Page 33 - 网络电信2022年9/10月刊
P. 33
量机有一个十分明显的缺陷，当数据量比较大时，其训练过程
比较复杂，训练花费的时间比较长，无法采用支持向量机进行
建模。在神经网络中，BP神经网络较好地克服了支持向量机训 （3）
练时间长的局限性，训练速度快，同时可以较好地跟踪光通信
网络攻击模式的变化特点，因此，引入BP神经网络设计光通信
网络攻击模式识别的分类器。
2. BP 神经网络
受到人类大脑神经网络工作原理启发，有学者提出神经网 （4）
络算法，其中BP神经网络是其中一种使用最为广泛，应用效果
最优的人工神经网络算法。BP神经网络的结构与人类大脑神经 式中，a k 表示输出层神经元的阈值， 表示相应的激励函数。
网络的结构相似，许多大神经元联系在一起，构成一个庞大、 BP神经网络的反向学习过程具体描述为
复杂网络，具有一定的记忆能力、学习能力，可以采用图1对其 (1)第p个样本在输出层的网络输出和其期望输出之间误差的
基本结构进行描述。从图1可以看出BP神经网络包括3 层，各层 计算公式为
具有不同数量的神经元，同层神经元之间没有直接关联，但是
不同层的神经元之间有一定的关联，如隐含层的输出作为输出 （5）
层的输入等。
图1 BP神经网络的结构
(2) 对于全部训练样本，输出层的总误差计算公式为
（6）
式中，P表示训练样本的数量。
(3) 采用梯度下算法对隐含层和输出层神经元的权值进行
修正，具体为
（7）
（8）
设BP神经网络输入层的第i个神经元可以表示为x i (i=1， (4) 采用梯度下算法对隐含层和输出层神经元的阈值进行
2，…，M) ，M表示输入层的神经元数量，其与隐含层第 j 个 修正，具体为
神经元间的连接权值为 w ij (j=1，2，…，Q) ，Q表示隐含层的
神经元数量，o k (k = 1，2，…，L)表示输出层第k神经元的输 （9）
出，L表示输出层的神经元数量，BP神经网络的正向学习过程具
体描述为
(1)隐含层第i个神经元的输入(net i ) 、输出y i 计算公式如下
（10）
（1）
(5) 通过对隐含层和输出层神经元权值和阈值进行修正，
使输出层的误差向最小化方向逼近，当输出误差达到预定的要
（2） 求时，得到了最优的BP神经网络结构，根据最优结构可以建立
光通信网络攻击模式识别分类器。
3. 大数据驱动的光通信网络攻击模式识别步骤
式中，θ i 和 分别表示隐含层神经元的阈值和激励函数。 (1) 采用专门的光通信网络攻击数据采集设备进行数据收
(2) 输出层第 i 个神经元的输入、输出计算公式如下 集，通过专家对数据进行分析，去掉一些无用的光通信网络攻
击数据;
网络电信 二零二二年九，十月 57
