摘要：随着我国信息技术的不断发展，计算机及其网络技术已被广泛应用到各个领域，成为人们生活与工作中不可或缺的重要工具。但随着计算机网络技术的不断发展，信息安全问题也成为人们关注的焦点所在，计算机安全管理由此而生。计算机安全评价是对网络信息进行安全管理的基础，其中神经网络是计算机安全评价中最常使用的一项技术，其拥有准确性高、评价全面等优势。基于此，结合笔者实践工作经验及一些自身见解，主要对基于神经网络的计算机安全评价技术展开探讨。

关键词：神经网络；计算机安全；评价技术

近年来，计算机及其网络技术的快速发展给人们的生产、生活带来了极大便利，但同时也带来了相应的安全风险。在计算机网络运营过程中，能够影响其安全的因素众多，比如计算机软硬件损坏、病毒、黑客攻击、人为操作失误等。为了有效促进计算机及其网络技术的发展，应严格防范安全问题，通过建立科学、高效的网络安全评价系统，采取相对应的安全防范措施，不断优化与完善计算机网络体系，以便于其为人们提供更好的服务。

1神经网络及计算机网络安全的概述

1.1神经网络简介

神经网络又被称为链接模型，其是从生物神经网络得到启发而建立的。神经网络模拟了人脑的信息处理方式，然后通过建立数学模型研究大脑行为结构及神经元的基本特征。世界上第一个神经网络模型是由生物学家及数学家共同提出的。神经网络复杂多变，神经元通过大量节点相互连接成网络，并且每一个神经元都能够处理信息，因此，神经网络能够同时处理海量信息。计算机学家在神经网络模型的基础上进行优化，设计出了感知器神经网络模型，并将之应用到计算机网络、工程建设以及经营管理等多个领域。

1.2计算机网络安全

计算机网络安全主要是指在网络环境下，通过采用较为先进的科学技术及管理措施来保障计算机网络体系正常运营及资料安全。广义的计算机网络安全包括物理安全及逻辑安全两大部分，其中逻辑安全主要是指信息数据的完整性、保密性及可用性等方面的内容；物理安全则包括系统中的硬件及软件等内容。计算机网络安全具有较强的可控性及可审查性。目前，计算机网络安全问题已成为全球共同关注的问题，同时也是相关从业人员一直努力解决的一大重要问题。

1.3计算机网络安全评价体系的建立原则

计算机网络安全评价体系是评价工作的基础，其能够科学、全面、客观地分析与评定计算机网络中存在的不安全因素，并给出相应的指标及解决措施，因此，在评价体系建立过程中，应综合考虑多方面因素来设计评价指标。计算机网络安全评价体系的建立原则主要包括以下几个方面。（1）可行性。在安全评价体系建立之初，首先应确保构建的可行性，必须从实际条件和需求出发，因地、因需、因人制宜，以此来确保评价体系的实用性。（2）准确性。安全评价体系建立过程中，应当确保其能够体现出计算机网络安全的技术水平，并及时将各项安全信息反馈给检测人员，以便于技术人员及时进行安全维护。（3）完备性。建立安全评价体系，还应确保其能够全面反映计算机网络安全的基本特征，以便于提高评价的准确性、真实性。（4）简要性。安全评价体系的评价指标应具有代表性，以此来确保安全评价工作简单、明了。（5）独立性。由于计算机网络是一个较为复杂的系统，因此，在其安全评价过程中，应确保各项指标的独立性，尽量减少重复选择及指标之间的关联，以此来提升安全评价工作的效率和准确性。与此同时，在指标检测过程中，应尽量选择那些具有代表性和独立性的指标进行检测，以便于将计算机网络的运行状态和安全状况客观、真实地展现出来。在基于神经网络的计算机安全评价体系中，神经网络发挥着至关重要的作用，并且其较强的适应性为安全评价工作提供了强有力的保障，因此通过神经网络技术，能够创建出计算机网络安全评价模型及仿真模型，以此来有效评估计算机网络的安全状况。

2基于神经网络的计算机安全评价技术体系的建立

BP神经网络模型是当前使用最广泛的神经网络模型，其主要采用最速下降法进行反向传播，同时调整相关数值，从而将误差降到最低。BP神经网络模型还可以运用误差逆传播算法，构建起反馈多层网络。由于BP神经网络模型的算法简单，更易实现，且具有良好的非线性逼近能力，因此，其也是计算机安全评价系统常用的模型之一。本文主要以BP神经网络模型为基础，对计算机安全评价系统展开分析。

2.1基于神经网络的计算安全评价模型的设计

该模型主要由输入层、隐含层及输出层三大部分组成。（1）输入层。BP神经网络在设计过程中必须严格规定输入层神经元节点的数量，其应与安全评价体系的评价指标数量一致，因此，神经元节点的数量应由二级指标的数量确定。比如，安全平体系中设计了10个二级指标，那么输入层神经元节点的数量也应是10个。（2）隐含层。神经网络安全评价模型在设计中，应采用单向隐含层，但若隐含层节点数量过多，则会大大增加神经网络的学习时间，而若隐含层节点数量过少，又会降低神经网络的容错率，所以在设计过程中必须控制好隐含层的节点数量。（3）输出层。神经网络安全评价模型的输出层设计关系到网络安全评价结果，若在输出层评价设计时，将输出层节点设为2个，那么（1,1）的输出结果则表示十分安全，而（1,0）则表示基本安全，（0,1）则表示不太安全，（0,0）则表示非常不安全。

2.2基于神经网络的计算安全评价模型的学习

基于神经网络的计算机安全评价模型构建过程中，BP神经网络需要在模型中进行神经网络学习，这就表示其需要完成相应的训练工作，同时这也使得BP神经网络具备初始连接权利。由于经过了一系列的神经网络学习，所以后期使用中其误差值较小，这样才能确保安全评价结果的准确性，并保证模型使用与使用者的期望值无限接近。

2.3基于神经网络的计算机安全评价模型的验证

验证安全评价模型，是为了确保其设计与学习工作的良好性，更是为了确保安全评价模型具备全面性、实用性及准确性。验证程序主要为：首先，科学选取样本数据，然后将样本数据输进模型中，经过模型的检验与分析，从而对计算机网络的安全进行评价，如果所输出的结果与对比值一致，则表明安全评价模型具有较高的准确性，可以投入使用；如果所输出的结果与对比值存在较大的误差，这时还应查明误差原因，如果是模型的问题，还应对模型进行检验与优化，严重的还应重新设计，务必要确保其实用性和准确性。

3结语

综上所述，神经网络在计算机安全评价模型中具有至关重要的作用。因此，在构建基于神经网络的计算机安全评价模型时，应将神经网络的基本特征与计算机网络运行特点紧密结合起来，并综合考虑实际状况和需求，然后以网络安全评价模型构建的五大原则为基础，从模型设计、神经网络学习及模型验证等几大步骤着手，尽力创建出全面、高效、准确且实用性强的计算机网络安全评价模型，以便于为计算机网络安全运行提供有力的支撑。

参考文献

[1]李忠武,陈丽清.计算机网络安全评价中神经网络的应用研究[J].现代电子技术,2014(10).

[2]吕树红,陈康.模糊综合评判在网络安全评价中的研究与应用[J].计算机光盘软件与应用,2013(22).

[3]陶跃,田迎华.多级可拓评价方法在网络安全评价中的应用[J].吉林大学学报:信息科学版,2013(1).

[4]孙志娟,赵京,戴京涛.采用KPCA-BP神经网络的并联机构全局综合性能评价方法研究[J].现代制造工程,2014(11).

[5]禹建丽,黄鸿琦.神经网络在复杂自相关预测过程中的应用及对比研究[J].数学的实践与认识,2016(19).

[6]耿仲华.计算机网络安全评价中对于神经网络的应用探究[J].网络安全技术与应用,2014(9).

作者：吴文臣 单位：齐齐哈尔工程学院