Page 33 - 网络电信2022年5月刊
P. 33
2. 风险评估效率分析 实施风险评估,通过RMSE(Root Mean Square Error,均方根误差)
本模型在测试过程中首先搭建测试环境如图３所示。 分析三种模型实施光通信数据安全风险评估的准确性,在不同一
由图３可知此次测试需要的设备主要包括：型号为ＦＸ 级指标时,三种模型的均方根误差如表4所示。
Ｐ０的服务器２台，网络主机１台，终端主机１台，交换机２ 表４ 三种模型的均方根误差对比结果
台，以太网口，另外备网线若干。
分别统计数据量为１０～１００ＧＢ时，本模型与文献
［３］ ［４］
的信息物理融合风险评估模型、文献 的数据驱动风险评
估模型实施光通信数据安全风险评估的效率，测试结果如表３
所示。
根据表3可知,随着光通信数据量的不断增加,三种模型的
风险评估时间均有所提升,本模型的风险评估时间提升幅度明显
低于其余两种模型,且整体风险评估时间也明显低于其余两种模
型;本模型的平均风险评估时间是8.57s,信息物理融合风险评估
模型的平均风险评估时间是23.86s,数据驱动风险评估模型的平
均风险评估时间是24.17s。实验证明:本模型的风险评估时间用
时较少,即风险评估效率高.
根据表４可知，在不同光通信数据安全风险评估一级指标
图３ 模型测试环境 情况下，本模型的均方根误差明显低于其余两种模型，本模型
的平均均方根误差是２.９９，信息物理融合风险评估模型的平
均均方根误差是４.９１，数据驱动风险评估模型的平均均方根
误差是５.０４。实验证明：在不同光通信数据安全风险评估一
级指标情况下，本模型的均方根误差最低，表明本模型的风险
评估结果与真实风险评估结果更为接近，即本模型的光通信数
据安全风险评估准确性更高。
四、结论
此次研究在光通信数据安全风险评估中引入区块链技术，
利用区块链去中心化的架构方式降低了第三方攻击的可能性，
同时利用共识机制让互不信任的数据节点在陌生的环境中达成
一致，该方法能够减少光通信数据资产泄露的风险，为光通信
数据安全提供有力保障，光通信数据安全风险评估模型和光通
信数据安全息息相关，对该模型实施安全评估也是未来信息安
表３ 三种模型评估时间对比结果 全风险评估工作的一个重点，制定一个统一的科学的风险评估
标准体系是未来风险评估领域发展的重要方向。
参考文献：
[1]谈仲纬,吕超.光纤通信技术发展现状与展望[J].中国工程科
学,2020,22(03):100-107.
[2]任建迎,孙华燕,张来线.“猫眼”逆向调制自由空间光通信
技术[J].激光与红外,2017,47(01):98-102.
[3]马世英,韩宇奇,宋墩文,等.一种信息物理融合交直流混联
电网的系统保护风险评估模型[J].电力科学与技术学
报,2018,33(04):42-49.
[ 4 ] 牛 世 峰 , 李 贵 强 , 张 士 伟 . 卫 星 定 位 数 据 驱 动 的 营 运
车 辆 驾 驶 人 驾 驶 风 险 评 估 模 型 [ J ] . 中 国 公 路 学
报,2020,33(06):202-211.
[5]薛腾飞, 傅群超, 王枞,等. 基于区块链的医疗数据共享模
型研究[J]. 自动化学报, 2017, 43(009):1555-1562.
[6]冯涛,焦滢,方君丽,等.基于联盟区块链的医疗健康数据安全
模型[J].计算机科学,2020,47(04):305-311.
[7]唐学用, 李庆生, 和远舰,等. 基于区块链技术的电力
3. 风险评估准确性分析 交易系统安全建模及性能分析[J]. 南方电网技术,
为进一步验证本模型的准确性,本模型区块链采用共识机 2019,13(005):77-83.
制,设当前共有n个节点,其中恶意节点m个,当n>2m+1 时,可以抵 [8]涂奔,张李义,陈晶.一种基于私有区块链的信息保护预测模
型研究[J].情报理论与实践,2017,40(10):106-111.
挡恶意节点发起的攻击。假设每个节点50%的概率成为恶意节 [9]孙开畅, 李权, 尹志伟. 水利工程施工应急能力G1-灰色评
点,设置当前网络中存在80个节点,其中包括40个恶意节点。在 价方法研究[J]. 水利水电技术, 2017, 048(006):43-47.
此条件下,以五个光通信数据安全风险评估一级指标为例,利用 [10]吴栋, 田小革, 董凡荣. 基于灰色理论的沥青路面使用性
本模型与信息物理融合风险评估模型。数据驱动风险评估模型 能预测模型[J]. 中外公路, 2017, 037(005):77-80.
网络电信 二零二二年五，六月 49
