证据理论和神经网络的上网行为预警模型

来源:用户上传      作者:

　　摘  要： 传统预警模型对上网行为进行预警时，存在预警性能差与预警精度较低的问题，基于此提出基于证据理论和神经网络的上网行为预警模型。根据证据理论的定义计算出分配理论框架的矩阵，对用户的上网行为进行分配。根据神经网络的结构特点，计算出隐层的节点输出，最终得出上网行为预警模型，并给出模型建立的整体流程图。实验结果表明，所提方法可以高效率、高精度地完成用户上网行为的预警，最高效率可达到95.5%，具有一定的实际应用性。
　　关键词： 构建预警模型; 上网行为; 证据理论; 神经网络; 参数设置; 实验验证
　　中图分类号： TN711.22?34; TP393               文献标识码： A                      文章编号： 1004?373X（2020）02?0017?03
　　Early?warning model of online behavior based on evidence theory and neural network
　　LIANG Yong1， MU Zhaonan1， ZHANG Jun1， LIU Wei2
　　Abstract： As the traditional early?warning model has the poor early?warning performance and low early?warning precision when early?warning the online behaviors with it， an early?warning model of online behavior based on evidence theory and neural network is proposed. The matrix of allocation theory framework is calculated according to the definition of the evidence theory， to allocate the users′ online behavior. The node output of the hidden layer is calculated according to the structure characteristics of the neural network， so as to ultimately obtain the early?warning model of the online behavior and provide the overall flow of the model establishment. The experimental results show that the proposed method can high?efficiency and high?precision complete the early?warning of users′ online behavior， and the maximum efficiency can reach 95.5%， which has a certain practical application.
　　Keywords： construct early?warning model; online behavior; evidence theory; neural network; parameter setting; experimental verification
　　0  引  言
　　贝叶斯概率作为证据理论的基础，证据理论的分析准确率较高，可将难以进行确定的信息，进行准确的推理计算。在20世纪60年代末期，国外的研究人员Dempster进行信息概率的计算时，首先提出了多值映射思想，后来的研究人员在这个基础上加以改进，形成了现在的证据理论，证据理论中的证据融合规则可以将有冲突或一致的数据进行分配，使经过处理后的数据更加可靠[1?2]。
　　上网行为预警作为互联网发展的衍生产物，对于用户进行互联网访问中具有重要作用，国内众多学者进行过相关研究，并取得了一些研究成果。例如，文献[3]提出了一种基于熵权法的网络预警模糊模型，该模型采用熵权法构建预警的周期与预警权重，从而划分预警等级。该方法可以完成相应的预警工作，但是存在过程复杂的问题。文献[4]提出一种基于实时线性模型的预警方法，该方法采用实时线性模型对指标进行缺失值和异常值的处理，在筛选出影响因子后进行加权处理，并确定最佳定量公式最终完成预警工作。但是该方法的预警精度略低。
　　为了解决上述方法中存在的问题，本文提出了基于证据理论和神经网络的上网行为预警模型，根据证据理论的定义建立分配框架矩阵，计算出神经网络结构中隐层的节点输出，根据获得结果建立预警模型，最终完成对上网行为的预警。
　　1  预警模型的构建
　　1.1  基于的证据理论的上网行为分配
　　证据理论具有较强的信息分配能力，并且可以完成不同信息组合的分类，对不同的上网行为信息进行统一的融合，实现统一的管理。由于上网行为具有一定的复杂性[5?6]，通过证据理论可完成复杂的上网行为的分配，使预警模型的精度得到提高。证据理论的定义为：
　　假設上网行为分配的框架为[θ]，[2θ]为框架的幂数构成的集合，[?H?θ]，其中的集函数[a]：[2θ→[0，1]]，并且符合： 　　[H?θa（H）=1，且a（β）=0]       （1）
　　式中：[a]表示上网行为分配框架的基本分配概率;[a（H）]数值大小反映了证据对分配框架中的命题[H]的分配程度。
　　通过矩阵转置对式（1）进行处理，得到矩阵：
　　[A=bi1×bj1，bi1×bj2，…，bi1×bjnbi2×bj1，bi2×bj2，…，bi2×bjn    ?              ?                   ?bin×bj1，bin×bj2，…，bin×bjn]     （2）
　　在式（2）得到的矩阵[A]中，对角线上的元素为样本分配的影响因子，而非对角线上的元素为非影响因子。通过式（2）可完成上网行为的分配。
　　1.2  基于神经网络的预警模型构建
　　神经网络广泛适用于互联网应用的分析计算，凭借自身的结构特点，可以完成样本权值的调整，以保证建立的模型具有较高的准确性。在上网行为预警模型中应用神经网络可以大量减少建模所需要的数据，具有明显的优势[7?9]。
　　在神经网络的构成中，主要的构成为：输入层、隐含层、输出层，如图1所示。将样本值输入到输入层，并传递到隐含层，通过隐含层对样本进行处理获得结果，最后由输出层将结果进行输出。
　　设首层为输出层，隐含层中的任意一层为第[e]层，[T]代表输出层，在第[e]层中有[q]个神经元，输出层中的首层将样本传递至隐含层[e]中的第[l]个神经元的权值为[w（e）=（l=1，2，…，q）]，隐含层的输出为[S（e）]，该输出的期望值为[v1]，则改隐含层的结果输出为：
　　[S（e）=lw（e）xi-yi]          （3）
　　式中，[xi]与[yi]分别表示输出权重系数与误差系数。依据强分类函数[10][sgn（x）]，根据节点输出得出上网行为的预警模型为：
　　[U（x）=sgnS（e）·a（H）]       （4）
　　通过公式（4）得出的预警模型，可完成对上网行为的预警。
　　上网行为的预警模型的整体设计流程如图2所示。
　　2  实验分析
　　为了验证所设计模型的应用性能，设计以预警精度与消耗性能为指标的对比实验，将本文方法与文献[3]、文献[4]方法进行对比，全方面验证所提模型在上网行为预警方面的性能。
　　2.1  实验参数
　　为了使实验结果更加准确，更具有说服性，使实验内容更加完善，在下列实验参数设置下进行对比实验，实验所需的全部相关参数设置如表1所示。
　　2.2  吞吐量性能对比
　　为了验证所提模型在数据传递方面的性能，进行数据传输吞吐量的对比。三种方法在进行预警时的吞吐量如图3所示。
　　从图3可以看出，所提模型在上网行为预警数据传输中的吞吐量均高于文献[3]、文献[4]方法。由于本文模型采用证据理论结合神经网络的方法来完成，确保预警模型的吞吐量达到较高水平，提高了上网行为预测模型的整体传输性能。
　　2.3  预警精度
　　为了进一步验证所提模型在上网行为预警方面的性能，进行预警精度的对比。预警精度的计算公式为：
　　[K=QQ+R×100%]         （5）
　　式中：[Q]为准确预警;[R]为错误预警。
　　预警精度作为上网行为预警的重要指标，可对所建立的模型进行准确的评估。三种方法的预警精度对比如图4所示。
　　从图4可以看出，所提方法的预警精度明显高于文献[3]、文献[4]方法。在任务数量达到100时，提出的上网行为预警模型的预警精度为95.5%，文献[3]、文献[4]方法的预警精度分别为78.4%与72.9%。通过上述分析，可以充分证明所提模型具有较高的预警准确性。
　　3  结  论
　　为了提高上网行为预测模型的预警精度与能量消耗性能，提出一种基于证据理论与神经网络的上网行为预测模型。根据证据理论的定义建立上网行为的分配矩阵，计算神经网络隐含层的输出，根据强分类函数，得出上网预警模型。实验结果证明，所建立的模型可以完成上网行为的精准预警，且能耗消耗较少，具有较高的实际应用性。
　　参考文献
　　[1] 韩晓阳，朱莉欣.建立关键基础设施网络安全风险等级预警模型初探[J].飞航导弹，2017，22（8）：52?55.
　　[2] 杜利敏，徐扬.基于证据理论的不平衡数据半监督分类方法[J].计算机应用研究，2018，11（2）：342?345.
　　[3] 武慧娟，张海涛，王尽晖，等.基于熵权法的网络舆情预警模糊综合评价模型研究[J].情报科学，2018，36（7）：60?63.
　　[4] 饶浩，文海宁.采用实时线性模型的微博话题预警分析[J].图书情报工作，2017，13（15）：130?137.
　　[5] 陆中伟，张云宁，王洁雨.基于ANP和可拓理论的输变电工程造价风险预警模型研究[J].武汉理工大学学报（信息与管理工程版），2018，40（1）：125?128.
　　[6] 熊建英.基于可信反馈的微博用户情绪异常预警模型研究[J].情报科学，2017，31（4）：51?56.
　　[7] 郑茂然，余江，陈宏山，等.基于大数据的输电线路故障预警模型设计[J].南方电网技术，2017，11（4）：30?37.
　　[8] 钱立军，赵明宇，张卫国.一种电动汽车充电安全预警模型设计方法[J].电网与清洁能源，2016，32（12）：114?119.
　　[9] 王高飞，李明.基于AHP?模糊综合分析的移动社交网络舆情预警模型研究[J].现代情报，2017，37（1）：42?45.
　　[10] 杨洋，张淑国，尉冰娟，等.基于泄漏电流的绝缘子污秽状态预警方法的研究[J].高压电器，2016，17（11）：130?136.
　　作者简介：梁  勇（1983—），男，贵州遵义人，硕士，副教授，研究方向为校园信息化、计算机技术应用。
转载注明来源:https://www.xzbu.com/8/view-15122203.htm