首页 > 论文范文 > 医药卫生论文 > 医院管理论文 > 医院安全管理论文 > 基于改进神经网络的医院通信安全态势感知方法

基于改进神经网络的医院通信安全态势感知方法

2024-12-30 64 上传者：管理员

摘要：针对医院通信安全态势感知不及时，易导致医院信息系统重要信息受到损害的问题，提出基于改进神经网络的医院通信安全态势感知方法。使用基于小波消噪的通信信号去除噪声并保留关键信息，输入基于改进RBF神经网络的医院通信安全态势感知模型。利用花朵授粉算法完成改进RBF神经网络训练。通过径向基函数对输入数据进行非线性变换，将得到的权值进行加权求和，得到当前通信网络信号的安全态势预测结果。实验结果显示，应用该文方法的医院通信网络异常信息可在1 s内完成感知。

关键词：
信号去噪
医院通信
安全态势
小波消噪
改进神经网络
加入收藏

医疗机构因其数据的高价值性和系统的脆弱性，频繁受到网络攻击，这就要求医院必须加强网络安全管理[1-3]。因此，安全态势感知技术应运而生[4-6]。它基于大数据分析技术，对医院安全设备日志数据、流量数据展开深层次、多维度分析，实现对医院网络安全综合态势的全方位多维度呈现。安全态势感知技术可以实时监测网络中的异常和威胁，主动上报预警或告警，并进行有针对性的防护，有效保障医院网络的安全稳定运行。

因此，提出基于改进神经网络的医院通信安全态势感知方法。通过对神经网络模型进行改进和优化，更加及时地感知和预测医院通信系统的安全态势，为医院提供更加可靠、高效的安全防护手段。

1、医院通信安全态势感知方法

1.1基于小波消噪的通信信号去噪方法

医院通信安全态势感知，依赖于对准确通信信号数据进行分析和判断。然而通信信号在传输过程中可能受到各种噪声的干扰，如电磁干扰、设备噪声等[7-8]。这些噪声会降低信号质量，严重影响态势感知的准确性和可靠性[9-10]。因此，去噪处理是保障医院通信安全态势感知准确性的关键环节[11-12]。通过去噪处理，可以有效减少噪声对信号的影响，提高信号质量[13]。具体的去噪流程如下：

1）医院通信信号的小波分解

设置小波分解层次为M，将医院通信信号进行M层小波分解，噪声成分一般主要集中于医院通信信号的高频范围。医院通信信号在分解程度i中离散细节系数、离散逼近系数分别为cτi、yτi，如式（1)-(2）所示：

其中，η0为低通滤波系数，η1为高通滤波系数；m为波长，τ为尺度。

2）高频系数阈值量化

将M层高频系数ei由阈值θ进行量化处理，将最小元素ψmin设成风险值，检索ψmin匹配的小波系数最小值umin，此时阈值θ为：

其中，δ为噪声级别。

3）小波重构

对分解获取的M层低频系数、高频系数进行小波重构，如式(4)所示：

其中，yτi+1为去噪重构后通信信号。

综上，当通过小波消噪消除了数据噪声后，极大程度上提高了通信信号数据判断的准确率，使得医院通信安全态势感知更加及时。

1.2基于改进RBF神经网络的医院通信安全态势感知模型

1.2.1态势感知模型

医院通信安全态势感知也取决于算法感知模型，现有的分析算法无法准确识别和分类复杂的网络威胁，尤其是新型和隐蔽的攻击手段。因此，该文提出采用RBF神经网络，即径向基函数（Radial Basis Function,RBF）神经网络来解决这一问题。

RBF神经网络是神经网络的一种重要类型。其网络结构分为三层：输入层、隐含层以及输出层。

在构建用于医院通信安全态势感知的RBF神经网络时，输入层扮演着至关重要的角色，它负责接收来自医院通信系统的原始信号。这些信号源节点是信息的起点，它们将实时数据传递给网络进行进一步处理[12-13]。

隐含层是该神经网络的核心，它使用径向基函数作为神经元的激活函数。根据医院通信安全态势感知的复杂性和精确度要求，隐含层节点数会被精心选择。这些节点不仅负责处理输入信号，还通过非线性变换将原始数据转化为更高级别的特征表示。

最后，输出层是RBF神经网络与外部环境交互的界面。它根据隐含层提取的特征，对当前的医院通信安全态势进行响应，并将这种响应转化为具体的输出模式。通过这种方式，RBF神经网络实现了从原始输入到安全态势感知输出的映射，为医院通信安全提供了有效的监测和预警手段[14-15]。

RBF神经网络结构如图1所示。

图1 RBF神经网络结构

RBF神经网络使用的核心函数是高斯函数，网络激活函数是：

其中，‖yτ-bj‖为欧氏范数，bj为高斯函数中心；β为方差，即为函数宽度参数；yτ为输入的医院通信信号样本。

输出层根据隐含层的输出和训练得到的权值进行加权求和，得到当前通信网络信号安全态势预测结果。输出的医院通信信号安全态势分类感知结果xi为：

其中，ϖji为隐含层与输出层之间连接权重；k为隐含层节点数。

结合上述内容可知，RBF神经网络的使用性能主要受bj、β、ϖji的影响，所以，该文对RBF神经网络进行了改进，通过使用RBF算法，使安全态势感知能准确识别与分类复杂的网络威胁，提升识别新型攻击手段的准确率。

1.2.2基于花朵授粉算法的RBF神经网络改进

系统安全态势感知能力，取决于RBF神经网络能否从大量信息中实时监测系统中的异常行为和潜在威胁，根据系统的实时状态，动态调整全局和局部搜索的转换概率，提高检测效率。因此，该文使用花朵授粉算法[16]缩短RBF神经网络处理数据的时间，将花朵授粉算法与RBF神经网络结合起来，可以改进算法训练过程，提高其性能[17]。提高系统对安全威胁的感知和响应能力，使系统感知安全态势的时间进一步缩短。寻优RBF神经网络的参数bj、β、ϖji，在自然界中，物种的演化深受“物竞天择，适者生存”这一自然法则的驱动。对于植物而言，花粉的传播不仅是其生命延续的关键环节，也是其适应不同环境条件的重要表现。在不同的生态位中，花朵授粉的成功与否往往决定了其繁殖能力和生存的可能性。那些能够在复杂环境中成功完成授粉的花朵，无疑是经过自然选择筛选出的优胜者。受到这一自然现象的启发，研究人员开发了一种名为“花朵授粉算法”的启发式算法。这种算法模拟了自然界中花朵通过授粉来选择最佳配偶的过程，旨在解决优化问题。通过模拟花朵的择优选择行为，花朵授粉算法能够在复杂问题中寻找到接近最优解的解决方案，该方法广泛应用于多个领域，如机器学习、图像处理、路径规划等。因此，花朵授粉算法不仅是对自然现象的模拟，更是对自然界智慧的一种借鉴和应用。

花朵授粉方式分为生物授粉和非生物授粉。前者使用风力、人为的方式完成；后者由昆虫和鸟类等动物完成。从品种差异角度分析，可分成自花与异花两种授粉方式，前者是指在未出现外力干预的前提下，由花朵自己或同类花朵授粉；后者是指在其他传播方式的协助下，把自身花粉扩散至其他品种花朵上。两类授粉行为主要用于局部寻优及全局寻优，结合转移概率q决定使用哪种授粉方式。

国外研究人士对花朵授粉过程，设计了下述几种规则：

1）全局寻优时，使用生物异花授粉方法，花粉的传播主要遵循莱维公式：

其中，Ajo+1、Ajo分别为迭代o+1次、o次的第j个RBF神经网络参数可行解；fg、ε分别为RBF神经网络参数全局最优解以及影响因子；Z为步长，如式（8）所示：

其中，Ω描述伽马函数；r描述莱维变量。

2)RBF神经网络参数局部寻优时，使用自花授粉算法：

其中，Awo代表与Ajo种类不同的花粉，在寻优时，其代表和Ajo存在差异的RBF神经网络参数可行解；V为繁衍概率。

综上所述，为提升RBF神经网络的感知性能，将bj、β、ϖji编码成花朵授粉算法的花粉粒子。把花朵授粉算法的适应度函数设为：

其中，N、D分别为训练样本总数目、网络输出神经元数目；xi,j、xi,j分别为医院通信安全态势感知的目标输出结果、实际输出结果。

基于花朵授粉算法的RBF神经网络改进步骤如下：

1）设置RBF神经网络训练样本数量，结合已知训练样本，设置各层节点数目，把RBF神经网络bj、β、ϖji设成花朵授粉算法的参变量，对其进行实数编码；

2）设定代表RBF神经网络参数可行解的花粉粒子数量是m=2，转移概率与最大迭代次数分别是q=0.5、omax=100，算法运行时，对花粉粒子位置进行初始化，各个花粉粒子记为RBF神经网络bj、β、ϖji的可行解；

3）由式（10）计算花粉粒子适应度，分析花粉粒子优劣，提取适应度最优的花粉粒子，设成RBF神经网络bj、β、ϖji的最优解，其他花粉粒子随机转换；

5）运算和保存目前花粉粒子的最优解；

6）分析RBF神经网络的感知误差是否为最小值，如果是，输出目前最优花粉粒子代表的RBF神经网络bj、β、ϖji，反之则回到步骤3）。

经上述计算，花朵授粉算法可以有效缩短RBF神经网络的感知时间，从而提高通信系统安全态势感知速度。

2、实验分析

2.1实验环境设计

为测试该文方法的使用效果，以某医院远程监护系统通信网络作为实验网络，图2是医院远程监护系统通信技术架构图，该系统通过医疗传感器实时采集患者心电、脑电、肌电、呼吸体温等生理数据，以及医疗设备状态和治疗过程信息。这些数据在患者携带的监控仪器上显示并存储，随后通过信号传输模块发送到医院监护中心服务器。图2是医院远程监护系统通信技术的架构图。

图2 医院远程监护系统通信技术的架构图

表1是医院远程监护系统使用通信网络的参数信息。

表1 通信网络的参数信息

为测试该文方法在医院通信安全态势感知问题中的应用效果，搭建如图3所示的实验环境。

医院本地主机通过安全态势感知探测器连接到不可信网络，同时防火墙部署在本地主机和不可信网络之间时，确保数据安全传输。安全态势感知探测器负责收集和分析医院网络中的安全数据，包括本地主机和不可信网络的数据，提供对网络安全态势的感知和预警。通过配置安全态势感知探测器和防火墙的功能和规则，可以实现医院通信安全的实时监测和预警，提高医院网络的安全性。该文方法作为安全态势感知探测器的核心方法，用于感知医院通信安全态势。

图3 医院通信安全态势感知实验环境

2.2方法的使用效果分析

图4是该文方法随机抽取医院通信网络某段通信信号样本，其因噪声污染，原有信号特征受到影响，为此，该文方法采用基于小波消噪的通信信号去噪方法对其进行去噪，结果如图5所示。

图4 含噪医院通信网络信号

图5 去噪后医院通信网络信号

对比图4与图5可知，在0～100 ms时间内噪声成分被有效滤除，-4～6 d B之间的医院通信信号有效成分被有效保留，信号变化光滑且特征明显。

医院通信网络入侵行为详情如表2所示。

表2 医院通信网络入侵行为详情

使用表3训练样本训练基于改进RBF神经网络的医院通信安全态势感知模型后，该文方法在多种网络入侵行为下，对医院通信安全态势感知结果如表4所示。

表3 安全态势感知模型的训练样本

表4 医院通信安全态势感知结果

结合表4测试结果可知，该文方法使用表3训练样本训练后，基于改进RBF神经网络的医院通信安全态势感知模型，对多种网络入侵行为下的网络安全态势感知的结果准确，为此医院远程监护系统通信探测器均在1 s内感知异常，发出告警弹窗。

为进一步分析该文方法的有效性，由于在网络安全态势感知中漏报率尤为重要，所以选取其作为实验指标测试系统的准确性和可靠性，具体实验结果如表5所示。

表5 该文方法漏报率结果

分析表5可知，所提方法在检测DOS、U2R和R2L三种入侵行为时表现出极低的漏报率，最高仅为0.2%。充分证明了该方法在提升系统准确性和可靠性方面的优越性，有效降低了因漏报导致的潜在安全风险。

3、结论

随着网络安全形势的日益严峻，新型攻击手法和技术层出不穷，医院通信网络面临着来自内外部的多样化安全威胁。研究安全态势感知方法有助于医院更好地应对这些复杂多变的网络攻击。该文研究一种基于改进神经网络的医院通信安全态势感知方法，该方法可在有效滤除医院通信信号噪声成分后，由基于改进RBF神经网络的医院通信安全态势感知模型，在1 s内感知医院通信网络异常，提高了安全预警和响应速度，及时阻断或减轻了攻击带来的损害。

参考文献:

[1]郭忠.网络安全中的攻防对抗模拟设计与实现[J].电子技术,2024,53(7):34-35.

[2]明广奇.医院网络安全事件响应与恢复机制研究[J].网络安全和信息化,2024(5):155-157.

[3]沈亮,周敏.混合云架构下医院信息系统外联安全管控实践[J].中华医院管理杂志,2024,40(3):172-178.

[4]韩涛,韦沁芃,陈佳妮,等.我国互联网医院管理与建设现状分析[J].中华医院管理杂志,2023,39(2):149-153.

[5]朱文,江伟,周志烽,等.基于电网调度系统的网络安全态势感知方法研究[J].电测与仪表,2024,61(7):21-27.

[6]宾冬梅,杨春燕,余通,等.基于深度行为分析的网络安全态势感知技术[J].微型电脑应用,2022,38(1):66-69.

[7]张克君,郑炜,于新颖,等.基于PSO-TSA模型的网络安全态势要素识别研究[J].湖南大学学报(自然科学版),2022,49(4):119-127.

[8]陈龙,吕磊,杨旭东.基于改进CRITIC的灰色关联网络安全态势评估方法[J].电讯技术,2022,62(4):517-525.

[9]王秉,史志勇,周佳胜.安全情报视域下的安全态势感知与塑造模型[J].情报理论与实践,2023,46(1):1-6.

[10]徐方廷,黄锐,王秉.三元空间融合视阈下的安全态势感知模型研究[J].中国安全生产科学技术,2022,18(11):5-11.

[11]陈英.计算机网络中的信息安全问题分析[J].电子技术,2024,53(7):75-77.