Page 31 - 网络电信2023年1月刊

根据以上公式可以得到光通信系统安全风险评价指标权重
如表 ３ 所示。
表３ 光通信系统安全风险评价指标权重值
其中，ｘ 表示输入样本，ｃ ｉ 和 σ ｉ 表示高斯径向基函数
的中心和宽度。
对于一个包含３层结构的ＲＢＦ神经网络，其结构如图３
所示。
图３ ＲＢＦ神经网络结构

3.3 区块链技术进行光通信系统安全风险评价数据存储
区块链是一种采用链式结构的新型技术，其通常采用 ３ 层
结构，具体为：数据层、网络层、共识层，区块链技术主要特
点如下：
（１） 去中心化。 一个区块链包含大量的节点，各个节
点之间的关系是平等的，它们组成一个通信系统，没有中心节 那么 ＲＢＦ神经网络的输出为
点，任意一个节点被攻击，不会影响整个通信系统的性能。
（２） 不可篡改。 区块链采用复式技术进行数据储存，每 （8）
一个节点都储存了整个通信系统信息，一个节点的变化，不会
对通信系统信息产生实质性改变，
（３） 共识性。 在区块链中，所有节点共同维护系统，它 其中，ω ｉ 表示权值。
们对区块链中的信息进行统一确认。 根据光通信系统安全风险评价指标确定 ＲＢＦ 神经网络输
数据层是区块链的核心技术，通常包括区块头和区块体， 入层的节点数，并根据相应的公式确定隐含层节点，并根据光
在许多领域利用该优点来存储数据，以防止数据被恶意篡改， 通信系统安全风险等级确定输出层的节点数，然后将光通信系
同时可以保护数据的安全性，数据块的具体结构如图 ２ 所示。 统安全风险评价训练样本输入到 ＲＢＦ 神经网络中进行训练，
采用区块链对光通信系统安全风险评价数据进行存储。 确定最优 ω ｉ ，最后根据最优ω ｉ 设计光通信系统安全风险评价
模型。
图２ 区块链的区块结构图
四、光通信系统安全风险评价的具体实例分析
4.1 测试对象
为了测试基于区块链技术的光通信系统安全风险评价效
果，选择 １０ 个光通信系统作为测试对象，每一个光通信系统
采集一些不同安全风险等级评价样本，具体如表 ４ 所示。 选择
灰色模型和模糊数学的光通信系统安全风险评价模型进行对比
测试。
4.2 光通信系统安全风险评价精度比较
采用本方法、灰色模型和模糊数学模型进行光通信系统安
全风险评价，每一个光通信系统、每一个等级的安全风险选择
大约 １ ／ ２ 样本进行光通信系统安全风险评价模型设计，采
用其他样本进行光通信系统安全风险评价效果测试，统计它们
的光通信系统安全风险评价精度，结果如图 ４ 所示。 从对图

3.4 ＲＢＦ神经网络设计光通信系统安全风险评价模型 ４ 的光通信系统安全风险评价精度平均值进行计算得到：本方
根据光通信系统安全风险评价进行数据采集，并引入区块 法的光通信系统安全风险评价精度平均值为 ９３. ３８％，灰
链技术对光通信系统安全风险评价指标数据进行存储，然后引 色模型和模糊数学模型的光通信系统安全风险评价精度平均值
入 ＲＢＦ 神经网络进行光通信系统安全风险评价。 ＲＢＦ 神 分别为 ８６. ３３％和 ８１. ４７％，相对于灰色模型和模糊数
经网络常采用高斯径向基函数作为激活函数，其定义如下 学模型，本方法的光通信系统安全风险评价精度分别提高了 ７.

网络电信 二零二三年一、二月 39