农机调度系统网络安全优化浅析

前言：想要写出一篇引人入胜的文章？我们特意为您整理了农机调度系统网络安全优化浅析范文，希望能给你带来灵感和参考，敬请阅读。

摘要:针对农机调度系统网络不安全和不可信的问题，在大数据技术下针对农机调度系统的网络安全优化进行了研究。农机调度系统主要包括车载端信息采集系统、监控信息管理系统和客户端监控系统。为了提高农机调度系统的网络安全性，除了对网络进行安全设计外，还采用人工神经网络模型对网络安全进行评价，并对网络安全态势预测模型进行了设计。为了验证农机调度系统的性能和网络安全性，对其进行农机调度系统网络安全评价试验和农机调度试验。试验结果表明:农机调度系统网络较为安全，可高效完成农机调度任务。

关键词:农机调度系统;大数据技术;网络安全优化;人工神经网络

0引言

随着我国土地政策的实施，农村劳动力逐渐向城市转移，劳动力的急剧减少导致农村的耕种土地由分散种植转变为集中经营的方式［1］。随着机械化的发展，农机的规模化使用和跨区作业已成为新的发展趋势。我国南北气候、农作物种类和收获季节的不同，导致农忙季节农机资源不能合理配置，严重制约了农业机械化的发展。农机调度系统是近年来发展起来的用于辅助农业管理人员进行农机管理和调度的系统，可通过将遥感技术(RS)、地理信息技术(GIS)和GPS技术应用于农业，有效提升农机作业效率和作业质量［2］。为了适应多元化的市场需求，我国还将大数据技术应用于农机调度系统，即农机调度系统将农机的实时位置信息和作业状态在云平台进行存储，并对信息进行分析整合，可以快速根据农户需求配置就近位置农机，并确定行驶路线等相关信息。大数据在农机调度系统的应用是基于因特网实现数据的传输，其主要目的在于资源共享、互操作和互联，但也容易导致网络不安全和网络不可信，出现用户信息泄漏等状况，威胁农户安全。提高计算机的智能化和免疫性是提高网络安全的有效措施。目前，我国传统的安全策略技术发展较为成熟，已将其应用于构建可信网络，自动判断行为的合法性。但是，该技术还未在农机调度系统进行应用，因此笔者将基于大数据技术对农机调度系统的网络安全优化进行研究。

1农机调度系统设计

1．1总体结构设计

所设计的农机调度系统基于C/S架构建设，主要包括3部分，分别是车载端信息采集系统、监控信息管理系统和客户端监控系统，如图1所示。

1．2车载端信息采集系统

车载端信息采集系统是安装在农机上的，集成了GPS定位模块、传感器模块、GPRS通信模块和报警模块等终端设备，可实现农机注册、农机数据采集、报警和作业排班的功能。1)农机注册:当系统搭建完成后，首先将农机的车牌号和型号在系统内进行注册，而后调度系统才可对该农机进行监控、调度、信息管理等一系列操作。2)农机数据采集:主要是对农机的地理位置、作业状态等进行采集。其中，GPS定位模块用于确定地理位置、移动距离等信息;传感器模块可根据采集的信息种类进行安装，包括时钟用于确定工作时间和工作中止时间、速度传感器用于确定行驶速度、罗盘用于确定行驶方向;同时，还可综合以上信息，确定单位时间工作量。数据采集完成后，通过GPRS通信模块完成数据的传输。该系统的网络需要满足TCP/IP协议，且定义数据传输时定义Http协议。为了保证网络的安全性，采用基于角色的访问控制技术(BRAC)对农机调度系统进行控制，防止非法用于进入系统进行使用和信息篡改［3］。该访问技术引入角色作为媒介，通过给用户分配适当的角色进行授权管理，这种方式具有可操作性强和管理性强的优点。基于角色的访问控制技术(BRAC)的控制方式如图2所示，由此产生的可信网络流程如图3所示。3)农机报警和作业排班:在车载端还设置了农机报警功能，当农机作业出现故障或突发情况时可自动报警，或者当驾驶员发现农机运行故障时可人工进行报警，并由维修人员尽快的入场维修，保证生产的正常进行。作业排班是通过中心控制模块对数据库的数据进行综合分析，根据农场的位置和作业量筛选农机，求出农机调度的最优解决方案，并将作业排班发送至机手和农场主。

1．3监控端信息管理系统

监控端信息管理系统是整个农机调度系统的核心控制单元，包括中心控制模块、农机信息管理模块、生成调度模块和机手信息模块。其中，中心控制模块根据采集到的有关农机调度数据，包括待作业农田面积、农场预计作业时间、农机作业效率、农机转移成本等信息，并调用数据库相关信息［4－5］，通过设定算法自动计算最优路径，并分别将相关数据传递至各功能模块。

1．4客户端监控系统

客户端监控系统主要用于对农机的作业状态、位置等进行远程监控，同时根据需要进行农机路径回放，发现异常时进行报警以及管理人员信息统计和变量要素收集等。客户端还可用于发布调度信息，传达调度指令，达到对农机的实时调度。农机调度系统各模块可实现功能如图4所示。

2农机调度网络安全评价算法设计

农机调度系统的网络规模较大，涉及到数据传输网络、电子地图和大数据等，网络安全问题尤为重要。虽然已经采取举措提高网络安全性，但需要对网络安全进行评价，以确保网络安全的有效性。为此，本文将采用人工神经网络模型对网络安全进行评价［6－7］。

2．1态势权重分析模型设计

神经网络算法是在神经网络的每个层次设置权重系数，利用一定数量的学习样本，按照制定的学习规则进行网络学习，从而保证神经网络学习的准确性。在神经网络的基础上，将信号流采用反向传播的方式即为BP神经网络。因此，该态势权重分析算法共包含两部分:一是权重信息的正向传播;二是误差信号流反向传递。最终确定该态势权重分析的流程如图5所示。在该神经网络中，隐含层个数大于1，若隐含层单元的个数较多，则可通过调整激励函数和集成函数，使态势权重函数达到任意要求的精度。假设神经网络从某时刻计时后第m时刻的输入为整数，则定义S=1;若网络输出为态势值，则定义T3=1。同时，规定网络每层神经元权值分别为M1、M2、M3，阀值分别为a1、a2、a3，每层神经元的个数为Ni(i=1、2、3)，i为层数。此时，神经网络变换函数为由此确定神经网络下的态势权重分析结构，如图6所示。神经网络的输入值为x，第1层网络态势神经元的输出为b1i(i=1，2，…，T1)，第2层网络态势神经元的输出为b2i(i=1，2，…，T2)，第3层网络态势神经元的输出为b3i(i=1，2，…，T3);第1层和第2层的神经元输出值分别作为第2层和第3层神经元的输出值。以上3层神经网络数学模型可以确定为b1=f1(lM1，1p+b1)，b2=f2(lM2，1b1+a2)，b3=f3(lM3，2b2+a3)

2．2网络安全态势预测模型设计

通过获取网络环境的元素，对网络安全机型感知是最基础的;在网络安全感知的基础上，还需要整合相关数据并对其分析，预测网络安全的发展趋势［7］。为此，将采用模糊推理技术对网络安全态势模型进行预测［8］，简称神经网络驱动模糊推理技术。该网络数据满足以下要求，即其中，s为规则总数量;Am为满足要求网络前提的模糊集合;NNm为由BP神经网络确定的函数结构。该模型训练过程如下:1)首先将数据分为训练数据和校验数据。2)定义向量ri=(r1i，r2i，．．．，rsi)T，rmi=1，rki=0，m≠k。3)将训练数据(xi，ri)，i=1、2、…、Nt输入网络进行训练。4)训练完成后，将校验数据xi1，xi2…，xir，i=1，2，…，Nc输入NNm模型，按照下式计算模型误差，即将数据值采用模糊语言描述，即可预测网络的安全性。通过上述模型，可以完成对网络安全的预测。

3试验结果

为了验证该农机调度系统的性能，需要对其进行试验研究。笔者主要针对农机调度系统进行了设计，针对其网络安全进行改进;另一方面，对农机网络安全评价态势算法进行了设计。因此，本文主要进行农机调度系统网络安全评价试验和农机调度试验。

3．1农机调度系统网络安全评价试验

为了验证农机调度系统的网络安全性，首先根据经验对网络安全的各项指标进行测评，包括物理安全、安全制度、安全技术和网络通信。其测评结果量化值范围为［0，1］，最终确定量化的安全级别范围如采用人工神经网络模型对大量的网络数据进行处理，并对其安全等级进行了测试，最终确定本农机调度系统的安全级别评价结果如表2所示。

3．2农机调度试验

打开该农机调度系统，与5台农机连接，人工输入农机相关运行状态及农机使用需求和农田相关信息，系统界面显示信息如表3所示。经过试验验证，该农机能够在5s内快速定位可使用农机位置，并在3s内完成路线规划，系统在测试过程中运行正常，试验结果无误，可高效完成农机调度任务。4结论1)针对农机调度系统网络不安全和不可信的问题，基于大数据技术针对农机调度系统的网络安全优化进行了研究。农机调度系统基于C/S架构建设，主要包括车载端信息采集系统、监控信息管理系统和客户端监控系统。2)为了提高农机调度系统的网络安全性，除了对网络进行设计外，还采用人工神经网络模型对网络安全进行评价，并对网络安全态势预测模型进行了设计，以预测网络安全的发展趋势。3)为了验证该农机调度系统的性能和网络安全性，对其进行农机调度系统网络安全评价试验和农机调度试验，结果表明:农机调度系统网络较为安全，可高效完成农机调度任务。

作者:曹斌 单位:三门峡社会管理职业学院