基于神经网络的判断隐蔽信道的优化方法及装置

摘要

本发明提出了一种基于神经网络的判断隐蔽信道的优化方法及装置，该方法包括：建立BP神经网络模型；利用预设隐蔽信道集合对所述BP神经网络模型进行学习训练，训练得到最优权重参数，其中，所述预设隐蔽信道集合包括：伪隐蔽信道和真实隐蔽信道；将训练得到的最优权重参数添加到所述BP神经网络模型，以得到更新后的BP神经网络模型；利用更新后的BP神经网络模型对实际的包括伪隐蔽信道的隐蔽信道集合进行判断，以查找出真实隐蔽信道。本发明基于BP神经网络的反馈式学习方式，在可疑隐蔽信道的集合中找出真实隐蔽信道和伪隐蔽信道。

说明书

技术领域

本发明涉及数据安全技术领域，特别涉及一种基于神经网络的判断隐蔽信道的优化方法及装置。

背景技术

隐蔽信道是一种允许进程以违背系统安全策略的形式传送信息的通信通道。简单来说，隐蔽信道就是本意不是用来传送信息的通信通道。隐蔽信道现在已经被广泛的应用于网络信息数据安全传输。

最开始，隐蔽信道被认为是单机系统的安全威胁，大部分关于隐蔽信道的研究都是针对多级安全系统的。随着计算机系统的繁荣发展，隐蔽信道的焦点逐渐转移到计算机网络协议上。由于计算机网络公开信道为隐蔽信道所提供的载体，随着网络的发展，网络隐蔽信道的应用研究也日益增长。

隐蔽信道是信息隐藏技术的扩展，它不像加密方法一样将密文暴露给攻击者，而是通过隐藏通信通道的方法来隐蔽地将信息从一段传递到另一端。因此，隐蔽信道是确保信息安全传输的重要方法之一，高性能的隐蔽信道能够抵御第三者的攻击和破坏，并拥有较大信道容量和信息传输速率。

现有技术中，在查找到一组可能是隐蔽信道的信道集合时，很难通过有效的方法从中筛选出伪隐蔽信道，这可能是用户的小概率奇异操作造成的。

发明内容

本发明的目的旨在至少解决所述技术缺陷之一。

为此，本发明的目的在于提出一种基于神经网络的判断隐蔽信道的优化方法及装置，可以基于BP神经网络的反馈式学习方式，在可疑隐蔽信道的集合中找出真实隐蔽信道和伪隐蔽信道。

为了实现上述目的，本发明一方面的实施例提供一种基于神经网络的判断隐蔽信道的优化方法，包括如下步骤：

步骤S1，建立BP神经网络模型；

步骤S2，利用预设隐蔽信道集合对所述BP神经网络模型进行学习训练，训练得到最优权重参数，其中，所述预设隐蔽信道集合包括：伪隐蔽信道和真实隐蔽信道；

步骤S3，将训练得到的最优权重参数添加到所述BP神经网络模型，以得到更新后的BP神经网络模型；

步骤S4，利用更新后的BP神经网络模型对实际的包括伪隐蔽信道的隐蔽信道集合进行判断，以查找出真实隐蔽信道和伪隐蔽信道。

进一步，在所述步骤S1中，建立所述BP神经网络模型，包括：设置输入端的定义数据，输出端定义数据，加权函数的定义。

进一步，在所述步骤S2中，所述预设隐蔽信道集合中的伪隐蔽信道和真实隐蔽信道，由用户进行预设并可获知，以实现利用预设隐蔽信道集合对所述BP神经网络模型进行有监督的学习训练。

本发明实施例的基于神经网络的判断隐蔽信道的优化装置，包括：模型建立模块，用于建立BP神经网络模型；学习训练模块，所述学习训练模块与所述模型建立模块相连，用于利用预设隐蔽信道集合对所述BP神经网络模型进行学习训练，训练得到最优权重参数，其中，所述预设隐蔽信道集合包括：伪隐蔽信道和真实隐蔽信道，并将训练得到的最优权重参数添加到所述BP神经网络模型，以得到更新后的BP神经网络模型；隐蔽信道判断模块，用于利用更新后的BP神经网络模型对实际的包括伪隐蔽信道的隐蔽信道集合进行判断，以查找出真实隐蔽信道和伪隐蔽信道。

进一步，所述模型建立模块建立所述BP神经网络模型，包括：设置输入端的定义数据，输出端定义数据，加权函数的定义。

进一步，所述预设隐蔽信道集合中的伪隐蔽信道和真实隐蔽信道，由用户进行预设并可获知，以实现利用预设隐蔽信道集合对所述BP神经网络模型进行有监督的学习训练。

根据本发明实施例的基于神经网络的判断隐蔽信道的优化方法，使用BP神经网络的反馈式学习方式，对包含真实隐蔽信道与伪隐蔽信道的信道集合进行有监督的学习，从而训练出最优的权重参数，进而将最优的权重参数添加到BP神经网络模型中，利用该模型在新的包含可疑隐蔽信道的集合中找出真实隐蔽信道和伪隐蔽信道。

本发明附加的方面和优点将在下面的描述中部分给出，部分将从下面的描述中变得明显，或通过本发明的实践了解到。

附图说明

本发明的上述和/或附加的方面和优点从结合下面附图对实施例的描述中将变得明显和容易理解，其中：

图1为根据本发明实施例的基于神经网络的判断隐蔽信道的优化方法的流程图；

图2为根据本发明实施例的基于神经网络的判断隐蔽信道的优化装置的结构图。

具体实施方式

下面详细描述本发明的实施例，所述实施例的示例在附图中示出，其中自始至终相同或类似的标号表示相同或类似的元件或具有相同或类似功能的元件。下面通过参考附图描述的实施例是示例性的，旨在用于解释本发明，而不能理解为对本发明的限制。

本发明实施例提出了一种基于神经网络的判断隐蔽信道的优化方法及装置，基于神经网络的判断隐蔽信道的优化算法可以从隐蔽信道集中查找出伪隐蔽信道和真实隐蔽信道。

下面首先对本发明适用的神经网络进行介绍。

人工神经网络(Artificial Neural Networks，简写为ANNs)也简称为神经网络(NNs)或称作连接模型(Connection Model)，它是一种模仿动物神经网络行为特征，进行分布式并行信息处理的算法数学模型。这种网络依靠系统的复杂程度，通过调整内部大量节点之间相互连接的关系，从而达到处理信息的目的。比较重要的一种神经网络是bp神经网络。

BP(Back Propagation)神经网络是1986年由Rumelhart和McCelland为首的科学家小组提出，是一种按误差逆传播算法训练的多层前馈网络，是目前应用最广泛的神经网络模型之一。BP网络能学习和存贮大量的输入-输出模式映射关系，而无需事前揭示描述这种映射关系的数学方程。它的学习规则是使用最速下降法，通过反向传播来不断调整网络的权值和阈值，使网络的误差平方和最小。BP神经网络模型拓扑结构包括输入层(input)、隐层(hidden layer)和输出层(output layer)。使用bp神经网络,可以算出对随机问题的最优解。

人工神经网络就是模拟人思维的第二种方式。这是一个非线性动力学系统，其特色在于信息的分布式存储和并行协同处理。虽然单个神经元的结构极其简单，功能有限，但大量神经元构成的网络系统所能实现的行为却是极其丰富多彩的。

人工神经网络首先要以一定的学习准则进行学习，然后才能工作。现以人工神经网络对手写“A”、“B”两个字母的识别为例进行说明，规定当“A”输入网络时，应该输出“1”，而当输入为“B”时，输出为“0”。

所以网络学习的准则应该是：如果网络作出错误的判决，则通过网络的学习，应使得网络减少下次犯同样错误的可能性。首先，给网络的各连接权值赋予(0，1)区间内的随机值，将“A”所对应的图象模式输入给网络，网络将输入模式加权求和、与门限比较、再进行非线性运算，得到网络的输出。在此情况下，网络输出为“1”和“0”的概率各为50％，也就是说是完全随机的。这时如果输出为“1”(结果正确)，则使连接权值增大，以便使网络再次遇到“A”模式输入时，仍然能作出正确的判断。

如果输出为“0”(即结果错误)，则把网络连接权值朝着减小综合输入加权值的方向调整，其目的在于使网络下次再遇到“A”模式输入时，减小犯同样错误的可能性。如此操作调整，当给网络轮番输入若干个手写字母“A”、“B”后，经过网络按以上学习方法进行若干次学习后，网络判断的正确率将大大提高。这说明网络对这两个模式的学习已经获得了成功，它已将这两个模式分布地记忆在网络的各个连接权值上。当网络再次遇到其中任何一个模式时，能够作出迅速、准确的判断和识别。一般说来，网络中所含的神经元个数越多，则它能记忆、识别的模式也就越多。

本发明实施例的基于神经网络的判断隐蔽信道的优化方法及装置，正是利用bp神经网络的这种学习能力，通过对包含伪隐蔽信道的隐蔽信道集合进行有监督的学习训练，来训练出最优权重参数，从而在新的包含伪隐蔽信道的隐蔽信道集合中找出真实的隐蔽信道。

如图1所示，本发明实施例的基于神经网络的判断隐蔽信道的优化方法，包括如下步骤：

步骤S1，建立BP神经网络模型。

在本步骤中，建立BP神经网络模型，包括：设置输入端的定义数据，输出端定义数据，加权函数的定义。该BP神经网络包含反馈式学习能力。

步骤S2，利用预设隐蔽信道集合对BP神经网络模型进行学习训练，训练得到最优权重参数，其中，预设隐蔽信道集合包括：伪隐蔽信道和真实隐蔽信道。

具体地，预设隐蔽信道集合中的伪隐蔽信道和真实隐蔽信道，由用户进行预设并可获知，以实现利用预设隐蔽信道集合对BP神经网络模型进行有监督的学习训练。

步骤S3，将训练得到的最优权重参数添加到BP神经网络模型，以得到更新后的BP神经网络模型。

步骤S4，利用更新后的BP神经网络模型对实际的包括伪隐蔽信道的隐蔽信道集合进行判断，以查找出真实隐蔽信道和伪隐蔽信道。

如图2所示，本发明实施例还提出一种基于神经网络的判断隐蔽信道的优化装置，包括：模型建立模块1、学习训练模块2和隐蔽信道判断模块3。

具体地，模型建立模块1用于建立BP神经网络模型。

在本发明的一个实施例中，模型建立模块1建立BP神经网络模型，包括：设置输入端的定义数据，输出端定义数据，加权函数的定义。该BP神经网络包含反馈式学习能力。

学习训练模块2与模型建立模块1相连，用于利用预设隐蔽信道集合对BP神经网络模型进行学习训练，训练得到最优权重参数.其中，预设隐蔽信道集合包括：伪隐蔽信道和真实隐蔽信道，并将训练得到的最优权重参数添加到BP神经网络模型，以得到更新后的BP神经网络模型。

需要说明的是，预设隐蔽信道集合中的伪隐蔽信道和真实隐蔽信道，由用户进行预设并可获知，以实现利用预设隐蔽信道集合对BP神经网络模型进行有监督的学习训练。

隐蔽信道判断模块3用于利用更新后的BP神经网络模型对实际的包括伪隐蔽信道的隐蔽信道集合进行判断，以查找出真实隐蔽信道和伪隐蔽信道。

根据本发明实施例的基于神经网络的判断隐蔽信道的优化方法，使用BP神经网络的反馈式学习方式，对包含真实隐蔽信道与伪隐蔽信道的信道集合进行有监督的学习，从而训练出最优的权重参数，进而将最优的权重参数添加到BP神经网络模型中，利用该模型在新的包含可疑隐蔽信道的集合中找出真实隐蔽信道和伪隐蔽信道。

在本说明书的描述中，参考术语“一个实施例”、“一些实施例”、“示例”、“具体示例”、或“一些示例”等的描述意指结合该实施例或示例描述的具体特征、结构、材料或者特点包含于本发明的至少一个实施例或示例中。在本说明书中，对上述术语的示意性表述不一定指的是相同的实施例或示例。而且，描述的具体特征、结构、材料或者特点可以在任何的一个或多个实施例或示例中以合适的方式结合。

尽管上面已经示出和描述了本发明的实施例，可以理解的是，上述实施例是示例性的，不能理解为对本发明的限制，本领域的普通技术人员在不脱离本发明的原理和宗旨的情况下在本发明的范围内可以对上述实施例进行变化、修改、替换和变型。本发明的范围由所附权利要求及其等同限定。