用公式確定最小的隱層神經(jīng)元數(shù)；

其中，S為隱含層數(shù)目，m為輸入層神經(jīng)元數(shù)，n為輸出層神經(jīng)元數(shù)，a為范圍在1到10之間的常數(shù)。

進一步地，該方法還包括：

利用遺傳算法來優(yōu)化網(wǎng)絡的連接權值和閾值，將網(wǎng)絡的連接權值和閾值進行編碼，根據(jù)適應度函數(shù)及執(zhí)行遺傳操作優(yōu)化，得到最優(yōu)個體，并把最優(yōu)的個體賦給BP神經(jīng)網(wǎng)絡作為初始連接權值和閾值，然后利用優(yōu)化好的BP神經(jīng)網(wǎng)絡模型進行精確尋優(yōu)。

進一步地，該方法還包括進行對所述二級三層BP神經(jīng)網(wǎng)絡進行離線訓練，具體包括：

步驟一、輸入樣本，將其對應的歸一化指標數(shù)據(jù)作為第一級BP神經(jīng)網(wǎng)絡模型的輸入，分別對應于人工神經(jīng)網(wǎng)絡的輸入節(jié)點，而該輸入樣本對應的專家評價結果作為系統(tǒng)的期望輸出；

步驟二、正向傳播，記錄此次正向傳播的誤差E⁽⁰⁾；

步驟三、反向傳播，調整BP神經(jīng)網(wǎng)絡中輸入層、隱含層、輸出層之間的連接權值，對誤差對權重的梯度小于預設梯度最小值ε，即則跳轉到步驟五，如果提督大于預設梯度最小值ε，則轉到步驟四；

步驟四、調整連接權值，采用最速梯度下降法，反向調整連接權值及閾值，正向傳播計算誤差E⁽¹⁾，比較E⁽⁰⁾與E⁽¹⁾，若網(wǎng)絡的誤差減小，增大學習率；若網(wǎng)絡的誤差增大，則降低學習率，重現(xiàn)反向計算調整連接值，正向傳播計算E⁽¹⁾，直到誤差不再減少；

步驟五、用新連接權值繼續(xù)正向傳播，更新誤差值E⁽¹⁾，若誤差小于預置精度e，則完成學習并停止傳播，進入步驟六，若誤差大于預置精度e，令i＝i+1，當i＜m時，說明各層連接權值還需調整，跳轉步驟一，當i＝m，即全部節(jié)點間連接權值得到調整，但誤差仍不滿足要求，則令i＝0，從第一個節(jié)點開始新一輪迭代學習過程。

進一步地，所述網(wǎng)絡靶場評價指標體系分為三級包括二級指標、一級指標和總體評價；

最下層是網(wǎng)絡靶場的二級指標，二級指標包括網(wǎng)絡靶場的基本功能和性能指標；

上面是網(wǎng)絡靶場的一級指標，一級指標為根據(jù)相應所覆蓋的二級指標計算得出；

最上層是網(wǎng)絡靶場的總體評價，由各一級指標計算得出。

進一步地，該方法還包括：

將多位專家提供訓練樣本作為BP神經(jīng)網(wǎng)絡模型的學習樣本。

進一步地，該方法還包括：

實時計算網(wǎng)絡靶場在各尺度、各方面的評價，并以曲線、直方圖形式進行動態(tài)展示。

本發(fā)明有益效果如下：

本發(fā)明通過將由一個BP神經(jīng)網(wǎng)絡計算分解成多個多級神經(jīng)網(wǎng)絡并行計算，避免了由一個大型神經(jīng)網(wǎng)絡計算帶來的訓練難度大、耗時、無法作出精細分析等難題。在這種評價方法下，改變了通過傳統(tǒng)神經(jīng)網(wǎng)絡模型對網(wǎng)絡靶場評價過程的缺點，使得網(wǎng)絡靶場評價模型的準確性和實用性得以大大提高，達到了應用的要求。

本發(fā)明的其他特征和優(yōu)點將在隨后的說明書中闡述，并且部分的從說明書中變得顯而易見，或者通過實施本發(fā)明而了解。本發(fā)明的目的和其他優(yōu)點可通過在所寫的說明書、權利要求書、以及附圖中所特別指出的結構來實現(xiàn)和獲得。

附圖說明

圖1是根據(jù)本發(fā)明實施例網(wǎng)絡靶場評價計算的框圖；

圖2是根據(jù)本發(fā)明實施例基于多個多級神經(jīng)網(wǎng)絡的網(wǎng)絡靶場評價訓練和使用流程圖；

圖3是根據(jù)本發(fā)明實施例的網(wǎng)絡靶場評價指標體系圖。

具體實施方式

下面結合附圖來具體描述本發(fā)明的優(yōu)選實施例，其中，附圖構成本申請一部分，并與本發(fā)明的實施例一起用于闡釋本發(fā)明的原理。為了清楚和簡化目的，當其可能使本發(fā)明的主題模糊不清時，將省略本文所描述的器件中已知功能和結構的詳細具體說明。

本發(fā)明提供了一種對網(wǎng)絡靶場進行評價的方法，本發(fā)明通過對網(wǎng)絡靶場深入探究，建立了多方面、多層次的網(wǎng)絡靶場綜合評價指標體系，并以此為基礎，發(fā)明了一種多個多級BP神經(jīng)網(wǎng)絡評價方法。該方法解決了應用神經(jīng)網(wǎng)絡對網(wǎng)絡靶場評價過程中計算維度高、易陷入局部極小值、精細度差等問題。以下結合附圖以及幾個實施例，對本發(fā)明進行進一步詳細說明。應當理解，此處所描述的具體實施例僅僅用以解釋本發(fā)明，并不限定本發(fā)明。

本發(fā)明實施例提供了一種任務分配方法，該方法包括：

建立網(wǎng)絡靶場評價指標體系；

根據(jù)所述評價指標體系建立網(wǎng)絡靶場評價模型，所述網(wǎng)絡靶場評價模型為二級三層BP神經(jīng)網(wǎng)絡計算結構，其中，第一級包括10個獨立的BP神經(jīng)網(wǎng)絡，第二級為10輸入1輸出的BP神經(jīng)網(wǎng)絡；

進行多個多級神經(jīng)網(wǎng)絡離線訓練，完成BP神經(jīng)網(wǎng)絡學習，記錄最終各層間連接權值和閾值。

也就是說，本發(fā)明通過將由一個BP神經(jīng)網(wǎng)絡計算分解成多個多級神經(jīng)網(wǎng)絡并行計算，避免了由一個大型神經(jīng)網(wǎng)絡計算帶來的訓練難度大、耗時、無法作出精細分析等難題。在這種評價方法下，改變了通過傳統(tǒng)神經(jīng)網(wǎng)絡模型對網(wǎng)絡靶場評價過程的缺點，使得網(wǎng)絡靶場評價模型的準確性和實用性得以大大提高，達到了應用的要求。

由于網(wǎng)絡靶場評價指標復雜，當采用一個大型BP神經(jīng)網(wǎng)絡來計算時，輸入特征數(shù)量很大，增加訓練難度，也很耗時；BP神經(jīng)網(wǎng)絡特征空間維數(shù)高將造成訓練樣本構造困難，造成訓練樣本質量難以保證；大型BP神經(jīng)網(wǎng)絡使評價系統(tǒng)完全變成一個黑盒，無法對網(wǎng)絡靶場作出精細分析。因此，采用多個多級神經(jīng)網(wǎng)絡結構的方式，對每一組指標分別實現(xiàn)神經(jīng)網(wǎng)絡計算，并將多組計算結果再作為一個神經(jīng)網(wǎng)絡的輸入，最終計算出的綜合評價值，成功解決了計算維度高，精細度差的問題。在每個BP神經(jīng)網(wǎng)絡模型中，采用遺傳算法優(yōu)化的方式對各層間連接權值和閾值，可以有效解決傳統(tǒng)BP神經(jīng)網(wǎng)絡易陷入局部極小值的問題。

即，鑒于當前對網(wǎng)絡靶場評價指標建設的空白，對其架構及其應發(fā)揮作用進行深層次的研究分析，從網(wǎng)絡復現(xiàn)、數(shù)據(jù)采集、資源管理等多個方面提出評價網(wǎng)絡靶場的功能性能指標，設計和構建評價網(wǎng)絡靶場的多層次、多類別、相互關聯(lián)的綜合指標體系，從而支撐對網(wǎng)絡靶場進行多層面、全方位的評價。

圖1是本發(fā)明技術方案的架構圖。如圖1所示，本發(fā)明主要由兩部分組成，即網(wǎng)絡靶場的指標體系構建和網(wǎng)絡靶場綜合評價。其中，網(wǎng)絡靶場指標體系構建主要是從網(wǎng)絡靶場的定位出發(fā)，深入探索靶場的內涵和作用，梳理靶場應具備的核心能力，分析得出細粒度、多層次的網(wǎng)絡靶場評價指標體系，具體包括10個一級指標、40個二級指標；網(wǎng)絡靶場評價計算采用多個多級BP神經(jīng)網(wǎng)絡的計算方法，每個一級指標分別由一個多輸入單輸出的三層BP神經(jīng)網(wǎng)絡模型計算得出，所有一級指標并行計算得出后，作為第二級神經(jīng)網(wǎng)絡模型的輸入，最終輸出網(wǎng)絡靶場的評價值，完成整個評價過程。

圖2是基于多個多級神經(jīng)網(wǎng)絡的網(wǎng)絡靶場評價訓練和使用流程，本發(fā)明提出的基于多個多級BP神經(jīng)網(wǎng)絡的靶場評價方法包括下列步驟：

步驟一：構建網(wǎng)絡靶場評價指標體系

圖3是網(wǎng)絡靶場評價指標體系，如圖3所示，本發(fā)明的網(wǎng)絡靶場評價指標體系采用指標比選、耦合分析等方法，構建三層網(wǎng)絡靶場評價指標體系。最下層是網(wǎng)絡靶場的二級指標，二級指標由網(wǎng)絡靶場的基本功能和性能指標組成，包括計算服務能力、存儲服務能力、網(wǎng)絡服務能力、規(guī)范操作能力、復現(xiàn)逼真度、復現(xiàn)規(guī)模、復現(xiàn)速度、復現(xiàn)種類、復現(xiàn)模式、數(shù)據(jù)采集種類、數(shù)據(jù)分析力度、數(shù)據(jù)分析速度、采集對象、重構速度、安全試驗隔離能力、數(shù)據(jù)擦除速度、用戶管理能力、用戶支持數(shù)量、用戶角色數(shù)量、資源庫種類、資源庫數(shù)量、地域分布能力、功能分布式能力、攻防角色、攻防參演規(guī)模、攻防過程回放、攻防推演、攻防時間干預、可視化展示，測試類型、自動化測試程度、數(shù)據(jù)備份能力、安全保密能力、風險管理能力、可靠性、可用性、性價比、安全性測試評估、攻防效果評估、參演人員技能評估等共40個；上面是網(wǎng)絡靶場的一級指標，一級指標由相關的二級指標計算得出，一級指標包括基礎能力、復現(xiàn)能力、數(shù)據(jù)采集分析能力、資源調度能力、攻防與測試能力、擴展能力、安全保密能力、經(jīng)濟運行能力、評估能力10個方面；最上層是網(wǎng)絡靶場的總體評價，由各一級指標計算得出；

步驟二：建立訓練樣本集

根據(jù)步驟一得出的指標體系，由專家提供訓練樣本，為減少專家提供訓練樣本的主觀性，保證訓練質量，采用多位專家同時提供訓練樣本的方法，各位專家首先進行討論，基本確定訓練樣本生成的原則，然后由每位專家提供一個訓練樣本集，最后匯總各專家的訓練樣本，形成一個完整的訓練樣本集。同時為了擴大訓練樣本集，構成一個完整的訓練樣本集，以此作為BP神經(jīng)網(wǎng)絡模型的學習樣本。

步驟三：建立網(wǎng)絡靶場評價模型

設計網(wǎng)絡結構。構建多個二級三層BP神經(jīng)網(wǎng)絡計算結構。其中，每個神經(jīng)網(wǎng)絡具有輸入層、隱含層和輸出層，第一級由10個獨立的BP神經(jīng)網(wǎng)絡組成，第二級采用一個10輸入1輸出的BP神經(jīng)網(wǎng)絡結構：

(1)隱層神經(jīng)元數(shù)、學習率確定：以誤差平方和的均值為準確度評價指標，通過循環(huán)測試，選取使得誤差平方和均值最小的隱層神經(jīng)元數(shù)，或采用公式確定(其中，S表示隱含層數(shù)目，m表示輸入層神經(jīng)元數(shù)，n表示輸出層神經(jīng)元數(shù)，a表示范圍在1到10之間的常數(shù))。隨機選取較小的學習率η，設定網(wǎng)絡學習的誤差精度e。

(2)初始連接權值、閾值選擇。利用遺傳算法來優(yōu)化網(wǎng)絡的連接權值和閾值，首先在確定BP神經(jīng)網(wǎng)絡結構的情況下，將網(wǎng)絡的連接權值和閾值進行編碼，根據(jù)適應度函數(shù)及執(zhí)行一系列的遺傳操作優(yōu)化，得到最優(yōu)個體，并把最優(yōu)的個體賦給BP神經(jīng)網(wǎng)絡作為初始連接權值和閾值，然后利用優(yōu)化好的BP神經(jīng)網(wǎng)絡模型進行精確尋優(yōu)。與簡單BP模型對比，該模型收斂速度快，具有更好的預測精度和預測精度。

步驟四：多個多級神經(jīng)網(wǎng)絡離線訓練

利用步驟二、步驟三中得到的訓練樣本對所構建的多個二級三層BP神經(jīng)網(wǎng)絡進行訓練，得到訓練后的BP神經(jīng)網(wǎng)絡。執(zhí)行BP神經(jīng)網(wǎng)絡的訓練過程：

(1)輸入樣本，我們將其對應的歸一化指標數(shù)據(jù)作為第一級BP神經(jīng)網(wǎng)絡模型的輸入，分別對應于人工神經(jīng)網(wǎng)絡的輸入節(jié)點，而該輸入樣本對應的專家評價結果作為系統(tǒng)的期望輸出。

(2)正向傳播，記錄此次正向傳播的誤差E⁽⁰⁾。

(3)反向傳播，調整BP神經(jīng)網(wǎng)絡中各層(輸入層、隱含層、輸出層)之間的連接權值，對誤差對權重的梯度小于預設梯度最小值ε，即則跳轉到步驟(5)。如果提督大于預設梯度最小值ε，則轉到步驟(4)。

(4)調整連接權值。采用最速梯度下降法，反向調整連接權值及閾值，正向傳播計算誤差E⁽¹⁾，比較E⁽⁰⁾與E⁽¹⁾，若網(wǎng)絡的誤差減小，增大學習率；若網(wǎng)絡的誤差增大，則降低學習率，重現(xiàn)反向計算調整連接值，正向傳播計算E⁽¹⁾，直到誤差不再減少。

(5)用新連接權值繼續(xù)正向傳播，更新誤差值E⁽¹⁾。若誤差小于預置精度e，則完成學習并停止傳播，進入步驟(6)。若誤差大于預置精度e，令i＝i+1，當i＜m時，說明各層連接權值還需調整，跳轉步驟(1)。當i＝m，即全部節(jié)點間連接權值得到調整，但誤差仍不滿足要求，則令i＝0，從第一個節(jié)點開始新一輪迭代學習過程。

(6)完成BP神經(jīng)網(wǎng)絡學習，記錄最終各層間連接權值。

第一級BP神經(jīng)網(wǎng)絡按照上述步驟訓練結束后，將其連接權值保存，再以一級指標參數(shù)為輸入，進入第二級BP神經(jīng)網(wǎng)絡，按照同樣的方式進行訓練，保存該神經(jīng)網(wǎng)絡各層間連接權值。

步驟五：神經(jīng)網(wǎng)絡實時評價

按照上面所述的網(wǎng)絡靶場指標體系和評價方法，實時計算網(wǎng)絡靶場在各尺度、各方面的評價，并以曲線、直方圖形式進行動態(tài)展示。

本發(fā)明至少能夠達到以下的有益效果：

本發(fā)明構建的網(wǎng)絡靶場評價指標體系全面、客觀，從網(wǎng)絡復現(xiàn)、數(shù)據(jù)采集、資源管理等多個方面提出評價網(wǎng)絡靶場的功能性能指標，能夠充分體現(xiàn)出網(wǎng)絡靶場的綜合能力，彌補了此部分的空白。與現(xiàn)有相關技術相比，本發(fā)明提出的評價方法中，在計算結構上做了調整，將由一個BP神經(jīng)網(wǎng)絡計算分解成多個多級神經(jīng)網(wǎng)絡并行計算，避免了由一個大型神經(jīng)網(wǎng)絡計算帶來的訓練難度大、耗時、無法作出精細分析等難題。在這種評價方法下，改變了通過傳統(tǒng)神經(jīng)網(wǎng)絡模型對網(wǎng)絡靶場評價過程的缺點，使得網(wǎng)絡靶場評價模型的準確性和實用性得以大大提高，達到了應用的要求。

以上所述，僅為本發(fā)明較佳的具體實施方式，但本發(fā)明的保護范圍并不局限于此，任何熟悉本技術領域的技術人員在本發(fā)明揭露的技術范圍內，可輕易想到的變化或替換，都應涵蓋在本發(fā)明的保護范圍之內。因此，本發(fā)明的保護范圍應該以權利要求書的保護范圍為準。