基于优化神经网络和国密算法的高速公路机房数据监测安全预警方法

摘要：针对高速公路机房数据安全风险高、实时性要求严格的现状，本文提出了基于优化神经网络和国密算法的高速公路机房数据监测安全预警方法，采用基于PSO（粒子群）优化神经网络算法对机房数据进行实时监测，结合国密算法对数据进行加密处理，能够有效提高机房数据监测的准确性和实时性，为高速公路机房的安全运营提供有力保障。

关键词：神经网络；PSO优化算法；国密算法；数据监测预警

1引言

在社会全面数字化转型的背景下，海量数据正以指数级增长，但在发展的同时，信息安全事件频发，数据安全问题愈加突出[1]。高速公路是城市间连接与经济发展的重要设施，对出行安全与经济发展至关重要。但高速公路机房数据监测系统面临安全性问题，尤其是内部数据安全风险，威胁高速公路稳定运行。

机房数据监测系统负责实时收集、处理和分析高速公路的运行状态，为运维人员提供决策依据。然而，机房数据监测系统存在三大问题：海量数据难处理，安全防护不足，实时性差。数据量巨大，需高效处理能力；数据易受黑客、恶意软件威胁，需加强防护；传统监测方法实时性差，需改进。高速公路机房数据监测与安全预警方法包括：基于规则的方法，实时检测数据并触发预警，但自适应性和泛化能力有限；基于统计的方法，通过历史数据分析建立监测模型，预测异常，但在线性关系外性能下降；基于机器学习的方法，训练神经网络进行数据分类识别，检测异常并预警，具有良好的自适应性和泛化能力。因此，本文提出基于改进神经网络和国密算法的高速公路机房数据安全预警法，优化监测数据，深度学习分类异常。结合国密算法加密数据，提高监测准确性实时性，保障安全运行。

2 神经网络

2.1 神经网络结构

神经网络模型由输入层、隐藏层和输出层构成，在输入层和输出层之间至少含有一个隐藏层的神经网络称为多层神经网络，多层神经网络可以分为前馈神经网络（FNN）和循环神经网络（RNN）。前馈神经网络是最常用的类型，没有反馈连接，数据单向传递，一个神经元的输出不影响其他层的神经元。循环神经网络（RNN）处理序列数据，例如金融时间序列，特别是高频数据。其关键特性是神经元输出可循环作为输入，赋予网络记忆功能，但RNN难以处理长期依赖问题。后向传播（BP）神经网络是一种前馈型网络，由输入、隐藏和输出层组成，各层神经元全连接。三层BP网络若隐藏层神经元足够多，能实现任意精度的连续映射。该模型擅长处理非线性问题，结构简单，自适应和自学能力强，可通过优化算法或参数，或与其他模型如卡尔曼滤波或Adaboost结合来实现性能优化[2-3]。BP神经网络是一种有监督的学习算法，涉及输入数据的前向传播和误差的反向传播。学习开始时，网络的权重和阈值被初始化。如果输出误差未满足精度要求，误差信号会逆向传播并调整网络参数以最小化误差。这个过程持续进行，直至输出值与目标值的误差达到预定精度或迭代次数上限。误差通常用目标值与实际输出值之间的距离来衡量[4]。BP神经网络具有较强的学习能力和鲁棒性，虽然在各个领域有着广泛的应用，但是其本身存在一定的不足：收敛速度不够快、预测的精度不够高等。目前，已有研究者运用多种智能算法，例如粒子群优化（PSO）算法、遗传算法（GA）以及天牛须算法（BAS）对神经网络模型的权重和阈值进行优化研究。

2.2 PSO优化神经网络算法

近年来，许多研究者利用群智能优化算法来优化神经网络的训练过程。群智能优化算法因其全局收敛性和鲁棒性，以及不依赖问题特征信息的优势，与神经网络结合后，能增强网络的泛化能力和提升学习效率。其中PSO算法作为一种简单有效的随机搜索算法被研究表明在优化神经网络方面具有很大潜力。其寻优原理为：PSO模拟鸟群捕食行为，在初始化生成的粒子群中，待解决问题经建模会变为一个求极值的适应度函数，每个粒子均代表待解决问题的一个可能解，用于模拟粒子的位置。在每次迭代中，粒子位置的更新由自身掌握的最优位置信息和整个粒子群掌握的最优位置信息决定，整个粒子群在不断地更新迭代中向最优值收敛[5]。PSO优化神经网络算法的核心是用粒子群优化代替传统算法如反向传播（BP）来调整神经网络的参数，每个粒子代表一组参数，而寻找全局最优解的过程即为寻找最佳参数的过程[6]。PSO因其简单易实现而广泛用于函数优化和机器学习。它能显著提升神经网络性能，特别是在图像和语音识别领域，优化后的网络准确率更高，处理速度更快。

3 国密算法与应用

随着信息安全问题升级至国家安全层面，提出了促进国内密码算法（国密算法）的应用实施，加强行业的安全可控性的要求。国家密码管理局已制定一系列密码算法标准，包括公钥加密SM2和SM9，对称加密SM1、SM4和SM7，以及密码杂凑SM3，以满足我国高安全性和高效性防护的自主可控需求。目前，我国提出并实现的国密算法已成为ISO/IEC国际标准[7]，并应用在金融、互联网、教育、医疗、国防等领域[8]，我国提倡采用国密算法以确保关键领域的数据安全，减少对外国算法的依赖，掌握信息安全主动权，并为建设信息化强国打下基础。国产商用密码算法近年来在多个行业中得到广泛应用，其普及对增强我国网络信息安全和自主控制能力至关重要。李瑞等[9]通过分析智能配电网终端的安全风险，结合SM2算法的密钥协商和SM1算法的数据加解密技术，实现终端安全访问控制。

国密算法在商业应用领域已构建起一套完整的密码体系[10]。涵盖SM1、SM2等密码算法，均遵循国标，其中SM2、SM3、SM9和ZUC已通过ISO/IEC审核成国际标准。SM1、SM4、SM7和ZUC为对称算法，SM2和SM9为非对称算法，SM3为哈希算法。SM1为分组密码算法，与AES性能相当，但算法不公开。已开发出多种基于SM1的安全产品，广用于电子政务。SM2较ECDSA更安全；SM3安全性与SHA-256相当，优于MD5、SHA-1等，适用于数字签名和验证。SM4用于无线局域网，SM7用于非接触式IC卡，SM9适用于互联网新兴应用，ZUC为移动通信4G网络中的国际标准密码算法。

3.1 国密算法性能分析

国密算法相对于传统密码算法，具备以下优势：

（1）高安全性：国密算法采用国家密码管理局研究制定的安全算法，能够抵御现有各种密码攻击手段和密码分析手段，能够有效防止数据泄露和篡改。

（2）高速度：国密算法在实现过程中充分考虑了性能问题，具备较高的运算速度和效率。

（3）自主可控性：由于国密算法是由国家密码管理局研发，故算法的自主可控性较强，有利于提高国家信息安全等级。

4基于优化神经网络和国密算法的机房数据监测安全预警方法

4.1 数据监测

（1）需求分析与规划

根据机房的数据安全需求，确定需要监测的数据类型和指标。制定数据监测的体系结构，包括监测点、监测频率、监测指标等。根据监测的需求，配置相应的硬件资源，如传感器、服务器等。

（2）数据采集与预处理

运用统计分析和机器学习算法对高速公路机房的历史数据进行深入分析，包括网络流量、设备状态、系统日志等，并对数据进行清洗和预处理。

（3）特征提取

采用优化神经网络，对预处理后的数据进行特征提取。利用卷积神经网络（CNN）提取图像数据的空间特征或使用循环神经网络（RNN）捕捉时间序列数据中的时序特征。为进一步提升模型的性能，引入注意力机制（Attention Mechanism），使模型能够自动关注数据中的重要部分，从而提高特征提取的精度。

（4）数据加密

利用国密算法对提取的特征数据进行加密处理。为保障数据传输安全，使用SM2椭圆曲线加密算法，因其具有较高加密强度和良好的抗量子攻击能力。同时，利用SM3哈希算法确保数据完整性，防止数据在传输过程被篡改。采用SM4对称加密算法进一步增强数据传输安全。结合SM2和SM4算法，实现数据的双重加密保护。此外，部署基于SM9标识密码算法的网络安全措施。以上国密算法的综合应用确保了特征数据在提取、加密、传输和存储各个环节的安全性

（5）异常监测与预警

通过训练好的神经网络模型，利用国密算法等加密技术对采集的数据进行安全处理。通过建立阈值模型，实时监测数据是否超出正常范围。当检测到异常时，立即触发预警机制，系统通知管理员并生成报告，帮助安全团队分析和应对。

4.2 分析方法

（1）统计分析方法：计算数据的均值、标准差、最大值、最小值等统计量，以了解数据的整体分布情况。使用假设检验等方法，对数据进行分析，以得出关于数据特征的结论。

（2）机器学习方法：通过特征选择算法，筛选出对预测目标有重要影响的数据特征。利用神经网络等机器学习算法，对数据进行训练，建立预测模型。使用交叉验证等方法，评估模型的预测性能。

（3）引入加密算法：对敏感数据进行加密处理，通过选择合适的加密算法、严格管理密钥、全面加密数据使用过程以及定期进行安全审计，可以有效地保护敏感数据，防范各种安全威胁。

5结论与展望

本文针对高速公路机房数据监测的安全预警问题，基于优化神经网络和国密算法，提出了一种高效、安全的监测预警方法。PSO优化神经网络提升数据监测准确性和稳定性，迭代更新粒子收敛至全局最优。结合国密算法加密监测数据，保障传输存储安全，防止泄漏。

未来，将进一步优化神经网络模型，通过引入新的网络结构和算法，提升监测模型的鲁棒性和泛化能力，并深入研究国密算法在更广泛场景下的应用，探索与不同加密技术的融合，以实现更高效的数据安全保护。同时，针对高速公路机房复杂多变的运行环境，研究自适应调整预警阈值的策略，提高预警系统的智能化水平。

参考文献

[1]吴振豪， 高健博， 李青山， 等. 数据安全治理中的安全技术研究[J]. 信息安全研究， 2021， 7（10）： 907-914.

[2]王英伟. 基于群体智能算法的神经网络优化与股指预测研究[D]. 辽宁大学， 2021.

[3]潘红宇， 赵云红， 张卫东， 等. 基于Adaboost的改进BP神经网络地表沉陷预测[J]. 煤炭科学技术， 2019， 47（2）： 161-167.

第一作者简介：范虎（1986.7），男，汉族，贵州清镇人，本科，主要研究方向为电子与科学技术.