摘要:在规模化农机作业过程中，由于农机作业信息发布滞后和农机资源调度不合理，会造成农机作业效率低下的问题，特别是在农忙时节，会影响农作物的收割效果。为了提高农机作业效率，往往需要具备大规模的农机调度网络系统，以对农机资源进行合理的分配。农忙时网络系统使用的时间比较集中，为了不耽误作业调度系统的顺利运行，网络安全问题不容忽视;而农机调度网络系统的数据较为庞大，想要对其进行网络态势安全评价需要高效的处理算法。为此，将粒子群优化的神经网络算法引入到了农机调度网络安全态势评价过程中，并对其可行性和可靠性进行了验证。实验结果表明:采用粒子群优化的神经网络算法对于网络安全评价的效率较高，可以满足农机网络调度系统网络安全态势评价的需要。
关键词:粒子群优化;神经网络;农机调度;网络安全;作业效率
0引言
随着农业机械化的深入发展，农机规模作业和跨区域作业已成为趋势，农机现有作业模式面临着严峻挑战。农机作业存在信息发布滞后及作业效率低等问题，同时缺乏有效的调度策略，造成农机资源配置不合理，制约了农机作业的健康发展。地理信息系统技术、无线通信技术和GPS定位技术的发展为解决这些问题提供了有效的支持。为了提高农机的规模化作业效率，实现农机高效率高质量的作业，农机调度网络系统是必不可少的。由于网络系统涉及到信息管理、无线通信和电子地图等，其规模较大，网络安全问题不能忽视，本次拟采用基于粒子群优化的神经网络算法对网络的安全态势进行评价，以期得到更加准确和高效的安全评价。
1农机调度网络系统功能设计与实现
农机监控调度系统的主要功能是在农忙时节合理地安排农机的作业，以提高多农机作业的效率，并对农机的作业情况进行实时监控，以提高农机的作业质量。整个农机调度系统包括农机调度模块、农机监控模块、农机信息管理模型、地图信息模块和系统维护模块5部分功能模块，其主要框架结构如图1所示。
地图子系统模块主要提供基本的一些地图操作功能，如地图漫游、放大缩小、面积测量及经纬度显示等，并将作业地块信息保存到地图中。农机信息管理模块主要是负责农机、驾驶员信息的录入和修改，以及农机实时信息的查询，并可以处理车载终端发出的警报和反馈信息等。农机调度模块主要负责农机的调度使用，根据收割地点和面积信息，合理地分配使用农机，并规划农机调配路径，保证农机能够高效率、高质量的完成作业。
2网络安全评价优化模型
在传统的网络安全评价过程中，网络安全项目及等级的一些权重、隶属函数等一般需要人为确定，会造成一定的评价误差。人工神经网络是基于生物学中的神经网络模拟人脑工作的一种计算模型，可以通过训练的方式获取经验知识，并将这些经验存储在存储器中，由于采用并行计算方式，人工神经网络的计算处理速度较快。采用多层神经网络不仅具有很强的分类能力，还可以实现大部分连续函数的逼近，对于网络安全评价的海量数据处理具有重要的意义。
如图2所示:在多层神经网络的各层次中设置一些权重系数，可以提高设计网络学习的准确性，对于解决复杂的数据处理问题具有重要的意义。神经网络学习一般分为两种:一是需要提供正确的输出，这一组输出的数据成为训练样本;二是自适应学习，按照系统环境提供的数据自发的适应性学习。目前，第一种方法比较成熟，利用安全评价误差最小的原则，采用合理的训练样本数据，制定学习规则，也可以采用反向传播的算法，即BP算法，其信号流图如图3所示。
神经网络粒子群优化的过程:首先给定初试的粒子群，将向量映射为权值，利用神经网络训练样进行训练，然后计算个体的均方差作为适应度值。当满足要求条件时，输出神经网络的权值作为优化的结果使用;如果不满足条件，则需要按照微粒群进行计算，生成新的个体微粒，重新进行计算，直到网络安全评价的权值达到最优。
3农机调度系统网络安全态势评价
在农忙时节，农机调度系统的正常运行非常关键，如果网络受到攻击或者网络自身存在安全隐患，使网络瘫痪，农机不能正常进行合理的调度，将会导致农机作业效率低，不能按时完成生产任务。为了保证农机调度系统的正常运行，需要对农机监控调度系统实时进行网络安全态势评价。为此，专门设计了农机调度监控系统，以对其网络安全进行评价，主要由3部分组成，如图6所示。
农机监控调度系统主要由车载终端、监控服务器和客户终端3部分组成。其中，在车载终端上集成了GPS、GPRS、中心控制器和传感器等设备，可以实时地采集作业收割信息及农机自身作业状态的一些信息和位置信息，通过GPRS传送到监控中心。车载终端服务器服务器主要是进行通信，将采集的收割机实时信息发给远程调度终端，并接收调度终端发出的控制指令，进行作业控制，数据被存储到存储器，用户可以从存储器中提取数据。客户控制终端可以利用地理信息系统，对远程的农机状态和作业位置进行实时监控，然后向农机管理员发布调度信息，实现农机的作业调度。在进行农机调度网络安全态势评价时，可以首先利用经验对各项指标进行测评，以物理安全为例，其量化值在[0-1]，假设其测评项为4项，如防盗、防水、防火和防雷，根据各项指标信息，量化后的安全级别如表1所示。
采用粒子群优化的神经网络算法，对海量数据进行了处理，并采用MatLab编程测试的方法，对安全等级进行了测试，其测试结果按照安全级别进行显示，如表2所示。
采用粒子群优化的神经网络算法克服了人为确定权重、隶属函数等缺陷，各项评价指标都通过神经网络训练符合单指标评价标准，可以客观公正地对网络安全进行评价，如表3所示。
为了验证粒子群神经网络对于网络安全态势评价的可靠性，将其和仅适用神经网络而不使用粒子群优化的评价方法进行了对比，由对比结果可以看出，采用粒子群优化后可以明显地提升网络安全态势评价的速度和精度。
4结论
采用神经网络算法对农机调度网络的数据进行安全评价，并利用粒子群算法对神经网络算法进行了优化，从而有效提高了安全评价的效率。对网络安全评价的算法进行了可行性和可靠性验证，验证结果表明:采用粒子群神经网络算法可以成功得到网络的安全评价等级，且采用粒子群算法后安全评价的速度和精度都有所提升，对于实现大规模网络安全态势评价的研究具有重要的意义。
相关期刊推荐：《农机化研究》为农业工程类学术期刊，创办于1979年，其投稿要以紧紧围绕大农业概念下(包括农、林、《农机化研究》牧、副、渔)的机械化、电气化、自动化及数字化相关的新理论、新技术、新成果和综合述评为核心内容，语言精炼、结构完整、表达准确。设有：农业发展新视点、理论研究与探讨、设计制造、试验研究、新技术应用、环境与能源动力工程、综述、短文。
转载请注明来自：http://www.lunwencheng.com/lunwen/nye/16045.html
