摘要：隨著無(wú)線網(wǎng)絡(luò)的普及，其安全風(fēng)險(xiǎn)日益凸顯。為了有效評(píng)估和控制這些風(fēng)險(xiǎn)，本文提出了一種基于卷積神經(jīng)網(wǎng)絡(luò)的無(wú)線網(wǎng)絡(luò)安全風(fēng)險(xiǎn)評(píng)估和控制方法。首先，介紹了卷積神經(jīng)網(wǎng)絡(luò)的基本原理及其在網(wǎng)絡(luò)安全領(lǐng)域的應(yīng)用。然后，利用卷積神經(jīng)網(wǎng)絡(luò)構(gòu)建無(wú)線網(wǎng)絡(luò)安全風(fēng)險(xiǎn)評(píng)估模型，并結(jié)合遺傳算法優(yōu)化無(wú)線網(wǎng)絡(luò)控制策略，實(shí)現(xiàn)無(wú)線網(wǎng)絡(luò)穩(wěn)定控制優(yōu)化。仿真實(shí)驗(yàn)表明，該方法能夠有效評(píng)估無(wú)線網(wǎng)絡(luò)安全風(fēng)險(xiǎn)，并提高無(wú)線網(wǎng)絡(luò)的穩(wěn)定性。

關(guān)鍵詞：卷積神經(jīng)網(wǎng)絡(luò)；無(wú)線網(wǎng)絡(luò)；安全風(fēng)險(xiǎn)評(píng)估；控制方法；遺傳算法

一、引言

隨著無(wú)線網(wǎng)絡(luò)技術(shù)的不斷發(fā)展，無(wú)線網(wǎng)絡(luò)設(shè)備逐漸向智能化、微小型化、高集成化方向發(fā)展。與此同時(shí)，無(wú)線網(wǎng)絡(luò)在安全方面也面臨著一系列的挑戰(zhàn)，這些挑戰(zhàn)主要表現(xiàn)在：無(wú)線網(wǎng)絡(luò)中惡意程序不斷增加，節(jié)點(diǎn)的連接被破壞；無(wú)線網(wǎng)絡(luò)設(shè)備中存在后門，容易被黑客攻擊；無(wú)線網(wǎng)絡(luò)中的數(shù)據(jù)被竊取，導(dǎo)致網(wǎng)絡(luò)服務(wù)中斷；無(wú)線網(wǎng)絡(luò)設(shè)備的安全性也有待進(jìn)一步提高。因此，為了保障無(wú)線網(wǎng)絡(luò)安全，需要對(duì)其進(jìn)行風(fēng)險(xiǎn)評(píng)估和控制。目前，在風(fēng)險(xiǎn)評(píng)估和控制領(lǐng)域使用較多的方法是基于人工神經(jīng)網(wǎng)絡(luò)（ANN）和機(jī)器學(xué)習(xí)的方法，但這些方法僅能對(duì)已知的風(fēng)險(xiǎn)進(jìn)行評(píng)估。本文旨在利用卷積神經(jīng)網(wǎng)絡(luò)（CNN）對(duì)無(wú)線網(wǎng)絡(luò)安全風(fēng)險(xiǎn)進(jìn)行評(píng)估，并采用遺傳算法優(yōu)化無(wú)線網(wǎng)絡(luò)控制策略，提高無(wú)線網(wǎng)絡(luò)的穩(wěn)定性。

二、 卷積神經(jīng)網(wǎng)絡(luò)理論基礎(chǔ)

卷積神經(jīng)網(wǎng)絡(luò)是一種深度學(xué)習(xí)模型，特別適合處理具有網(wǎng)格結(jié)構(gòu)的數(shù)據(jù)，如圖像、語(yǔ)音和時(shí)間序列等。其基本原理是通過(guò)共享權(quán)重的卷積層和池化層逐層提取特征，并通過(guò)全連接層進(jìn)行分類或回歸等任務(wù)。在網(wǎng)絡(luò)安全領(lǐng)域，卷積神經(jīng)網(wǎng)絡(luò)可用于檢測(cè)和防御各種網(wǎng)絡(luò)攻擊。卷積神經(jīng)網(wǎng)絡(luò)的全連接層是實(shí)現(xiàn)分類和回歸等任務(wù)的基本單元。在實(shí)際應(yīng)用中，卷積神經(jīng)網(wǎng)絡(luò)的全連接層往往采用一種特殊的激活函數(shù)，如ReLU、Regularize、Sigmoid等，以使輸入數(shù)據(jù)具有更好的可解釋性。

三、 無(wú)線網(wǎng)絡(luò)安全風(fēng)險(xiǎn)評(píng)估及控制方法

（一）卷積神經(jīng)網(wǎng)絡(luò)模型的無(wú)線網(wǎng)絡(luò)安全風(fēng)險(xiǎn)評(píng)估

基于卷積神經(jīng)網(wǎng)絡(luò)的無(wú)線網(wǎng)絡(luò)安全風(fēng)險(xiǎn)評(píng)估方法主要包括數(shù)據(jù)預(yù)處理、特征提取、模型訓(xùn)練和評(píng)估等步驟。

首先，對(duì)無(wú)線網(wǎng)絡(luò)中的流量數(shù)據(jù)進(jìn)行預(yù)處理，提取出與安全風(fēng)險(xiǎn)相關(guān)的特征。在無(wú)線網(wǎng)絡(luò)流量數(shù)據(jù)中提取出的特征主要包括時(shí)間、頻率、流量大小和業(yè)務(wù)類型等。這是因?yàn)?，無(wú)線網(wǎng)絡(luò)流量數(shù)據(jù)是由大量的數(shù)據(jù)包組成的，其中包含了大量的信息，如傳輸時(shí)間、傳輸速率等。

其次，利用卷積神經(jīng)網(wǎng)絡(luò)對(duì)這些特征進(jìn)行訓(xùn)練和分類，以識(shí)別出異常流量和潛在的安全威脅。由于無(wú)線網(wǎng)絡(luò)流量數(shù)據(jù)中的特征和安全威脅具有多樣性，因此，需要使用一種有針對(duì)性的方法來(lái)訓(xùn)練卷積神經(jīng)網(wǎng)絡(luò)，以便它可以快速識(shí)別和分類潛在的安全威脅。此外，還可以利用卷積神經(jīng)網(wǎng)絡(luò)對(duì)無(wú)線網(wǎng)絡(luò)流量數(shù)據(jù)進(jìn)行異常檢測(cè)。

最后，通過(guò)交叉驗(yàn)證等技術(shù)對(duì)模型進(jìn)行評(píng)估，以確定其準(zhǔn)確性和可靠性。本文通過(guò)使用卷積神經(jīng)網(wǎng)絡(luò)來(lái)訓(xùn)練無(wú)線網(wǎng)絡(luò)流量數(shù)據(jù)特征提取模型，并利用該模型進(jìn)行無(wú)線網(wǎng)絡(luò)流量數(shù)據(jù)異常檢測(cè)，從而實(shí)現(xiàn)對(duì)無(wú)線網(wǎng)絡(luò)安全風(fēng)險(xiǎn)的準(zhǔn)確評(píng)估。

（二）遺傳算法與PPIIDD無(wú)線網(wǎng)絡(luò)穩(wěn)定控制優(yōu)化方法

遺傳算法與無(wú)線網(wǎng)絡(luò)控制策略的結(jié)合，為無(wú)線網(wǎng)絡(luò)的優(yōu)化提供了新的可能。卷積神經(jīng)網(wǎng)絡(luò)的輸出結(jié)果為遺傳算法提供了豐富的信息依據(jù)，使得PPIIDD控制參數(shù)的優(yōu)化變得更加精細(xì)和智能。在此基礎(chǔ)上，首先需要建立一個(gè)無(wú)線網(wǎng)絡(luò)不安全狀態(tài)分析模型，這個(gè)模型將有助于更好地理解無(wú)線網(wǎng)絡(luò)的運(yùn)行狀態(tài)，從而為后續(xù)的優(yōu)化提供理論支持。遺傳算法在優(yōu)化PPIIDD控制過(guò)程的過(guò)程中，采用了生物進(jìn)化原理，模擬自然選擇、交叉和變異等機(jī)制，使得控制過(guò)程更加智能化、自適應(yīng)化。通過(guò)不斷迭代優(yōu)化，遺傳算法能夠找到最優(yōu)的PPIIDD控制參數(shù)，從而提高無(wú)線網(wǎng)絡(luò)的穩(wěn)定性。

為了驗(yàn)證這一方法的有效性和優(yōu)越性，本文進(jìn)行了大量的仿真實(shí)驗(yàn)。實(shí)驗(yàn)結(jié)果表明，在無(wú)線網(wǎng)絡(luò)不安全狀態(tài)分析模型中引入遺傳算法優(yōu)化PPIIDD控制參數(shù)，能夠有效提高無(wú)線網(wǎng)絡(luò)的穩(wěn)定性。尤其是當(dāng)PPIIDD參數(shù)設(shè)置不合理時(shí)，該方法可以顯著提高網(wǎng)絡(luò)的穩(wěn)定性，降低系統(tǒng)發(fā)生安全事故的風(fēng)險(xiǎn)。

通過(guò)進(jìn)一步分析發(fā)現(xiàn)，遺傳算法優(yōu)化PPIIDD控制參數(shù)的優(yōu)勢(shì)在于，它不僅能夠適應(yīng)無(wú)線網(wǎng)絡(luò)的動(dòng)態(tài)變化，還能夠自適應(yīng)地調(diào)整控制策略，從而使得無(wú)線網(wǎng)絡(luò)始終保持在穩(wěn)定狀態(tài)。這種方法具有很強(qiáng)的適應(yīng)性和魯棒性，為無(wú)線網(wǎng)絡(luò)的穩(wěn)定運(yùn)行提供了有力保障。

四、 仿真實(shí)驗(yàn)

（一）數(shù)據(jù)來(lái)源

在當(dāng)前的網(wǎng)絡(luò)環(huán)境中，無(wú)線網(wǎng)絡(luò)安全風(fēng)險(xiǎn)的評(píng)估與預(yù)測(cè)顯得尤為重要。為了提高無(wú)線網(wǎng)絡(luò)安全風(fēng)險(xiǎn)評(píng)估的準(zhǔn)確性，本文提出了一種基于數(shù)據(jù)驅(qū)動(dòng)的方法。首先，本文從眾多的風(fēng)險(xiǎn)數(shù)據(jù)中隨機(jī)抽取一部分作為樣本數(shù)據(jù)和測(cè)試數(shù)據(jù)，以驗(yàn)證本文所提方法的有效性。這些風(fēng)險(xiǎn)數(shù)據(jù)主要包括四種類型：拒絕服務(wù)類風(fēng)險(xiǎn)（DOS）、遠(yuǎn)程用戶未授權(quán)訪問(wèn)風(fēng)險(xiǎn)（U2R）、未授權(quán)應(yīng)用本地超級(jí)權(quán)限訪問(wèn)風(fēng)險(xiǎn)（R2L）和掃描風(fēng)險(xiǎn)（Probe）。為了更好地理解這些風(fēng)險(xiǎn)數(shù)據(jù)，本文將其分為訓(xùn)練樣本和測(cè)試樣本，如圖1所示。

在本研究中，提出了一種基于神經(jīng)網(wǎng)絡(luò)的方法，并將其與兩種常用的神經(jīng)網(wǎng)絡(luò)方法進(jìn)行對(duì)比測(cè)試，以驗(yàn)證其在無(wú)線網(wǎng)絡(luò)安全風(fēng)險(xiǎn)評(píng)估中的優(yōu)越性。

首先，需要明確訓(xùn)練樣本和測(cè)試樣本在本次研究中的作用。訓(xùn)練樣本主要用于訓(xùn)練模型，讓模型學(xué)會(huì)如何對(duì)無(wú)線網(wǎng)絡(luò)安全風(fēng)險(xiǎn)進(jìn)行評(píng)估。而測(cè)試樣本則用于評(píng)估模型的性能，以檢驗(yàn)訓(xùn)練效果是否達(dá)到預(yù)期。在對(duì)比測(cè)試階段，本文選擇了兩種常用的神經(jīng)網(wǎng)絡(luò)算法，分別是BP（Back Propagation）神經(jīng)網(wǎng)絡(luò)和RBF（Radial Basis Function）神經(jīng)網(wǎng)絡(luò)。這兩種神經(jīng)網(wǎng)絡(luò)方法在許多領(lǐng)域中表現(xiàn)出良好的性能，因此是本次對(duì)比測(cè)試的理想

選擇。在對(duì)比測(cè)試過(guò)程中，本文設(shè)定了兩個(gè)主要的評(píng)估指標(biāo)：正確率和誤報(bào)率。正確率是指模型預(yù)測(cè)正確的樣本占總樣本數(shù)的比例，它能反映出模型在學(xué)習(xí)過(guò)程中的準(zhǔn)確性。而誤報(bào)率則是指模型將正常樣本誤判為風(fēng)險(xiǎn)樣本的比例，它能反映出模型在實(shí)際應(yīng)用中的可靠性。經(jīng)過(guò)對(duì)比測(cè)試發(fā)現(xiàn)，基于本文方法構(gòu)建的神經(jīng)網(wǎng)絡(luò)在正確率和誤報(bào)率方面均表現(xiàn)出較好的性能。與BP神經(jīng)網(wǎng)絡(luò)和RBF神經(jīng)網(wǎng)絡(luò)相比，本文所提方法在正確率方面具有更高的準(zhǔn)確性和穩(wěn)定性，能夠在無(wú)線網(wǎng)絡(luò)安全風(fēng)險(xiǎn)評(píng)估中實(shí)現(xiàn)更準(zhǔn)確的預(yù)測(cè)。同時(shí)，本方法也具有較低的誤差，能夠有效降低將正常樣本誤判為風(fēng)險(xiǎn)樣本的概率。

（二）無(wú)線網(wǎng)絡(luò)安全風(fēng)險(xiǎn)評(píng)估的正確率與誤報(bào)率

為了全面比較基于卷積神經(jīng)網(wǎng)絡(luò)的無(wú)線網(wǎng)絡(luò)安全風(fēng)險(xiǎn)評(píng)估方法在無(wú)線網(wǎng)絡(luò)安全風(fēng)險(xiǎn)評(píng)估領(lǐng)域的性能，本實(shí)驗(yàn)分別使用基于 BP神經(jīng)網(wǎng)絡(luò)、支持向量機(jī)和卷積神經(jīng)網(wǎng)絡(luò)的方法，對(duì)無(wú)線網(wǎng)絡(luò)安全風(fēng)險(xiǎn)進(jìn)行評(píng)估。在實(shí)驗(yàn)中，采用了準(zhǔn)確率、召回率和F1分?jǐn)?shù)等指標(biāo)來(lái)評(píng)估無(wú)線網(wǎng)絡(luò)安全風(fēng)險(xiǎn)評(píng)估模型的性能。實(shí)驗(yàn)結(jié)果表明，基于卷積神經(jīng)網(wǎng)絡(luò)的無(wú)線網(wǎng)絡(luò)安全風(fēng)險(xiǎn)評(píng)估模型具有較高的準(zhǔn)確率和召回率，能夠有效識(shí)別異常流量和潛在的安全威脅。同時(shí)，通過(guò)調(diào)整模型參數(shù)和控制策略優(yōu)化等方法，可以進(jìn)一步降低誤報(bào)率和漏報(bào)率。在網(wǎng)絡(luò)安全風(fēng)險(xiǎn)評(píng)估領(lǐng)域，本文提出的方法與對(duì)比方法在正確率與誤報(bào)率方面的測(cè)試結(jié)果如圖2、圖3所示。

經(jīng)過(guò)全面的比較，本文所提出的無(wú)線網(wǎng)絡(luò)安全風(fēng)險(xiǎn)評(píng)估方法在評(píng)估準(zhǔn)確性和可靠性方面表現(xiàn)出色。在眾多評(píng)估方法中，本文的方法在評(píng)估無(wú)線網(wǎng)絡(luò)安全風(fēng)險(xiǎn)時(shí)，正確率最高，誤報(bào)率最低。這一成果彰顯了本文方法在無(wú)線網(wǎng)絡(luò)安全風(fēng)險(xiǎn)評(píng)估領(lǐng)域的優(yōu)勢(shì)。相較于其他方法，本文方法在評(píng)估無(wú)線網(wǎng)絡(luò)安全風(fēng)險(xiǎn)時(shí)具有明顯的優(yōu)勢(shì)。通過(guò)大量實(shí)驗(yàn)驗(yàn)證，本文方法在降低誤報(bào)率的同時(shí)，還能確保評(píng)估結(jié)果的正確性，這使得本文方法在無(wú)線網(wǎng)絡(luò)安全風(fēng)險(xiǎn)評(píng)估領(lǐng)域具有較高的可信度。

（三）無(wú)線網(wǎng)絡(luò)評(píng)估和控制的實(shí)時(shí)性分析

在實(shí)時(shí)性方面，本文測(cè)試了無(wú)線網(wǎng)絡(luò)安全風(fēng)險(xiǎn)評(píng)估和控制系統(tǒng)的處理速度和響應(yīng)時(shí)間。實(shí)驗(yàn)結(jié)果表明，該系統(tǒng)具有較好的實(shí)時(shí)性能，能夠快速地對(duì)無(wú)線網(wǎng)絡(luò)流量進(jìn)行安全風(fēng)險(xiǎn)評(píng)估和控制操作。這對(duì)于及時(shí)發(fā)現(xiàn)和防御網(wǎng)絡(luò)攻擊、提高無(wú)線網(wǎng)絡(luò)的安全性和穩(wěn)定性具有重要意義。為驗(yàn)證系統(tǒng)的實(shí)時(shí)性，本文采用 MATLAB語(yǔ)言，編寫了“基于卷積神經(jīng)網(wǎng)絡(luò)的無(wú)線網(wǎng)絡(luò)安全風(fēng)險(xiǎn)評(píng)估和控制系統(tǒng)”的程序，并在實(shí)驗(yàn)中對(duì)其進(jìn)行測(cè)試。仿真實(shí)驗(yàn)結(jié)果表明，在不同的時(shí)間段內(nèi)，該系統(tǒng)的處理速度和響應(yīng)時(shí)間都是比較理想的，總體上沒(méi)有明顯的延遲。而在系統(tǒng)運(yùn)行過(guò)程中，有較高比例的錯(cuò)誤率出現(xiàn)。這是因?yàn)樵撓到y(tǒng)無(wú)法準(zhǔn)確地對(duì)無(wú)線網(wǎng)絡(luò)流量進(jìn)行安全風(fēng)險(xiǎn)評(píng)估和控制操作，存在較大的誤報(bào)。對(duì)此，本文通過(guò)改變卷積神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)，對(duì)數(shù)據(jù)進(jìn)行深度融合處理，提高了系統(tǒng)的實(shí)時(shí)性能，能夠及時(shí)準(zhǔn)確地發(fā)現(xiàn)和防御網(wǎng)絡(luò)攻擊。

并且在不同時(shí)間段內(nèi)，該系統(tǒng)的平均錯(cuò)誤率呈現(xiàn)出逐漸下降的趨勢(shì)。這是因?yàn)樵谙到y(tǒng)運(yùn)行過(guò)程中，經(jīng)過(guò)數(shù)據(jù)預(yù)處理和卷積神經(jīng)網(wǎng)絡(luò)訓(xùn)練后，可以對(duì)數(shù)據(jù)進(jìn)行深度融合處理，同時(shí)通過(guò)訓(xùn)練樣本的增加降低了誤報(bào)率。

（四）無(wú)線網(wǎng)絡(luò)控制效果分析

在實(shí)驗(yàn)中，本文對(duì)無(wú)線網(wǎng)絡(luò)的安全風(fēng)險(xiǎn)評(píng)估值和控制效果進(jìn)行了分析。為了驗(yàn)證該方法的實(shí)際控制效果，用實(shí)驗(yàn)數(shù)據(jù)來(lái)說(shuō)明，其中n為無(wú)線網(wǎng)絡(luò)節(jié)點(diǎn)的數(shù)目，m為無(wú)線網(wǎng)絡(luò)節(jié)點(diǎn)的個(gè)數(shù)?；谶z傳算法優(yōu)化的PPIIDD無(wú)線網(wǎng)絡(luò)穩(wěn)定控制方法的平均丟包率比基于PPIIDD無(wú)線網(wǎng)絡(luò)穩(wěn)定控制方法低，并且比傳統(tǒng)方法高。這表明基于遺傳算法優(yōu)化的PPIIDD無(wú)線網(wǎng)絡(luò)穩(wěn)定控制方法的控制效果更好。期間也可以發(fā)現(xiàn)，隨著無(wú)線信號(hào)接收功率的增大，隨著網(wǎng)絡(luò)節(jié)點(diǎn)數(shù)目的增多和半徑的增大，信號(hào)傳輸速率降低，無(wú)線信號(hào)覆蓋范圍減小。為了驗(yàn)證無(wú)線網(wǎng)絡(luò)控制效果，本文采用了無(wú)線信號(hào)覆蓋范圍、傳輸速率和丟包率等指標(biāo)來(lái)衡量控制效果的好壞。實(shí)驗(yàn)結(jié)果表明，基于遺傳算法優(yōu)化的PPIIDD無(wú)線網(wǎng)絡(luò)穩(wěn)定控制方法能夠顯著提高無(wú)線網(wǎng)絡(luò)的覆蓋范圍和傳輸速率，降低丟包率。這表明該方法能夠有效地提高無(wú)線網(wǎng)絡(luò)的穩(wěn)定性和可靠性。實(shí)驗(yàn)結(jié)果表明，當(dāng)無(wú)線網(wǎng)絡(luò)安全風(fēng)險(xiǎn)評(píng)估值較低時(shí)，該方法能夠準(zhǔn)確地評(píng)估出網(wǎng)絡(luò)安全風(fēng)險(xiǎn)的大小和高低，并能夠通過(guò)調(diào)節(jié)功率來(lái)控制網(wǎng)絡(luò)的安全風(fēng)險(xiǎn)；當(dāng)無(wú)線網(wǎng)絡(luò)安全風(fēng)險(xiǎn)評(píng)估值較高時(shí)，該方法能夠通過(guò)調(diào)節(jié)功率來(lái)控制網(wǎng)絡(luò)的安全風(fēng)險(xiǎn)，并能夠通過(guò)調(diào)節(jié)功率來(lái)控制網(wǎng)絡(luò)的安全風(fēng)險(xiǎn)。

五、結(jié)束語(yǔ)

綜上所述，本文提出了一種基于卷積神經(jīng)網(wǎng)絡(luò)的無(wú)線網(wǎng)絡(luò)安全風(fēng)險(xiǎn)評(píng)估和控制方法，首先對(duì)無(wú)線網(wǎng)絡(luò)中的流量數(shù)據(jù)進(jìn)行預(yù)處理和特征提取，利用卷積神經(jīng)網(wǎng)絡(luò)進(jìn)行訓(xùn)練和分類，從而識(shí)別出異常流量和潛在的安全威脅。同時(shí)，結(jié)合遺傳算法優(yōu)化無(wú)線網(wǎng)絡(luò)控制策略，實(shí)現(xiàn)PPIIDD無(wú)線網(wǎng)絡(luò)穩(wěn)定控制優(yōu)化。通過(guò)仿真實(shí)驗(yàn)證明了該方法在無(wú)線網(wǎng)絡(luò)安全風(fēng)險(xiǎn)評(píng)估、控制效果和實(shí)時(shí)性等方面具有較高的性能。與傳統(tǒng)方法相比，本文提出的方法在識(shí)別異常流量和潛在安全威脅方面具有更高的準(zhǔn)確率和召回率，同時(shí)能夠提高無(wú)線網(wǎng)絡(luò)的覆蓋范圍、傳輸速率和降低丟包率。

作者單位：張生成 酒泉職業(yè)技術(shù)學(xué)院

參考文獻(xiàn)

[1]張新淼.基于深度學(xué)習(xí)的網(wǎng)絡(luò)安全態(tài)勢(shì)感知策略研究——以天津師范大學(xué)網(wǎng)絡(luò)運(yùn)維分析為例[J].網(wǎng)絡(luò)安全技術(shù)與應(yīng)用，2023，（08）： 33-35.

[2]徐昌前，王東，蘇峰，等.基于圖像數(shù)據(jù)耦合識(shí)別的輸電線路安全風(fēng)險(xiǎn)評(píng)估方法[J].計(jì)算機(jī)科學(xué)，2023，50（S1）：803-808.

[3]周杰，周潤(rùn)云，郭棟.基于CNN-PSO的電力供應(yīng)鏈安全風(fēng)險(xiǎn)預(yù)警系統(tǒng)[J].自動(dòng)化與儀器儀表，2022，（12）：190-195.

[4]顏蔚.基于卷積神經(jīng)網(wǎng)絡(luò)的無(wú)線網(wǎng)絡(luò)安全風(fēng)險(xiǎn)評(píng)估及控制[J].沈陽(yáng)工業(yè)大學(xué)學(xué)報(bào)，2022，44（05）：565-569.

[5]秦華禮，祝藝露.基于RF-1D-CNN的城市地下綜合管廊施工安全風(fēng)險(xiǎn)評(píng)估[J].安全與環(huán)境學(xué)報(bào)，2023，23（07）：2184-2190.

[6]孫浩，陳進(jìn)，雷琳，等.深度卷積神經(jīng)網(wǎng)絡(luò)圖像識(shí)別模型對(duì)抗魯棒性技術(shù)綜述[J].雷達(dá)學(xué)報(bào)，2021，10（04）：571-594.