CN111800301A - 一种机器类型通信中的网络安全评价方法及系统 - Google Patents

Abstract

本发明涉及一种机器类型通信中的网络安全评价方法及系统，包括基于预先定义的机器类型通信中的网络安全关键特征量构建深度学习网络模型；结合深度学习网络模型和专家研讨系统，对机器类型通信中的网络安全健康状态进行综合评估；根据评估结果在线更新深度学习网络模型。通过专家研讨系统与深度学习网络的反馈迭代实现对多层极限学习机的在线训练、更新，使两者输入结果最终趋于一致，网络安全健康指数的计算结果更为真实可信。

Description

一种机器类型通信中的网络安全评价方法及系统

技术领域

本发明涉及监测技术领域，具体涉及一种机器类型通信中的网络安全评价方法及系统。

背景技术

机器类型通信是现代化城市的重要通信设施，通信运行状态的好坏，会直接影响用户的网络安全和质量。

对机器类型通信的评价，过去主要集中于机器类型通信的可靠性，使用的经济性，安全性以及质量等指标，无法全面掌握机器类型通信的健康状态，因此需要引入机器类型通信中的网络安全健康指数理念。传统的网络安全评价方法采用的是英国EA公司提出的计算公式，但该方法只考虑了老化对设备的影响，无法综合考虑各方面因素，且无法拓展到机器类型通信网络。近年来，基于层次分析法、德尔菲法、最优化原理、灰色关联度分析等的机器类型通信健康评价方法被提出。但这些方法某些只适用于单一设备，某些参数选择过于主观，且无法实现专家经验的继承与复用，依然没能解决如何针对大规模通信网络开展网络安全健康指数计算的问题。

当前，虽然惯用的评价方法能够实现对机器类型通信中的网络安全健康状态的评价，但由于评价过程中缺乏即时反馈，造成评价失误，随之产生的负面影响和经济损失严重度将无法估量。

发明内容

为了解决上述问题，本发明提供一种机器类型通信中的网络安全评价方法及系统，从一个新的角度评价网络安全健康指数。将深度学习原理和专家研讨系统相结合，实现评价模型在线训练更新，使得输出结果更为合理；从而解决了针对大规模通信设备与网络的网络安全健康指数的安全性评估问题，有益于专家经验的继承与复用。

本发明的目的是采用下述技术方案实现的：

一种机器类型通信中的网络安全评价方法，所述方法包括：

基于预先定义的机器类型通信中的网络安全关键特征量构建深度学习网络模型；

结合深度学习网络模型和专家研讨系统，对机器类型通信中的网络安全健康状态进行综合评估；

根据评估结果在线更新深度学习网络模型。

优选的，所述预先定义的机器类型通信中的网络安全关键特征量包括：将机器类型通信作为评价对象，依据自定义的机器类型通信分类规则，将所述机器类型通信划分为配电设备和机器类型通信网络；获取分类后的各部分特征量，并从中选取用于评价网络安全健康指数的关键特征量，生成特征空间。

进一步地，所述选取用于评价网络安全健康指数的关键特征量包括：以网络拓扑结构和成员关系的动态性,无线信道的不可靠性，终端节点和路由节点在电量、存储空间、计算和通信能力为依据，通过油色谱分析获取关键特征量。

优选的，所述深度学习网络模型是基于多层极限学习机构成的深度学习网络，其构建方法包括：将关键特征量作为输入样本映射到新的特征空间中，构成训练样本集X＝{x_i,t_i},i＝1,...,n；

其中，x_i表示输入样本，_ti表示输入样本对应的网络安全健康指数，n为样本数量；

随机生成输入层到达第一隐层的连接权重

以及第一隐层的输出矩阵H¹；采用最小二乘法计算求取β¹，其表达式为：

将(β¹)^T代替所述输入层到第一隐层的连接权重β¹，随机生成第一隐层到第二隐层的连接权重β²，以及第二隐层的输出矩阵H²；

采用最小二乘法，通过下式计算获得输出权重β³：

式中，a_j和b_j分别表示随机设置的与第j个隐藏节点关联的输入权值和隐层阈值，z为隐藏节点个数，H为广义的雅各比矩阵,T为样本对应的网络安全健康指数总量。

优选的，所述结合深度学习网络模型和专家研讨系统，对机器类型通信中的网络安全健康状态进行综合评估包括；将新产生的待测样本x_new分别输入专家研讨系统和深度学习网络模型，将各自获得的输出结果进行比较，判断深度学习网络模型与通过专家研讨系统输出的网络安全健康指数是否一致；如果一致，表示深度学习网络模型良好；如果不一致，则根据其差值判断是否执行深度学习网络模型的在线更新；其中，

所述专家研讨系统，用于根据专家经验、相关参考文献或者实验报告对机器类型通信的健康状态进行在线打分，以实现机器类型通信网络安全健康指数的获取。

优选的，所述根据评估结果在线更新深度学习网络模型包括：若专家研讨系统与深度学习网络模型输出结果的差值大于预设阈值，则以专家研讨系统输出的网络安全健康指数为当前待测样本做标记{x_new,t_new}；

将{x_new,t_new}作为新的待测样本子集X_new，当待测样本数目累计超过自定义阈值时，通过下式对深度学习网络模型进行在线更新：

将

代替β¹，其表达式为：

将X与X_new输入更新后的深度学习网络，分别输出最优矩阵

其表达式为：

将

代替β³，完成深度学习网络在线更新；

式中，I为单位矩阵，P为任何一个无限可微分的激励函数，

分别为更新后的深度学习网络模型中，输入层到达第一隐层的连接权重、第一隐层到达第二隐层的连接权重，以及输出权重；

为更新后的第一隐层输出矩阵。

一种机器类型通信中的网络安全评价系统，包括：

构建模块，用于基于预先定义的机器类型通信中的网络安全关键特征量构建深度学习网络模型；

评估模块，用于结合深度学习网络模型和专家研讨系统，对机器类型通信中的网络安全健康状态进行综合评估；

更新模块，用于根据评估结果在线更新深度学习网络模型。

优选的，所述构建模块包括：

确定单元，用于将机器类型通信作为评价对象，依据自定义的机器类型通信分类规则，将所述机器类型通信划分为配电设备和机器类型通信网络；

获取单元，用于获取分类后的各部分特征量，并从中选取用于评价网络安全健康指数的关键特征量，生成特征空间。

进一步地，所述选取单元包括：获取子单元，用于以网络拓扑结构和成员关系的动态性、无线信道的不可靠性，终端节点和路由节点在电量、存储空间、计算和通信能力为依据，通过油色谱分析获取关键特征量。

与现有技术相比，本发明达到的有益效果是：

本发明提出的一种机器类型通信中的网络安全评价方法及系统，体现了人类智能与人工智能的结合，实现了对专家经验、知识的继承与复用，采用深度学习网络，解决了当人力资源不足时，准确评估机器类型通信设备与通信网络健康状态的问题。

在本发明的方案中，先选取评价对象，然后根据实际情况选取关键特征量以及相应的数据信息，可以使评价更具有时效性。通过关键特征量的提取，可以减少评价模型中输入量的数量，同时减少各种特征量对状态评价造成的冗余状况，对于评价模型的建立至关重要。

通过构建评价模型，可以实现利用现有评价算法对评价对象健康状态的打分。另外，构建专家综合研讨，可以让专家在线对评价对象进行健康状态评价。对两个打分进行综合评估，在评估过程中使用深度学习的方法，可以使得评价更加准确，避免因为一方失误而造成评价的错误，对机器类型通信网络的安全运行构成威胁。

综合评估是本方法的核心，其对于评估准确性具有至关重要的作用。综合评估是根据历史评价过程，对深度学习模型进行训练，得到一个对比模型，然后将本次评价得分输入模型，对本次的评价结果进行比较，通过评估不一致反馈，可以让模型评价和综合研讨继续进行，向着一致性收敛，最终使得双方都收敛于真实的健康状态值附近。综合评估使得该方法可以快速、全面、可靠、高效的对机器类型通信各个节点的健康状态进行评价。

附图说明

图1为本发明提供的一种机器类型通信中的网络安全评价方法流程图；

图2为本发明提供的对机器类型通信中的网络安全健康状态进行综合评估的方法流程图；

图3为本发明提供的基于多层极限学习机构成的深度学习网络模型拓扑图。

具体实施方式

下面结合附图对本发明实施例中的技术方案进行描述。

如图1所示的一种机器类型通信中的网络安全评价方法，包括以下步骤：

S1基于预先定义的机器类型通信中的网络安全关键特征量构建深度学习网络模型；

S2结合深度学习网络模型和专家研讨系统，对机器类型通信中的网络安全健康状态进行综合评估；

S3根据评估结果在线更新深度学习网络模型。

1)预先定义的机器类型通信中的网络安全关键特征量包括：将机器类型通信作为评价对象，依据自定义的机器类型通信分类规则，将所述机器类型通信划分为配电设备和机器类型通信网络；获取分类后的各部分特征量，并从中选取用于评价网络安全健康指数的关键特征量，生成特征空间。

其中，选取用于评价网络安全健康指数的关键特征量包括：以网络拓扑结构和成员关系的动态性,无线信道的不可靠性，终端节点和路由节点在电量、存储空间、计算和通信能力为依据，通过油色谱分析获取关键特征量。

2)构建深度学习网络模型；所述深度学习网络模型是基于多层极限学习机构成的深度学习网络，如图3所示。将配电设备与网络的关键特征量从原始空间映射到隐层的特征空间，各层级之间包含若干隐节点和激活函数，能够根据其输入的关键特征量，识别当前设备或者机器类型通信网络的健康状态，并能匹配配电设备状况与网络情况；最终输出机器类型通信网络安全健康指数。

其构建方法包括：将关键特征量作为输入样本映射到新的特征空间中，构成训练样本集X＝{x_i,t_i},i＝1,...,n；其中，x_i表示输入样本，t_i表示输入样本对应的网络安全健康指数，n为样本数量；

随机生成输入层到达第一隐层的连接权重

以及第一隐层的输出矩阵H¹；采用最小二乘法计算求取β¹，其表达式为：

将(β¹)^T代替所述输入层到第一隐层的连接权重β¹，随机生成第一隐层到第二隐层的连接权重β²，以及第二隐层的输出矩阵H²；

采用最小二乘法，通过下式计算获得输出权重β³：

式中，a_j和b_j分别表示随机设置的与第j个隐藏节点关联的输入权值和隐层阈值，z为隐藏节点个数，H为广义的雅各比矩阵,T为样本对应的网络安全健康指数总量。

对机器类型通信的健康状态指数评估具体计算原则为：健康状态越差的部分所占的权重会越大，对机器类型通信造成危害越大的部分权重也越大。计算过程主要为首先计算权重系数矩阵，然后将权重系数矩阵与各部分健康状态指数矩阵进行相乘，得到一个统一的指数值作为机器类型通信整体的健康状态指数，通过这个指数可以客观的反应目前机器类型通信的健康状态，实现对机器类型通信中的网络安全健康状态的监测。

3)结合深度学习网络模型和专家研讨系统，对机器类型通信中的网络安全健康状态进行综合评估；

专家研讨系统用于获取专家知识与经验，将其输出的网络安全健康指数视为与实际情况相匹配的准确值，用于标记训练样本，样本标记还可以从系统外的其它资料(例如参考文献，实验报告等)获得；通过专家研讨系统与深度学习网络的反馈迭代实现对多层极限学习机的在线训练、更新，使两者输入结果最终趋于一致，网络安全健康指数的计算结果更为真实可信。

结合深度学习网络模型和专家研讨系统，对机器类型通信中的网络安全健康状态进行综合评估包括；将新产生的待测样本x_new分别输入专家研讨系统和深度学习网络模型，将各自获得的输出结果进行比较，判断深度学习网络模型与通过专家研讨系统输出的网络安全健康指数是否一致；如果一致，表示深度学习网络模型良好；如果不一致，则根据其差值判断是否执行深度学习网络模型的在线更新。

4)根据评估结果在线更新深度学习网络模型。机器类型通信网络安全健康指数的评价过程是一个反馈调节的过程，利用深度学习的原理，建立多层极限学习机网络，根据历史评价数据，对深度学习网络进行训练；针对新输入的样本，通过专家研讨系统进行标记，实现多层极限学习机模型的滚动更新。具体的过程为：

若专家研讨系统与深度学习网络模型输出结果的差值大于预设阈值，则以专家研讨系统输出的网络安全健康指数为当前待测样本做标记{x_new,t_new}；

将{x_new,t_new}作为新的待测样本子集X_new，当待测样本数目累计超过自定义阈值时，通过下式对深度学习网络模型进行在线更新：

将

代替β¹，其表达式为：

将X与X_new输入更新后的深度学习网络，分别输出最优矩阵

其表达式为：

将

代替β³，完成深度学习网络在线更新；

式中，I为单位矩阵，P为任何一个无限可微分的激励函数，P¹＝(H¹)^TH¹，

分别为更新后的深度学习网络模型中，输入层到达第一隐层的连接权重、第一隐层到达第二隐层的连接权重，以及输出权重；

为更新后的第一隐层输出矩阵。

基于同一技术构思，本发明还提供一种机器类型通信中的网络安全评价系统，包括：

构建模块，用于基于预先定义的机器类型通信中的网络安全关键特征量构建深度学习网络模型；

评估模块，用于结合深度学习网络模型和专家研讨系统，对机器类型通信中的网络安全健康状态进行综合评估；

更新模块，用于根据评估结果在线更新深度学习网络模型。

优选的，所述构建模块包括：

确定单元，用于将机器类型通信作为评价对象，依据自定义的机器类型通信分类规则，将所述机器类型通信划分为配电设备和机器类型通信网络；

获取单元，用于获取分类后的各部分特征量，并从中选取用于评价网络安全健康指数的关键特征量，生成特征空间。

进一步地，所述选取单元包括：获取子单元，用于以网络拓扑结构和成员关系的动态性、无线信道的不可靠性，终端节点和路由节点在电量、存储空间、计算和通信能力为依据，通过油色谱分析获取关键特征量。

最后应说明的是：以上各实施例仅用以说明本发明的技术方案，而非对其限制；尽管参照前述各实施例对本发明进行了详细的说明，本领域的普通技术人员应当理解：其依然可以对前述各实施例所记载的技术方案进行修改，或者对其中部分或者全部技术特征进行等同替换；而这些修改或者替换，并不使相应技术方案的本质脱离本发明各实施例技术方案的范围，其均应涵盖在本发明的权利要求和说明书的范围当中。

Claims (9)

1.一种机器类型通信中的网络安全评价方法，其特征在于，所述方法包括：

基于预先定义的机器类型通信中的网络安全关键特征量构建深度学习网络模型；

结合深度学习网络模型和专家研讨系统，对机器类型通信中的网络安全健康状态进行综合评估；

根据评估结果在线更新深度学习网络模型。

2.如权利要求1所述的方法，其特征在于，所述预先定义的机器类型通信中的网络安全关键特征量包括：将机器类型通信作为评价对象，依据自定义的机器类型通信分类规则，将所述机器类型通信划分为配电设备和机器类型通信网络；获取分类后的各部分特征量，并从中选取用于评价网络安全健康指数的关键特征量，生成特征空间。

3.如权利要求2所述的方法，其特征在于，所述选取用于评价网络安全健康指数的关键特征量包括：以网络拓扑结构和成员关系的动态性,无线信道的不可靠性，终端节点和路由节点在电量、存储空间、计算和通信能力为依据，通过油色谱分析获取关键特征量。

4.如权利要求1所述的方法，其特征在于，所述深度学习网络模型是基于多层极限学习机构成的深度学习网络，其构建方法包括：将关键特征量作为输入样本映射到新的特征空间中，构成训练样本集X＝{x_i,t_i},i＝1,...,n；

其中，x_i表示输入样本，_ti表示输入样本对应的网络安全健康指数，n为样本数量；

随机生成输入层到达第一隐层的连接权重

以及第一隐层的输出矩阵H¹；

采用最小二乘法计算求取β¹，其表达式为：

将(β¹)^T代替所述输入层到第一隐层的连接权重β¹，随机生成第一隐层到第二隐层的连接权重β²，以及第二隐层的输出矩阵H²；

采用最小二乘法，通过下式计算获得输出权重β³：

式中，a_j和b_j分别表示随机设置的与第j个隐藏节点关联的输入权值和隐层阈值，z为隐藏节点个数，H为广义的雅各比矩阵,T为样本对应的网络安全健康指数总量。

5.如权利要求1所述的方法，其特征在于，所述结合深度学习网络模型和专家研讨系统，对机器类型通信中的网络安全健康状态进行综合评估包括；将新产生的待测样本x_new分别输入专家研讨系统和深度学习网络模型，将各自获得的输出结果进行比较，判断深度学习网络模型与通过专家研讨系统输出的网络安全健康指数是否一致；如果一致，表示深度学习网络模型良好；如果不一致，则根据其差值判断是否执行深度学习网络模型的在线更新；其中，

所述专家研讨系统，用于根据专家经验、相关参考文献或者实验报告对机器类型通信的健康状态进行在线打分，以实现机器类型通信网络安全健康指数的获取。

6.如权利要求1或4所述的方法，其特征在于，所述根据评估结果在线更新深度学习网络模型包括：若专家研讨系统与深度学习网络模型输出结果的差值大于预设阈值，则以专家研讨系统输出的网络安全健康指数为当前待测样本做标记{x_new,t_new}；

将{x_new,t_new}作为新的待测样本子集X_new，当待测样本数目累计超过自定义阈值时，通过下式对深度学习网络模型进行在线更新：

将

代替β¹，其表达式为：

将X与X_new输入更新后的深度学习网络，分别输出最优矩阵

其表达式为：

将

代替β³，完成深度学习网络在线更新；

式中，I为单位矩阵，P为任何一个无限可微分的激励函数，P¹＝(H¹)^TH¹，

分别为更新后的深度学习网络模型中，输入层到达第一隐层的连接权重、第一隐层到达第二隐层的连接权重，以及输出权重；

为更新后的第一隐层输出矩阵。

7.一种机器类型通信中的网络安全评价系统，其特征在于，包括：

构建模块，用于基于预先定义的机器类型通信中的网络安全关键特征量构建深度学习网络模型；

评估模块，用于结合深度学习网络模型和专家研讨系统，对机器类型通信中的网络安全健康状态进行综合评估；

更新模块，用于根据评估结果在线更新深度学习网络模型。

8.如权利要求7所述的系统，其特征在于，所述构建模块包括：

确定单元，用于将机器类型通信作为评价对象，依据自定义的机器类型通信分类规则，将所述机器类型通信划分为配电设备和机器类型通信网络；

获取单元，用于获取分类后的各部分特征量，并从中选取用于评价网络安全健康指数的关键特征量，生成特征空间。

9.如权利要求8所述的系统，其特征在于，所述选取单元包括：获取子单元，用于以网络拓扑结构和成员关系的动态性、无线信道的不可靠性，终端节点和路由节点在电量、存储空间、计算和通信能力为依据，通过油色谱分析获取关键特征量。

Images