文摘gydF4y2Ba

随着大数据的深入和信息技术的发展,国家、企业、组织、甚至个人越来越依赖于信息系统。近年来,各种各样的网络攻击出现在无穷无尽,损失是不可估量的。因此,保护信息系统的安全是一个需要注意的问题在新形势下。现有的BP神经网络算法改进为核心算法的安全智能评价评级信息系统。输入节点进行了优化。在风险因素识别阶段,大部分的冗余信息过滤掉,核心因素是提取。在风险建立阶段,粒子群优化算法优化BP神经网络算法的初始网络参数来克服网络的依赖初始阈值,同时,通过仿真验证了改进算法的性能实验。实验结果表明,与传统的BP算法相比,PSO-BP算法具有更快的收敛速度和精度高的风险价值的预测。PSO-BP评价方法的误差值几乎为零,而且没有误差波动在100年样本测试。最大误差值只有0.34和平均误差值是0.21,这证明PSO-BP算法具有良好的性能。gydF4y2Ba

1。介绍gydF4y2Ba

信息系统广泛用于金融、建设、信息安全等领域。增加的信息量和信息的价格上涨,不乏罪犯窃取有价值的信息(gydF4y2Ba1gydF4y2Ba]。然而,信息安全风险评估开始之后,在欧洲和美国,特别是在20世纪晚期。与科学技术的持续改进,越来越多的信息安全威胁环境的信息安全问题。在这种情况下,越来越多的学者开始研究相关技术。奥利维拉等人提出了一种多通道decision-tree-based电力系统操作安全评估的方法。不同于其他决策树技术,在训练步骤,建立了分类属性值根据分支机构,提高了电力系统运行状态的可解释性,因为运营商可以清楚地看到每个拓扑的关键变量,因此他们可以使用联合化疗规则来帮助决策。结果表明,联合化疗方法简化了电力系统安全等级和具有良好的精度gydF4y2Ba2gydF4y2Ba]。太阳等人提出了一种新的特征提取框架基于深度学习,用于构建风险评估模型。自动深度编码器用于传统的空间状态变量转化为少数的维度,以优化区分安全运行和不安全的操作。通过一系列的案例研究和比较,证明了该框架的性能优越,它映射到IEEE 118总线系统gydF4y2Ba3gydF4y2Ba]。gydF4y2Ba

Benini和SicarigydF4y2Ba4gydF4y2Ba带头在专注于云计算的安全风险评估和公布相关研究报告2008年,总结七个安全风险影响云计算服务。然后Mantri et al。gydF4y2Ba5gydF4y2Ba]分析了哈斯的风险,PAAS和SaaS从其他的角度在云计算架构。2014年,基于现有的科学研究,江和杨gydF4y2Ba6gydF4y2Ba)总结了风险因素影响安全的云计算服务。此外,学者们从不同的国家也进行了深入的研究。蒋介石et al。gydF4y2Ba7gydF4y2Ba]研究面临的风险元素的信息网络和信息系统和基础信息管理提出了一个面向对象的模型配置每个文件的访问权限,提高安全风险评估自主通信网络遇到的风险。帕蒂尔et al。gydF4y2Ba8gydF4y2Ba]使用工程中的故障树模型进行深入的分析和信息系统的安全风险评估和力求客观地表达信息系统的安全性能。Wiesche et al。gydF4y2Ba9gydF4y2Ba加上他多年的理论研究和实践经验,从理论上讨论了原则和未来的信息安全风险评估的发展趋势。随着互联网技术的发展,各种威胁发出警告。惨痛的教训,人们明白我们应该全面保护信息系统,避免所有可能的风险和减少信息安全事件的可能性。近年来,一些学者开始运用平行PSO-BP神经网络算法。侯et al。gydF4y2Ba10gydF4y2Ba)提出了并行PSO-BP神经网络算法。PSO算法优化BP神经网络的初始权值和阈值来提高分类结果的准确性。结果表明,与传统的串行PSO-BP神经网络算法相比,并行PSO-BP神经网络算法的分类精度约为92%,系统效率约为0.85,具有明显的时间和在处理大型数据集分类效果。顾et al。gydF4y2Ba11gydF4y2Ba)应用粒子群优化BP神经网络预测模型对SiCp /铝复合研磨能耗预测模型。结果表明,粒子群优化(PSO) BP神经网络预测模型具有较高的预测精度。能耗预测模型基于PSO-BP神经网络有利于节能和绿色制造。林等。gydF4y2Ba12gydF4y2Ba]建立了传感器误差修正模型基于粒子群优化(PSO)和BP神经网络算法,它减少了系统的非线性特性,提高系统的测试精度。仿真和实验表明,PSO-BP神经网络算法具有收敛速度快的优点,诊断精度高和能提供更高的测量精度,降低能耗,稳定的网络数据通信和故障诊断功能。它已经被应用于环境参数的监测,如仓库、专用车辆和船只。Moayedi et al。gydF4y2Ba13gydF4y2Ba)提出了PSO-BP风险评估系统,将对象实例称为用户转移到存储设备硬件层的网络信息系统,对象是由租户的网络信息服务。信息系统在各行各业的广泛分布,及其地位正变得越来越重要。在过去的研究中,一些研究可以有机结合智能学习算法和信息系统风险评估实时监控信息系统风险。因此,本文将改进智能学习BP算法,结合PSO算法,实现智能信息系统的风险评估,建立信息系统保护框架。gydF4y2Ba

使用简单的原则的优点,快速PSO算法的收敛速度和更少的参数设置,主成分神经网络的初始权重阈值优化,以及主成分的算法流基于粒子群优化的神经网络建立。该算法应用于信息安全风险评估,并与基于BP神经网络的信息安全风险评估算法。MATLAB仿真结果表明,改进后的算法具有较高的预测精度比传统的BP神经网络算法。gydF4y2Ba

2。信息安全风险评估基于PSO算法的BP神经网络进行了优化gydF4y2Ba

2.1。改进的BP神经网络预测模型gydF4y2Ba

在信息系统安全的评估,有很多数据和它们之间的密切关联。由于缺少输入数据的分析和处理能力,经典的BP神经网络算法相对复杂的训练结构,这是不利于网络的拟合。因此,它需要稍微改进(gydF4y2Ba14gydF4y2Ba- - - - - -gydF4y2Ba17gydF4y2Ba]。在这篇文章中,主成分分析方法用于消除风险因素之间的相关性,减少多个风险数据的维度指标,线性变换的多个变量的风险因素指标,保留最原始的信息,最后得到的核心组件可以代表原始数据信息,然后输入到BP神经网络作为初始数据,避免重复信息的影响评价(gydF4y2Ba18gydF4y2Ba- - - - - -gydF4y2Ba20.gydF4y2Ba]。相应地,由于减少输入数据,BP神经网络的输入节点也相应减少,系统简单,数据关系是相对简单和一样的,系统的收敛速度更快,它也有一个积极的对预测精度的影响。改进后的BP神经网络图所示gydF4y2Ba1gydF4y2Ba。gydF4y2Ba

假设有gydF4y2BangydF4y2Ba样品在二维空间中,样本的分布如图gydF4y2Ba2(一个)gydF4y2Ba。可以看出,在这些样本所在的飞机,离散类型是非常大的,无论哪个方向。如果只进行分析的gydF4y2BaXgydF4y2Ba或gydF4y2BaYgydF4y2Ba方向,必要的信息将丢失在坐标轴,这将有一个伟大的对评价结果的影响(gydF4y2Ba21gydF4y2Ba,gydF4y2Ba22gydF4y2Ba]。转换后,图gydF4y2Ba2 (b)gydF4y2Ba获得从图gydF4y2Ba2(一个)gydF4y2Ba,转换公式如下公式所示:gydF4y2Ba

转换后,新变量gydF4y2Ba和gydF4y2Ba得到了。不难看到的离散程度gydF4y2Ba样本的坐标系统gydF4y2Ba很明显低于gydF4y2Ba ,gydF4y2Ba的离散程度gydF4y2Ba样本比gydF4y2Ba样本,这几乎可以代表所有重要的数据的信息。相对完整的数据。也就是说,数据特征的影响gydF4y2Ba方向上的评价结果非常小,可以忽略。所示的矩阵表达式如下:gydF4y2Ba

信息系统安全评估的gydF4y2Ba我gydF4y2Ba目标数量由gydF4y2BaNgydF4y2Ba的因素。然后,gydF4y2BangydF4y2Ba维向量gydF4y2Ba ,gydF4y2Ba线性变化的gydF4y2BaxgydF4y2Ba,得到gydF4y2BaygydF4y2Ba,gydF4y2Ba ,gydF4y2Ba这是安全信息的综合变量。表达式如下所示:gydF4y2Ba 在哪里gydF4y2BaXgydF4y2Ba是一个因素,gydF4y2BaαgydF4y2Ba是系数,系数gydF4y2Ba满足gydF4y2Ba ,gydF4y2Ba和gydF4y2Ba满足gydF4y2Ba 。gydF4y2Ba此外,之间不存在线性关系gydF4y2Ba和gydF4y2Ba ,gydF4y2Ba 。gydF4y2Ba考虑到上述变量的条件下,我们可以获得一个改变矩阵的顺序gydF4y2Ba ,gydF4y2Ba如下:gydF4y2Ba

在初始变量的线性变化gydF4y2Ba ,gydF4y2Ba一个新的主成分变量gydF4y2Ba ,这不是彼此相关。两者之间的表达式可以表示如下:gydF4y2Ba

确定主成分的个数gydF4y2Ba米gydF4y2Ba价值主要是通过砾石地图和主成分的累积贡献率。在主成分的确定的情况下,更大的累积贡献率gydF4y2Ba米gydF4y2Ba主成分表明,这些主成分包含大部分的有效信息,和较小的信息损失的概率。标准的gydF4y2Ba得到的归一化公式如下:gydF4y2Ba 在哪里gydF4y2Ba年代gydF4y2Ba_jgydF4y2Ba代表了二级模糊综合评价矩阵和gydF4y2Ba米gydF4y2Ba_jgydF4y2Ba表示函数模型。的协方差矩阵gydF4y2BaDgydF4y2Ba从标准化的数据获得,见下面的公式:gydF4y2Ba 在哪里gydF4y2BangydF4y2Ba样品的数量和特征值矩阵吗gydF4y2BalgydF4y2Ba和特征向量矩阵A的gydF4y2BaDgydF4y2Ba计算公式(gydF4y2Ba7gydF4y2Ba),RA = RL。最后,选择匹配的主成分代替初始数据和BP神经网络的输入。矩阵的计算是解决的贡献率和累积贡献率gydF4y2BakgydF4y2Ba根据主成分特征值gydF4y2Ba ,gydF4y2Ba计算公式如下所示:gydF4y2Ba

其中,比例和金额代表贡献率和累积贡献率,分别。gydF4y2Ba

2.2。基于主元素的粒子群优化算法的神经网络gydF4y2Ba

在这项研究中,使用粒子群优化算法来优化神经网络的初始参数主成分,克服网络的缺点,如强烈依赖于初始值,学习速度缓慢和陷入局部最小值,建立一个基于粒子群优化的信息安全风险评估模型的主成分神经网络。尽管BP神经网络优化算法的输入节点进行了简化在某种程度上,它不是有别于传统的BP算法在全局优化能力。他们两人很容易陷入局部最小值,影响全局优化。一般来说,只要可以优化神经网络的权值和阈值,可以避免局部最小值的问题gydF4y2Ba23gydF4y2Ba,gydF4y2Ba24gydF4y2Ba]。一部分的研究结合了遗传算法和BP神经网络使用强大的宏观搜索能力和遗传算法的全局优化性能好。然而,遗传算法的操作很复杂,需要一系列的过程,如选择、复制、交叉、变异,这大大减少了神经网络的训练速度。PSO算法具有更高的收敛性能比遗传算法与BP算法相结合可以继承其预测精度高,并进一步加快改进的BP算法的收敛速度gydF4y2Ba25gydF4y2Ba]。PSO算法的粒子权重和阈值需要优化的BP算法,粒子尺寸gydF4y2BaDgydF4y2Ba是他们的数量。一般来说,越小gydF4y2Ba是,算法的收敛速度越快。但与此同时,还必须避免PSO粒子陷入局部最优状态的优化和迭代。越大gydF4y2Ba是,容易陷入局部最优的状态。因此,考虑到两个因素的变化gydF4y2Ba值设置为逐渐减少。初始化的属性gydF4y2BaNgydF4y2Ba粒子,如以下公式所示:gydF4y2Ba

其中,gydF4y2Ba ,gydF4y2BaxgydF4y2Ba_我gydF4y2Ba,gydF4y2BapgydF4y2Ba_我gydF4y2Ba,gydF4y2BapgydF4y2Ba_ggydF4y2Ba代表着速度,位置,最优位置,分别和粒子群的最优位置。惯性权重的方法是用于更新粒子的速度,和计算公式所示如下公式:gydF4y2Ba

其中,gydF4y2BacgydF4y2Ba,gydF4y2BargydF4y2Ba,gydF4y2Ba ,gydF4y2Ba和gydF4y2BaxgydF4y2Ba(gydF4y2BatgydF4y2Ba)代表学习因素,[0,1]区间的随机数,粒子速度,分别和粒子位置;gydF4y2Ba ,gydF4y2BatgydF4y2Ba,gydF4y2BaTgydF4y2Ba_{马克斯gydF4y2Ba}代表惯性权重、迭代次数和最大迭代次数分别和学习因子的值是2gydF4y2Ba26gydF4y2Ba,gydF4y2Ba27gydF4y2Ba]。的更新速度是限制粒子速度的有限值,按照下列公式计算:gydF4y2Ba

这时,更新粒子的位置,也就是说,有gydF4y2Ba 。gydF4y2Ba最后,每个粒子的最优位置和最优位置更新的人口通过适应度函数gydF4y2Ba 。gydF4y2Ba更新公式如下所示:gydF4y2Ba

是否满足最大迭代次数,结果将是输出。否则,需要跳转到惯性更新粒子速度一步直到条件得到满足。详细的流程图如图gydF4y2Ba3gydF4y2Ba。gydF4y2Ba

总之,PSO算法优化BP算法的总体想法是先澄清拓扑层BP神经网络结构,不断筛选出最优权重和阈值,通过PSO算法,然后给BP神经网络,最后训练样本学习和相应的预期,最后得到测试样本的预测结果。gydF4y2Ba

2.3。建立BP神经网络的安全评价模型优化算法gydF4y2Ba

作为组织的核心内容,企业和机构,信息的价值是不可估量的,和一个小错误可能会带来不可挽回的损失,所以我们需要为它从根本上实现全面的保护。信息系统的信息安全风险评估的前提是大多数媒体资产分类科学、合理,是风险评估的基础。图gydF4y2Ba4gydF4y2Ba显示的详细信息资产分类信息系统。gydF4y2Ba

信息资产的安全包括信息的安全保密性,完整性和可用性。确保安全的三个元素,资产信息的安全特性可以映射的信息安全风险评估。然而,在大数据时代,信息的存储模式和价值是完全不同于过去。随着网络的普及,信息安全漏洞,非法入侵。因此,在信息安全风险评估,有必要考虑资产的三个元素的不同需求的业务流程从信息资产的角度和水平。根据对信息系统的影响当三要素的安全攻击,三个不同的威胁水平给予不同的威胁信息资产的三个元素的元素。详细的分类如图gydF4y2Ba5gydF4y2Ba。gydF4y2Ba

在图gydF4y2Ba5gydF4y2Ba,代表了一个高水平的威胁,也就是说,它是非常重要的。这个安全属性的破坏常常给所有者带来重大损失;水平B显示介质的威胁,即相对重要。如果这个安全属性破坏,它可能导致中等程度的损失;C意味着低的威胁。这个安全属性的伤害会给业主带来更少的损失。可以看出之间的保密属性,最重要的是组织的重要秘密/企业;在诚信,最重要的是价值最高的信息完整性。最重要的属性的可用性是信息机构/企业经常使用每一天,占90%以上,中断时间必须小于10分钟。如果上述信息擅自修改或破坏,可能造成严重损失的机构/企业。 The fragility is used to evaluate the security of information system, that is, the difficulty of the system being attacked by the outside world and causing damage to the system under normal operation. The mainstream international common vulnerability assessment system (CVSS) is used to grade the system. Class A is highly brittle, indicating that there is a big loophole or it is easy to be broken, so it needs to be rectified and reinforced immediately; Class B is of medium fragility, which needs to be attached great importance and repaired or reinforced when necessary; Class C is low brittleness, which needs to be paid attention to and reinforced or repaired when appropriate.

作为一个例子的评估信息系统的层次结构模型图所示gydF4y2Ba6gydF4y2Ba,列出了信息系统的风险因素,以及信息安全事故的发生被认为是故障树的顶事件。有三种情况:信息系统的威胁,信息系统本身的弱点,和现有的安全措施。相对应的故障树建立层次结构模型。由于高保密性的信息安全风险评估和风险评估因素之间的非线性模糊状态,很难获得典型的样本数据,尤其是风险因素如资产、威胁和脆弱性。验证模型的科学性和有效性在信息安全风险评估,80年评估的样本选择CNCERT仿真实验数据。在选择数据样本,该算法PSO-optimized PCA神经网络进行建模,具体步骤如图gydF4y2Ba6gydF4y2Ba。gydF4y2Ba

3所示。仿真结果的分析,信息安全风险评估基于PSO-Optimized PCA神经网络gydF4y2Ba

3.1。PSO-BP神经网络算法的性能分析gydF4y2Ba

算法性能分析执行10(86×)在Windows平台。Python软件用于分析。比较收敛性能,BP神经网络算法的运行速度和准确度,PSO算法,遗传算法,GA-PSO, PSO-BP算法的前提下同样的错误目标,错误设置为10 - 5,和周期的最大数量设置为20000。有45800组实验数据,其中10000是需要识别和评估数据,包括资产识别、脆弱性识别、威胁识别,识别现有的安全措施。五种算法的收敛性能图所示gydF4y2Ba7gydF4y2Ba。gydF4y2Ba

从图可以看出gydF4y2Ba7gydF4y2Ba四种算法的收敛是截然不同的。在三种不同的训练样本,BP算法的收敛性是最糟糕的,迭代的数量超过4000,它落入局部最优两个更复杂的培训,平均运行时间365.9秒。PSO算法的收敛性与GA算法。在三个实验中,他们两人收敛2000倍。然而,与运行时间相比,明显高于GA算法的运行时间的PSO算法,这是前683秒和124.3秒。原因是GA算法有更多的操作流程和需要多次选择,交叉和变异操作,,这是更复杂的比PSO算法。因此,它需要很长时间。PSO-BP神经算法良好的收敛速度和运行速度。四个样本训练迭代完成约500次,平均运行时间只有183.6秒。GA-BP算法,虽然优化算法的收敛PSO-BP算法非常相似,但运行时间而言,两者的结合可以达到1078.0秒,严重影响了系统的效率。 In the PSO-BP algorithm, BP algorithm inherits the accuracy and fast optimization ability of PSO algorithm, so it has better advantages than GA-BP algorithm in overall performance, which also shows that it is reasonable for PSO algorithm to optimize BP neural network algorithm. It can be seen that PSO-BP neural algorithm is superior to other algorithms in terms of time and efficiency and has high cost-effectiveness.

3.2。分析仿真结果的信息安全风险评估gydF4y2Ba

八十年风险因素集选为评价样本,和一个示例包含14个风险因素,这是确定风险因素矩阵R80×14日,然后进行预处理矩阵中的元素来减少潜在的不合理的影响。消除危险因素之间的相关性后,碎石术图和主成分贡献图如图所示gydF4y2Ba8(一个)gydF4y2Ba。gydF4y2Ba

可以看出,五14个特征值大于或等于1。从曲线的变化趋势,主成分曲线曲率的分数从1到9的显著大于9到14。结合(图分析的贡献gydF4y2Ba8 (b)gydF4y2Ba),当主成分提取的数量大于或等于7,累积贡献率已超过90%,覆盖大部分的信息最初的14个因素。这表明其他七个因素对系统的影响评价结果可以忽略,和原来的14个数据可以由七个主要组件。风险评估算法优化前后的结果如图所示gydF4y2Ba9gydF4y2Ba。gydF4y2Ba

88年样本,可以看出未优化BP算法的错误率明显高,很容易误判,尤其是对A类风险的判断。具体地说,BP神经算法瓦8类风险防火墙严重漏洞,通信系统故障和特殊故障类C的风险;拒绝服务攻击,文件和其他8 B类风险事件损失误判为正常活动;等五类C风险操作错误和弱密码错误地判断了作为风险;八个正常事件被误判为风险事件。然而,该算法优化算法只有一个误判,也就是说,一个级别确定风险事件作为C风险事件,具有精度高。通过文献检索,结果表明,目前更有效和常用的客观评价方法是PSO算法和BP神经网络。的比较的客观评价结果与主观评价得分两个网络和PSO-BP如图gydF4y2Ba8gydF4y2Ba。详细的误差图所示gydF4y2Ba10gydF4y2Ba。gydF4y2Ba

从图可以看出gydF4y2Ba10gydF4y2Ba得分最高的专家对100年信息系统安全是9.8,最低的是6.9。BP神经网络之间的deviaion得分和专家评分是认真的。PSO算法的重合程度的评分结果和专家的主观评价结果得分高于BP神经网络。改善PSO-BP的分数曲线评价方法是几乎一样的专家,这表明,分数的提高PSO-BP评价方法更接近于专家的主观评价。两个神经网络相比PSO-BP客观评价和主观评价误差值,并比较结果如图gydF4y2Ba11gydF4y2Ba。gydF4y2Ba

从误差曲线,PSO神经网络具有更少的波动,更好的符合实际的值,和有更多的优势在整个网络结构中,PSO算法的学习和训练的过程是简单的比BP神经网络。因此,在客观评价,尽管BP神经网络评估错误的样本很小,BP神经网络的最大误差值为3.87,样品之间的误差值波动41∼71数量最多,平均误差值高达2.76,期间和总平均误差值是1.48。PSO算法的最大误差值是1.12,而且没有面积误差波动大,和它的平均误差值是0.84,所以总的来说,PSO算法的误差值更小、更稳定,和它的性能更好。不难看出PSO-BP评价方法的误差值几乎为零,而且没有误差波动在100年样本测试。最大误差值只有0.34,平均误差值为0.21,远低于1.48的平均误差值0.84 BP神经网络评估和PSO算法的评估。PSO-BP稳定性的评价方法在评价信息系统的安全显然比其他网络评价方法及其误差范围非常小,几乎可以忽略。gydF4y2Ba

4所示。结论gydF4y2Ba

信息安全风险评估是非常重要的,以确保信息系统的正常运行,和选择科学、合理的风险评估方法是有效和科学的主要任务信息安全风险评估。至于当前的风险评估方法,在定性分析的基础上,定量合成再次使用,两个已广泛应用的有机结合。gydF4y2Ba

信息技术的快速发展,越来越多的方便和灵活的信息网络信息系统和发展已经逐渐成为一个重要的支柱支撑人类社会在信息时代,以及随之而来的问题是信息安全。越来越多的人了解信息安全的重要性和紧迫性。作为信息安全管理的一个重要组成部分,信息安全风险评估也引起了相关机构和研究人员的注意。选择一个有效的、合理的风险评估方法对信息安全风险评估非常重要,尤其是对考核工作的顺利进行。利用算法的优点,如简单的原则,收敛速度快,和更少的参数设置,主成分神经网络的初始权重阈值优化,以及主成分的算法流基于粒子群优化的神经网络建立。该算法应用于信息安全风险评估和与基于BP神经网络的信息安全风险评估算法。MATLAB仿真结果表明,改进后的算法具有较高的预测精度比传统的BP神经网络算法。有太多风险因素参与信息安全风险评估的过程。此外,一个正式的风险评估需要花费一大笔钱,和风险评估是高度机密的数据,从而导致一定的复杂性和困难的科学研究。只有通过努力探索、积累和小心改进我们可以发现信息安全风险评估和预测算法精度高、范围宽,适应性强,更好的信息系统安全管理决策提供依据和安全战略制定。gydF4y2Ba

使用简单的原则的优势和快速算法的收敛速度,本文优化传统的BP神经网络,减少依赖初始阈值和重量,加快学习速度,减少了陷入局部极值的概率,并建立PSO-BP算法。与传统的BP算法相比,本文提出的算法是收敛快,跑得快,有更好的精度。在仿真实验中,PSO-BP算法的误差预测信息系统的风险几乎是0,传统BP算法的误差为3.87,1.12和PSO算法的最大误差。这表明PSO-BP算法可以准确地评估信息系统的安全。在信息系统安全风险评估的过程中,有许多危险因素,巨大的投资金额,和评估数据是高度机密,这使得在这一领域的研究更加困难。只有通过不断地改进技术和探索更强适应性的评价方法,更广泛的范围,和更好的准确性,我们能更好的提供安全管理决策信息系统安全。gydF4y2Ba

由于时间限制,本文只使用更少的数据样本。如果更多的数据样本,如历史风险评估数据,可以收集,信息安全风险评估数据库可以构造。当某些类型的信息系统进行风险评估,风险评估数据样本满足这种信息系统的特点,可以提炼出模型训练和验证评估算法,以提高公平性,评估结果的准确性和可靠性。gydF4y2Ba

数据可用性gydF4y2Ba

使用的数据来支持本研究的发现可以从相应的作者。gydF4y2Ba

的利益冲突gydF4y2Ba

作者宣称他们没有利益冲突或人际关系可能出现影响工作报告。gydF4y2Ba

确认gydF4y2Ba

本研究由金陵科技学院的支持。gydF4y2Ba