基于PSO-FNN的网络安全态势评测研究与实现

发布时间：2021-04-09 00:43

　　研究PSO-FNN模型下的神经网络自动网络安全态势,PSO即:particle Swarm Optimization,粒子群优化算法,PSO具有误差小、泛化力强、评价指标高等特点,对非数值信息具有很好的识别和处理能力,对于网络安全分析具有非常重要的实用价值。 

【文章来源】：电脑开发与应用. 2014,27(10)

【文章页数】：3 页

【部分图文】：

所示，U上的x点通过模糊产生器可以映射在U上的模糊集，调取模糊规则库中的模糊推理图1模糊逻辑系统

相应的预案处理，然后读入下一条观测数据，程序将在评测完所有的观测数据后结束。3PSO-FNN神经网络结构应用评测3.1PSO-FNN神经网络结构中训练误差随着迭代次数的变化PSO-FNN神经网络结构中训练误差随着迭代次数的变化如图6所示。由图6可以非常明显地得出，PSO优化的神经网络其收敛速度快，PSO-FNN网络结构迭代的次数大约在550时，网络的误差可以达到设定的要求。因此，PSO-FNN网络结果应用于网络安全态势要素的获取，其效率非常高。3.2神经网络对网络安全要素的提取精度PSO-FNN网络对训练样本的提取精度如图7图2模糊推理系统图3模糊神经网络的基本构成图4粒子群算法的基本流程图·42·0770基于PSO-FNN的网络安全态势评测研究与实现

（总）2014年第10期上，利用数据库和规则库中的内容进行推理，再映射输出，去模糊化得到V上点。1.3模糊神经网络结构神经元网络可以效仿人脑神经元的作用，具备自学习能力和数据的并行处理能力，让模糊神经网拥有非常好的结构知识表达以及信息辨别能力。模糊神经网络的基本结构如图3所示：模糊神经网络的各层节点具有以下功能特点：第1层为输入层，其输入语言变量由输入层的节点来表示，输入层所具有的作用便是把输入值送到下一层。第2层就是模糊化层，在前提条件里面的模糊变量状态能够利用模糊化层将其转变成为基本状态。第3层就是模糊推理层，这一层对基本模糊状态以及结论变量的基本状态起到了联接作用，它的网络参数根据这两者之间的来确立。第4层就是反模糊化层，分布型基本模糊状态能够在反模糊化层的作用下转变成为确定状态之下的网络层。1.4PSO优化算法PSO粒子群算法的基本流程如图4所示。第1步：重新设置粒子群各项参数。（1）对种群规模进行合理设置，N所表示的是粒子数。（2）对种群初始位置进行合理设置，均匀分布i，j在限定范围内产生的xij。（3）对种群初始速率进行合理设置，均匀分布i，j在限定范围内产生的vij。（4）针对任意i，合理设置局部最优位置，即Pi越xi。（5）对最小化问题给予重点关注，合理设置粒子群最优位置，即：f（Pg）=min{（fx1），f（x2），...，f（Xn）}第2步：基于适应度函数对各个粒子的适应度进行准确计算。第3步：基于进化方程即时更新粒子位置与速度。第4步：对粒子最优值进行准确计算，对各个粒子最优位置Pi和适应值进行对比，若相对较好则意味着Pi是粒子当下最佳位置。第5步：对粒子群最优值进行准确计算，基于各个粒子当


本文编号：3126578