联盟链视角下基于IIWPSO-BP的信息安全风险预测模型*

doi:10.16265/j.cnki.issn1003-3033.2022.08.2483

摘要/Abstract

摘要：

为及时发现智慧城市潜在信息安全风险,构建一种基于改进惯性权重的粒子群优化(IIWPSO)算法优化反向传播(BP)(IIWPSO-BP)神经网络算法的信息安全风险预测模型。首先,综合考虑信息拥有者、共享信息、联盟链技术、信息使用者、联盟链管理和安全措施6个一级指标,构建信息安全风险指标体系;其次,通过量化信息安全风险指标,训练并测试所构建的信息安全风险预测模型;最后,对比分析模型的鲁棒性、精确性和时间复杂度。结果表明:IIWPSO-BP预测模型的平均绝对误差(MAE)为0.137 4,平均相对误差(MRE)为0.038 5,拟合度为0.972 0;与PSO-BP神经网络、BP神经网络相比,预测精度分别提升了37.6%、65.2%。

关键词: 联盟链, 信息安全, 改进惯性权重的粒子群优化(IIWPSO)算法, 反向传播(BP)神经网络, 风险预测, 智慧城市

Abstract:

In order to find potential information security risks of smart cities in time, an information security risk prediction model was built based on IIWPSO algorithm optimized BP (IIWPSO-BP) neural network algorithm. Firstly, the information security risk index system was constructed by considering six aspects: information owner, shared information, alliance chain technology, information user, alliance chain management and security measures. Secondly, the information security risk prediction model was trained and tested by quantifying the information security risk index. Finally, the robustness, accuracy and time complexity of the model were compared and analyzed. The results show that the mean absolute error (MAE) of the IIWPSO-BP prediction model is 0.137 4, the mean relative error (MRE) is 0.038 5, and the fitting degree is 0.972 0. The prediction accuracy is improved by 37.6% and 65.2%, respectively, compared with the PSO-BP neural network and the BP neural network.

Key words: managementalliance chain, information security, improved inertia weight change mode particle swarm optimization(IIWPSO), back propagation (BP) neural network, risk prediction, smart city

周新民, 罗文敏, 刘俊杰, 谢宝. 联盟链视角下基于IIWPSO-BP的信息安全风险预测模型*[J]. 中国安全科学学报, 2022, 32(8): 52-60.

ZHOU Xinmin, LUO Wenmin, LIU Junjie, XIE Bao. Information security risk prediction model based on IIWPSO-BP from perspective of alliance chain[J]. China Safety Science Journal, 2022, 32(8): 52-60.

图/表 8

图1

表1

符合误差阈值要求的试验结果对比

试验编号	隐藏层神经元数	最大迭代次数	预测值					MAE	MRE
1	6	1 000	3.912 2	3.817 9	2.403 7	1.757 3	5.110 2	0.243 8	0.081 9
2		1 100	3.703 9	4.604 8	1.864 1	1.929 8	4.594 7	0.502 5	0.144
3		2 000	3.372 9	4.538 7	2.535 5	2.303 3	5.235 7	0.433 9	0.129
4		2 100	3.407 5	3.427 2	2.171	2.129 3	5.081 7	0.441 1	0.129 7
5	7	800	3.804 3	3.794 4	3.340 6	2.030 4	4.772 9	0.199 9	0.054 9
6		2 600	2.806 9	3.551 5	2.558 2	1.819 1	5.355 7	0.524 0	0.143 8
7		3 100	3.109 3	3.480 5	2.281	1.750 6	4.882 8	0.499 2	0.148 1
8	8	300	3.680 6	4.172 1	1.993 4	2.132 7	4.154 1	0.495 3	0.138 8
9		1 000	3.619	3.84	2.634 7	1.631 3	5.077 6	0.270 5	0.091 4
10		1 700	3.161 9	4.256 9	1.951 1	2.079 2	5.138 8	0.472 4	0.138 1
11		2 000	3.851 9	3.747 3	1.821 3	2.296 1	5.180 5	0.411 2	0.135 4
12	9	200	2.634 1	3.373 2	2.756 3	1.96 3	5.108 4	0.476 4	0.123 9
13		600	4.15	4.194 2	3.233 8	2.374 1	5.445 8	0.279 6	0.088
14		1 200	3.672 1	4.047 6	2.852	1.827 5	3.558 8	0.427 4	0.103 6
15		1 600	3.783 9	3.929 1	2.949 6	2.036 1	6.064 4	0.287 6	0.063 9
16		2 000	3.649 2	4.022 3	1.998 5	2.057 5	4.485	0.389 4	0.111 8
17		2 700	3.119 6	4.264 9	2.182 7	1.819 5	4.855 8	0.457 5	0.135 6
18		2 800	2.725 1	3.862 1	3.074	1.786 1	5.182 2	0.376 6	0.104 3
19		5 000	3.308 5	4.081 3	2.543 4	1.822 7	4.959 9	0.289 4	0.088 4
20	10	200	4.266 9	4.406 9	2.235 2	2.311 2	4.807 3	0.388 5	0.123 5
21	10	1 200	3.95 4	4.836 1	1.713 9	2.003 9	5.349 2	0.504 3	0.144 2
22	11	600	2.161 6	4.036 5	2.966 2	1.965 2	6.019 3	0.592 6	0.140 3
23		1 100	4.116 6	3.724 4	2.766 1	1.98 5	4.953 9	0.137 4	0.038 6
24		1 400	3.822 6	3.393 5	2.551 8	1.404 6	5.117 3	0.389 0	0.133 3
25	12	1 000	3.646 1	4.387 1	2.867 8	2.670 3	5.479 5	0.404 6	0.132 1
26	12	1 200	3.523 1	4.033 0	2.489 9	1.683 0	5.339 2	0.335 2	0.104 8
27	13	100	4.370 1	4.442 1	2.225 5	1.547 1	4.791 0	0.449 7	0.145 9
28		400	3.846 5	4.269 4	2.244 6	2.697 8	4.960 0	0.383 2	0.142 9
29		500	3.503 1	4.185 6	2.647	2.665 8	5.303 1	0.400 9	0.136 4
30		1 100	3.407 8	3.174 5	2.784 3	1.533 4	5.265 3	0.473 1	0.142 5
31		1 400	4.006 3	3.820 6	2.669	2.307 5	5.237 3	0.212 3	0.071 6
32		2 500	3.118	4.082 1	1.974 8	2.045 1	5.061 1	0.419 1	0.123 5
33	14	100	3.862 7	5.244 1	3.513 7	1.989 6	6.010 5	0.583 2	0.114 8
34	14	3 000	3.81	3.861 5	2.475 1	1.819 8	5.735 1	0.353 7	0.098 8
35	15	700	4.12	3.147 5	3.356 3	1.685 2	4.178 3	0.493 1	0.136 7

表1

图2

图3

表2

表3

表4

图4

参考文献 11

[1]	石娟, 郑鹏, 常丁懿. 大数据环境下的城市公共安全治理:区块链技术赋能[J]. 中国安全科学学报, 2021, 31(2):24-32. doi: 10.16265/j.cnki.issn 1003-3033.2021.02.004
	SHI Juan, ZHENG Peng, CHANG Dingyi. Urban public security governance under big data environment: blockchain technology empowerment[J]. China Safety Science Journal, 2021, 31(2):24-32. doi: 10.16265/j.cnki.issn 1003-3033.2021.02.004
[2]	曹策俊, 李从东, 王玉, 等. 大数据时代城市公共安全风险演化与治理机制[J]. 中国安全科学学报, 2017, 27(7): 151-156. doi: 10.16265/j.cnki.issn1003-3033.2017.07.027
	CAO Cejun, LI Congdong, WANG Yu, et al. Evolution and governance mechanism of urban public safety risk in big data era[J]. China Safety Science Journal, 2017, 27(7): 151-156. doi: 10.16265/j.cnki.issn1003-3033.2017.07.027
[3]	翟伟, 盛智平, 果希光, 等. 雄安新区工程监理区块链管理模式研究与应用[J]. 中国安全科学学报, 2021, 31(4):27-33. doi: 10.16265/j.cnki.issn1003-3033.2021.04.004
	ZHAI Wei, SHENG Zhiping, GUO Xiguang, et al. Research on engineering supervision blockchain management pattern in Xiong' an new area and its application[J]. China Safety Science Journal, 2021, 31(4):27-33. doi: 10.16265/j.cnki.issn1003-3033.2021.04.004
[4]	郭祖华, 李扬波, 徐立新, 等. 面向云计算的网络安全风险预测模型的研究[J]. 计算机应用研究, 2015, 32(11):3421-3425.
	GUO Zuhua, LI Yangbo, XU Lixin, et al. Research of network security risk prediction model based on cloud computing[J]. Application Research of Computers, 2015, 32(11):3421-3425.
[5]	向尚, 邹凯, 蒋知义, 等. 基于随机森林的智慧城市信息安全风险预测[J]. 中国管理科学, 2016, 24(增1):266-270.
	XIANG Shang, ZOU Kai, JIANG Zhiyi, et al. Risk prediction of smart city information security based on random forest[J]. Chinese Journal of Management Science, 2016, 24(S1):266-270.
[6]	张艳丰, 王羽西, 邹凯, 等. 基于模糊DANP的智慧城市信息安全风险要素识别与管理策略研究[J]. 情报理论与实践, 2020, 43(10):144-150.
	ZHANG Yanfeng, WANG Yuxi, ZOU Kai, et al. Research on the identification and management strategy of risk factors of smart city information security based on fuzzy DANP[J]. Information Studies:Theory & Application, 2020, 43(10):144-150.
[7]	FRANCHINA L, SOCAL A. Innovative predictive model for smart city security risk assessment[C]. 2020 43^rd International Convention on Information, Communication and Electronic Technology (MIPRO), 2020: 1831-1836.
[8]	邹凯, 向尚, 张中青扬, 等. 智慧城市信息安全风险评估模型构建与实证研究[J]. 图书情报工作, 2016, 60(7):19-24. doi: 10.13266/j.issn.0252-3116.2016.07.003
	ZOU Kai, XIANG Shang, ZHANG Zhongqingyang, et al. Model construction and empirical study on smart city information security risk assessment[J]. Library and Information Service, 2016, 60(7):19-24.
[9]	毛子骏, 梅宏, 肖一鸣, 等. 基于贝叶斯网络的智慧城市信息安全风险评估研究[J]. 现代情报, 2020, 40(5):19-26,40.
	MAO Zijun, MEI Hong, XIAO Yiming, et al. Risk assessment of smart city information security based on Bayesian network[J]. Journal of Modern Information, 2020, 40(5):19-26,40.
[10]	腾讯电脑管家. 2018上半年区块链安全报告[EB/OL]. [2020-05-23].
[11]	中国互联网金融协会区块链研究工作组. 中国区块链金融应用与发展研究报告[EB/OL]. [2020-04-14].

样本数	IIWPSO-BP预测模型			PSO-BP预测模型			BP神经网络预测模型
	隐藏层神经元数=11 最大迭代次数=1 100			隐藏层神经元数=9 最大迭代次数=1 600			隐藏层神经元数=9 最大迭代次数=5 000
	预测值	AE	RE	预测值	AE	RE	预测值	AE	RE
1	4.116 6	0.116 6	0.029 1	3.617 9	0.382 1	-0.095 5	3.795 5	0.204 5	-0.051 1
2	3.724 4	0.275 6	-0.068 9	3.759 0	0.241 0	-0.060 2	4.005 4	0.005 4	0.001 3
3	2.766 1	0.233 9	-0.078 0	2.770 7	0.229 3	-0.076 4	3.000 3	0.000 3	0.000 1
4	1.985 0	0.015 0	-0.007 5	2.122 9	0.122 9	0.061 5	2.999 8	0.999 8	0.499 9
5	4.953 9	0.046 1	-0.009 2	5.073 3	0.073 3	0.014 7	5.000 8	0.000 8	0.000 2

隐藏层神经元数=11 最大迭代次数=1 100 IIWPSO-BP预测模型的最佳参数)
样本数	IIWPSO-BP预测模型			PSO-BP预测模型			BP神经网络预测模型
样本数	预测值	AE	RE	预测值	AE	RE	预测值	AE	RE
1	4.116 6	0.116 6	0.029 1	4.005 3	0.005 3	0.001 3	3.137 4	0.862 6	-0.215 6
2	3.724 4	0.275 6	-0.068 9	3.146 1	0.853 9	-0.213 5	3.601 4	0.398 6	-0.099 6
3	2.766 1	0.233 9	-0.078 0	2.859 0	0.141 0	-0.047 0	3.025 2	0.025 2	0.008 4
4	1.985 0	0.015 0	-0.007 5	1.643 2	0.356 8	-0.178 4	2.991 9	0.991 9	0.496 0
5	4.953 9	0.046 1	-0.009 2	4.538 5	0.461 5	-0.092 3	4.765 3	0.234 7	-0.046 9
隐藏层神经元数=9 最大迭代次数=1600 (PSO-BP预测模型的最佳参数)
样本数	IIWPSO-BP预测模型			PSO-BP预测模型			BP神经网络预测模型
样本数	预测值	AE	RE	预测值	AE	RE	预测值	AE	RE
1	3.783 9	0.216 1	-0.054	3.617 9	0.382 1	-0.095 5	3.317 9	0.682 1	-0.170 5
2	3.929 1	0.070 9	-0.017 7	3.759	0.241	-0.060 2	3.525 3	0.474 7	-0.118 7
3	2.949 6	0.050 4	-0.016 8	2.770 7	0.229 3	-0.076 4	3.223 2	0.223 2	0.074 4
4	2.036 1	0.036 1	0.018 1	2.122 9	0.122 9	0.061 5	3.232 0	1.232 0	0.616 0
5	6.064 4	1.064 4	0.212 9	5.073 3	0.073 3	0.014 7	4.517 8	0.482 2	-0.096 4
隐藏层神经元数=9 最大迭代次数=5000 (BP神经网络预测模型的最佳参数)
样本数	IIWPSO-BP预测模型			PSO-BP预测模型			BP神经网络预测模型
样本数	预测值	AE	RE	预测值	AE	RE	预测值	AE	RE
1	3.308 5	0.691 5	-0.172 9	2.961 7	1.038 3	-0.259 6	3.795 5	0.204 5	-0.051 1
2	4.081 3	0.081 3	0.020 3	3.854 3	0.145 7	-0.036 4	4.005 4	0.005 4	0.001 3
3	2.543 4	0.456 6	-0.152 2	2.667 9	0.332 1	-0.110 7	3.000 3	0.000 3	0.000 1
4	1.822 7	0.177 3	-0.088 6	1.950 7	0.049 3	-0.024 7	2.999 8	0.999 8	0.499 9
5	4.959 9	0.040 1	-0.008 0	4.793 8	0.206 2	-0.041 2	5.000 8	0.000 8	0.000 2

[1]	熊晓夏, 刘擎超, 沈钰杰, 蔡英凤, 陈龙. 基于LSTM-BF的高速公路交通事故风险模型[J]. 中国安全科学学报, 2022, 32(5): 170-176.
[2]	何永勃, 曹祝兵. 基于IPSO-BP模型的火灾气体传感器气压补偿算法[J]. 中国安全科学学报, 2022, 32(2): 107-114.
[3]	石娟, 常丁懿, 郑鹏. 基于BP神经网络的建筑工人不安全行为预警模型[J]. 中国安全科学学报, 2022, 32(1): 27-33.
[4]	赵挺生, 庞奇志, 姜雯茜. 基于数据库与支持向量机的施工升降机安全风险预测[J]. 中国安全科学学报, 2021, 31(4): 11-17.
[5]	李婷婷, 陆铖. 基于安全防护的铁路行业统计调查系统[J]. 中国安全科学学报, 2020, 30(S1): 133-138.
[6]	张帆, 步兵, 赵骏逸. 列车运行控制系统信息安全风险评估方法[J]. 中国安全科学学报, 2020, 30(S1): 172-178.
[7]	宋高峰, 张延兵, 孙培培, 沈硕勋, 王志荣. 大型储罐声发射技术下的安全评价方法[J]. 中国安全科学学报, 2020, 30(3): 60-66.
[8]	李祥, 步兵, 朱力. 城市轨道交通列控系统主动防御方法研究^*[J]. 中国安全科学学报, 2019, 29(S2): 62-68.
[9]	宋雅洁, 步兵. 基于网络流量与设备状态的CBTC入侵检测系统^*[J]. 中国安全科学学报, 2019, 29(S2): 161-167.
[10]	郝永梅, 杜璋昊, 杨文斌, 邢志祥, 蒋军成, 岳云飞. 基于改进ELMD和多尺度熵的管道泄漏信号识别[J]. 中国安全科学学报, 2019, 29(8): 105-111.
[11]	熊文泽, 靳江红, 唐军梅. SCADA系统信息安全定量风险评估方法[J]. 中国安全科学学报, 2019, 29(8): 157-163.
[12]	宋博. DEA-BP神经网络下地铁车站深基坑施工安全评价[J]. 中国安全科学学报, 2019, 29(5): 91-96.
[13]	陆铖, 王栋, 孙一萌. 基于移动安全的铁路安全监管系统[J]. 中国安全科学学报, 2018, 28(S1): 125-130.
[14]	冯子健. 基于BP神经网络的铁路货运安全风险评价研究[J]. 中国安全科学学报, 2018, 28(S1): 178-185.
[15]	王岩韬, 唐建勋, 赵嶷飞. 基于粗糙集和支持向量机的航班运行风险预测[J]. 中国安全科学学报, 2017, 27(9): 158-163.