本站小編為你精心準備了因子分析和神經網絡信息系統風險評估參考范文，愿這些范文能點燃您思維的火花，激發您的寫作靈感。歡迎深入閱讀并收藏。
摘要：信息系統風險變化具有隨機性、不確定性，傳統方法無法準確考慮信息系統風險這些變化特點，導致當前信息系統風險評估的可靠性差、評估精度低。為了改善信息系統風險評估效果，設計基于因子分析和神經網絡的信息系統風險評估模型。首先，分析當前信息系統風險評估的國內外研究現狀，構建完整的信息系統風險評估指標；然后，采用因子分析法從原始信息系統風險評估指標中提取重要的指標，采用神經網絡對信息系統風險評估的訓練樣本進行學習，構建信息系統風險評估模型；最后，通過仿真對比實驗驗證所提模型的合理性和優越性。結果表明，所提模型可以準確描述信息系統風險變化的隨機性、不確定性，獲得高精度的信息系統風險評估結果，改善了信息系統風險評估效率，信息系統風險評估的整體性能要優于當前其他信息系統風險評估模型。
關鍵詞：信息系統；風險評估；因子分析；神經網絡；評估指標；研究現狀分析
引言
當前大多數企業、單位以及部門都構建了自己的信息管理系統，信息系統的應用價值越來越高。信息系統安全是危害信息系統正常運行最直接的表現。一些非法用戶一旦入侵到信息系統，會竊取一些重要數據，對企業、個人會造成很大的經濟損失，因此采用各種技術和手段保證信息系統安全成為信息系統研究領域的焦點[1⁃3]。信息系統風險評估是一種關鍵信息系統安全保障技術，它可以對信息系統將來面臨的風險進行估計，可以幫助信息系統管理人員了解信息系統安全的發展趨勢。為此，國內外學者和專家對信息系統風險評估問題進行了深入的分析和研究，并取得了不錯的研究成果，涌現了許多有效的信息系統風險評估模型[4]。信息系統風險評估模型可以劃分為兩種類型。一種是基于定性分析的信息系統風險評估模型，主要有基于攻擊樹的信息系統風險評估模型、基于風險事件分類的信息系統風險評估模型、基于威脅傳播的信息系統風險評估模型等。這些定性分析的模型從理論上對信息系統風險整體變化態勢進行把握，可以得到信息系統風險所處的等級，以及可以發生的后果，但是不能對信息系統風險進行準確量化處理和分析，很難建立準確的信息系統風險評估模型。因此在實際應用中難以推廣，缺陷十分明顯[5⁃7]。另一種是基于定量分析的信息系統風險評估模型，主要有層次分析法、模糊理論、貝葉斯方法、灰色理論、神經網絡以及它們的組合方法[8⁃10]。基于定量分析的信息系統風險評估模型可以很好地描述信息系統風險變化特點，信息系統風險評估結果更加可靠，而且信息系統風險評估結果可解釋性更好。在定量分析的信息系統風險評估建模過程中，理想的信息系統風險評估指標體系是獲得高精度評估結果的基礎[11⁃12]。在實際應用中，信息系統風險評估影響因子（指標）相當多，如果全部選擇，那么信息系統風險評估指標信息重復大，而且導致輸入向量的維數過高，出現“維數災”的問題，因此對評估指標選擇具有重要的意義，可降低輸入向量的維數，加快信息系統風險評估的速度[12⁃15]。為了改善信息系統風險評估的效果，設計基于因子分析和神經網絡的信息系統風險評估模型（FA⁃NN）。首先采用因子分析法從原始信息系統風險評估指標中提取重要的指標，然后采用神經網絡的自適應學習能力構建信息系統風險評估模型，通過仿真實驗驗證本文模型的合理性和優越性。
1信息系統風險評估指標體系的構建
信息系統是一個復雜的系統，要建立一個性能優異的信息系統風險評估模型，首先要構建一個完整、科學的信息系統風險評估指標體系，信息系統風險評估指標體系直接影響模型能否準確描述信息系統風險的各種影響因素，對信息系統風險評估時間也起著決定性的作用。風險評估指標可以直接或間接地反映信息系統風險發生的影響因子，本文根據含義清楚、完整、易于量化的原則，參考相關研究對信息系統風險評估指標進行構建，信息系統風險評估指標體系如圖1所示。
2因子分析和神經網絡的信息系統風險評估模型
2.1因子分析法
在信息系統風險評估過程中，通常情況下，希望能夠全面描述各種影響因素的作用，但是每一種類型的信息系統風險評估指標對信息系統風險評估影響程度不同，而且各種信息系統風險評估指標之間可能存在一定相關性，這樣信息系統風險評估指標數多，并不代表可以獲得高精度的信息系統風險評估結果。因子分析法（FactorAnalyze，FA）可以采用幾個沒有相關性的綜合因子代表原始信息系統風險評估指標，是一種有效的信息系統風險評估指標降維方法。基本工作原理為：首先根據相關性實現信息系統風險評估指標分組，同一組的信息系統風險評估指標之間相關性高，反之相關性較低。每一組信息系統風險評估指標表示一個基本結構，即稱之為公共因子，其可以保留原有信息系統風險評估指標的主要信息。設共有p個信息系統風險評估指標，n個樣本數據，那么因子分析法可以將n個樣本數據描述為m<p個公共因子和一個獨特因子的加權和，具體如下：Ti=ωi1X1+ωi2X2+⋯+ωimXm+εi（1）式中：Ti表示原信息系統風險評估指標；Xi表示公共因子，因子間相互獨立、無相關性；εi表示獨特因子；ωij表示因子載荷，描述第i個信息系統風險評估指標在第j個公共因子上的重要程度。
2.2因子分析法的信息系統風險評估指標選擇步驟
1）對輸入信息系統風險評估指標數據進行標準化處理，消除信息系統風險評估指標量綱差異，計算信息系統風險評估指標的相關系數矩陣，具體為：式中：tij表示第i個樣本、第j個信息系統風險評估指標的值；rij表示相關系數；tˉi表示第i行信息系統風險評估的樣本均值；p表示指標數量。2）構造因子變量。對特征方程λI||-R=0進行求解，I表示全1矩陣，得到第i個指標的特征值λi(i=1,2,⋯,p)，計算方差貢獻率和累積方差貢獻率。3）確定因子，根據累積方差貢獻率得到前m個因子，通常情況下累積方差貢獻率超過85%就行，前m個因子可以反映原始信息系統風險評估指標的大部分信息。4）構建因子載荷矩陣，具體為：式中lij表示第i個因子和原始信息系統風險評估指標間的系數。5）將因子變量表示為原始信息系統風險評估指標的線性組合，即：利用原始信息系統風險評估指標的線性組合計算因子變量的得分，增強因子的可解釋性。
2.3BP神經網絡
BP神經網絡具有自適應能力，可以較好地描述信息系統風險變化的隨機性和不確定性。BP神經網絡通常有3層：輸入層、隱含層、輸出層，各層之間通常采用S型傳遞函數，具體為：式中：tpi，Opi分別為信息系統風險等級的實際值和神經網絡的估計值。
2.4構建信息系統風險評估模型
BP神經網絡克服了傳統信息系統風險評估方法對決策性判斷的依賴等缺陷，為此，本文選擇BP神經網絡構建信息系統風險評估模型，該模型不需要事先準確地知道信息系統風險等級與其指標間的聯系，可以通過對信息系統風險評估的訓練樣本進行學習，建立信息系統風險等級與其指標之間的非線性關系，可以很好地模擬不同指標和信息系統風險等級間的復雜映射。基于BP神經網絡的信息系統風險評估模型工作過程主要包括2個階段，具體如下：1）BP神經網絡訓練階段。根據信息系統風險等級，利用訓練樣本進行BP神經網絡的學習，對BP神經網絡進行訓練，建立信息系統風險評估模型。2）評估階段。輸入未知等級的信息系統風險評估樣本，根據建立的信息系統風險評估模型輸出信息系統風險等級。因子分析和BP神經網絡的信息系統風險評估模型流程如圖2所示。
3信息系統風險評估的實例分析
3.1信息系統風險樣本數據
為了評價因子分析和神經網絡的信息系統風險評估模型的效果，采用一個企業的信息系統作為研究目標，采集其一段時間內的信息系統風險樣本數據，共獲得信息系統風險樣本數據200個。隨機選擇50個作為驗證樣本，分析本文所構建的信息系統風險評估模型的性能，信息系統風險共劃分為5個等級，具體如表1所示。3.2提取信息系統風險評估指標的重要公共因子采用因子分析對信息系統風險評估指標進行處理，計算公共因子的方差貢獻率以及累積方差貢獻率，前5個公共因子的累積方差貢獻率達到了92.03%，那么表示這5個公共因子就可以描述圖1中9個信息系統風險評估指標的能力，它們的累積方差貢獻率具體如表2所示。從表2可以看出，因子分析可以省略對信息系統風險評估結果影響較小的指標，達到了優化信息系統風險評估指標的目的，消除了信息系統風險評估指標中的冗余信息，有效地簡化了信息系統風險評估指標，為后續對信息系統風險評估建模效率的提高起到一定的作用。
3.3本文方法的信息系統風險評估結果
為了增強本文模型的信息系統風險評估測試結果的說服力，進行5次評估測試實驗。每一次的訓練樣本和驗證樣本采用隨機方式進行選擇，統計每一次測試的信息系統風險評估正確率，具體如圖3所示。對信息系統風險評估正確率進行分析可知，本文模型的信息系統風險評估正確率均超過了95%，信息系統風險評估誤差遠低于應用控制范圍，表明本文模型是一種結果可信、性能穩定、正確率較高的信息系統風險評估模型。
3.4與當前其他信息系統風險評估模型的綜合性能對比
選擇文獻[13⁃15]的信息系統風險評估模型進行對比測試，統計各種信息系統風險評估的正確率以及評估的建模時間，結果如表3所示。從表3可知，本文模型信息系統風險評估正確率得到了一定提升，而且減少了信息系統風險評估的建模時間，這是因為引入了因子分析法減少了信息系統風險評估模型的輸入向量數量，降低了信息系統風險評估建模的計算復雜度，使整個信息系統風險評估整體性能更優。
4結論
針對當前信息系統風險評估過程存在的難題，提出因子分析和神經網絡的信息系統風險評估模型，具體過程為：1）在分析現有信息系統風險評估相關研究的基礎上，構建相應的信息系統風險評估指標體系。2）引入因子分析對信息系統風險評估指標進行處理，簡化了信息系統風險評估的輸入，提升了信息系統風險評估模型的工作效率。3）利用神經網絡擬合信息系統風險的變化特點，建立性能優異的信息系統風險評估模型。4）通過具體的信息系統風險評估實例驗證了本文模型的性能。本文模型的信息系統風險評估模型整體性能要明顯優于對比的信息系統風險評估模型，解決了當前信息系統風險評估模型的復雜性和正確率低的問題。可為有關部門估計信息系統風險、選擇合理的信息系統風險防范措施提供科學的參考依據，具有較高的實際應用價值。
作者：張明慧 程紅霞 單位：鄭州師范學院