梁勇 穆肇南 張俊 劉偉

摘 ?要： 傳統(tǒng)預(yù)警模型對(duì)上網(wǎng)行為進(jìn)行預(yù)警時(shí)，存在預(yù)警性能差與預(yù)警精度較低的問(wèn)題，基于此提出基于證據(jù)理論和神經(jīng)網(wǎng)絡(luò)的上網(wǎng)行為預(yù)警模型。根據(jù)證據(jù)理論的定義計(jì)算出分配理論框架的矩陣，對(duì)用戶的上網(wǎng)行為進(jìn)行分配。根據(jù)神經(jīng)網(wǎng)絡(luò)的結(jié)構(gòu)特點(diǎn)，計(jì)算出隱層的節(jié)點(diǎn)輸出，最終得出上網(wǎng)行為預(yù)警模型，并給出模型建立的整體流程圖。實(shí)驗(yàn)結(jié)果表明，所提方法可以高效率、高精度地完成用戶上網(wǎng)行為的預(yù)警，最高效率可達(dá)到95.5%，具有一定的實(shí)際應(yīng)用性。

關(guān)鍵詞： 構(gòu)建預(yù)警模型; 上網(wǎng)行為; 證據(jù)理論; 神經(jīng)網(wǎng)絡(luò); 參數(shù)設(shè)置; 實(shí)驗(yàn)驗(yàn)證

中圖分類號(hào)： TN711.22?34; TP393 ? ? ? ? ? ? ? 文獻(xiàn)標(biāo)識(shí)碼： A ? ? ? ? ? ? ? ? ? ? ?文章編號(hào)： 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

貝葉斯概率作為證據(jù)理論的基礎(chǔ)，證據(jù)理論的分析準(zhǔn)確率較高，可將難以進(jìn)行確定的信息，進(jìn)行準(zhǔn)確的推理計(jì)算。在20世紀(jì)60年代末期，國(guó)外的研究人員Dempster進(jìn)行信息概率的計(jì)算時(shí)，首先提出了多值映射思想，后來(lái)的研究人員在這個(gè)基礎(chǔ)上加以改進(jìn)，形成了現(xiàn)在的證據(jù)理論，證據(jù)理論中的證據(jù)融合規(guī)則可以將有沖突或一致的數(shù)據(jù)進(jìn)行分配，使經(jīng)過(guò)處理后的數(shù)據(jù)更加可靠[1?2]。

上網(wǎng)行為預(yù)警作為互聯(lián)網(wǎng)發(fā)展的衍生產(chǎn)物，對(duì)于用戶進(jìn)行互聯(lián)網(wǎng)訪問(wèn)中具有重要作用，國(guó)內(nèi)眾多學(xué)者進(jìn)行過(guò)相關(guān)研究，并取得了一些研究成果。例如，文獻(xiàn)[3]提出了一種基于熵權(quán)法的網(wǎng)絡(luò)預(yù)警模糊模型，該模型采用熵權(quán)法構(gòu)建預(yù)警的周期與預(yù)警權(quán)重，從而劃分預(yù)警等級(jí)。該方法可以完成相應(yīng)的預(yù)警工作，但是存在過(guò)程復(fù)雜的問(wèn)題。文獻(xiàn)[4]提出一種基于實(shí)時(shí)線性模型的預(yù)警方法，該方法采用實(shí)時(shí)線性模型對(duì)指標(biāo)進(jìn)行缺失值和異常值的處理，在篩選出影響因子后進(jìn)行加權(quán)處理，并確定最佳定量公式最終完成預(yù)警工作。但是該方法的預(yù)警精度略低。

為了解決上述方法中存在的問(wèn)題，本文提出了基于證據(jù)理論和神經(jīng)網(wǎng)絡(luò)的上網(wǎng)行為預(yù)警模型，根據(jù)證據(jù)理論的定義建立分配框架矩陣，計(jì)算出神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)中隱層的節(jié)點(diǎn)輸出，根據(jù)獲得結(jié)果建立預(yù)警模型，最終完成對(duì)上網(wǎng)行為的預(yù)警。

1 ?預(yù)警模型的構(gòu)建

1.1 ?基于的證據(jù)理論的上網(wǎng)行為分配

證據(jù)理論具有較強(qiáng)的信息分配能力，并且可以完成不同信息組合的分類，對(duì)不同的上網(wǎng)行為信息進(jìn)行統(tǒng)一的融合，實(shí)現(xiàn)統(tǒng)一的管理。由于上網(wǎng)行為具有一定的復(fù)雜性[5?6]，通過(guò)證據(jù)理論可完成復(fù)雜的上網(wǎng)行為的分配，使預(yù)警模型的精度得到提高。證據(jù)理論的定義為：

假設(shè)上網(wǎng)行為分配的框架為[θ]，[2θ]為框架的冪數(shù)構(gòu)成的集合，[?H?θ]，其中的集函數(shù)[a]：[2θ→[0，1]]，并且符合：

[H?θa（H）=1，且a（β）=0] ? ? ? （1）

式中：[a]表示上網(wǎng)行為分配框架的基本分配概率;[a（H）]數(shù)值大小反映了證據(jù)對(duì)分配框架中的命題[H]的分配程度。

通過(guò)矩陣轉(zhuǎn)置對(duì)式（1）進(jìn)行處理，得到矩陣：

[A=bi1×bj1，bi1×bj2，…，bi1×bjnbi2×bj1，bi2×bj2，…，bi2×bjn ? ?? ? ? ? ? ? ? ?? ? ? ? ? ? ? ? ? ? ?bin×bj1，bin×bj2，…，bin×bjn] ? ? （2）

在式（2）得到的矩陣[A]中，對(duì)角線上的元素為樣本分配的影響因子，而非對(duì)角線上的元素為非影響因子。通過(guò)式（2）可完成上網(wǎng)行為的分配。

1.2 ?基于神經(jīng)網(wǎng)絡(luò)的預(yù)警模型構(gòu)建

神經(jīng)網(wǎng)絡(luò)廣泛適用于互聯(lián)網(wǎng)應(yīng)用的分析計(jì)算，憑借自身的結(jié)構(gòu)特點(diǎn)，可以完成樣本權(quán)值的調(diào)整，以保證建立的模型具有較高的準(zhǔn)確性。在上網(wǎng)行為預(yù)警模型中應(yīng)用神經(jīng)網(wǎng)絡(luò)可以大量減少建模所需要的數(shù)據(jù)，具有明顯的優(yōu)勢(shì)[7?9]。

在神經(jīng)網(wǎng)絡(luò)的構(gòu)成中，主要的構(gòu)成為：輸入層、隱含層、輸出層，如圖1所示。將樣本值輸入到輸入層，并傳遞到隱含層，通過(guò)隱含層對(duì)樣本進(jìn)行處理獲得結(jié)果，最后由輸出層將結(jié)果進(jìn)行輸出。

設(shè)首層為輸出層，隱含層中的任意一層為第[e]層，[T]代表輸出層，在第[e]層中有[q]個(gè)神經(jīng)元，輸出層中的首層將樣本傳遞至隱含層[e]中的第[l]個(gè)神經(jīng)元的權(quán)值為[w（e）=（l=1，2，…，q）]，隱含層的輸出為[S（e）]，該輸出的期望值為[v1]，則改隱含層的結(jié)果輸出為：

[S（e）=lw（e）xi-yi] ? ? ? ? ?（3）

式中，[xi]與[yi]分別表示輸出權(quán)重系數(shù)與誤差系數(shù)。依據(jù)強(qiáng)分類函數(shù)[10][sgn（x）]，根據(jù)節(jié)點(diǎn)輸出得出上網(wǎng)行為的預(yù)警模型為：

[U（x）=sgnS（e）·a（H）] ? ? ? （4）

通過(guò)公式（4）得出的預(yù)警模型，可完成對(duì)上網(wǎng)行為的預(yù)警。

上網(wǎng)行為的預(yù)警模型的整體設(shè)計(jì)流程如圖2所示。

2 ?實(shí)驗(yàn)分析

為了驗(yàn)證所設(shè)計(jì)模型的應(yīng)用性能，設(shè)計(jì)以預(yù)警精度與消耗性能為指標(biāo)的對(duì)比實(shí)驗(yàn)，將本文方法與文獻(xiàn)[3]、文獻(xiàn)[4]方法進(jìn)行對(duì)比，全方面驗(yàn)證所提模型在上網(wǎng)行為預(yù)警方面的性能。

2.1 ?實(shí)驗(yàn)參數(shù)

為了使實(shí)驗(yàn)結(jié)果更加準(zhǔn)確，更具有說(shuō)服性，使實(shí)驗(yàn)內(nèi)容更加完善，在下列實(shí)驗(yàn)參數(shù)設(shè)置下進(jìn)行對(duì)比實(shí)驗(yàn)，實(shí)驗(yàn)所需的全部相關(guān)參數(shù)設(shè)置如表1所示。

2.2 ?吞吐量性能對(duì)比

為了驗(yàn)證所提模型在數(shù)據(jù)傳遞方面的性能，進(jìn)行數(shù)據(jù)傳輸吞吐量的對(duì)比。三種方法在進(jìn)行預(yù)警時(shí)的吞吐量如圖3所示。

從圖3可以看出，所提模型在上網(wǎng)行為預(yù)警數(shù)據(jù)傳輸中的吞吐量均高于文獻(xiàn)[3]、文獻(xiàn)[4]方法。由于本文模型采用證據(jù)理論結(jié)合神經(jīng)網(wǎng)絡(luò)的方法來(lái)完成，確保預(yù)警模型的吞吐量達(dá)到較高水平，提高了上網(wǎng)行為預(yù)測(cè)模型的整體傳輸性能。

2.3 ?預(yù)警精度

為了進(jìn)一步驗(yàn)證所提模型在上網(wǎng)行為預(yù)警方面的性能，進(jìn)行預(yù)警精度的對(duì)比。預(yù)警精度的計(jì)算公式為：

[K=QQ+R×100%] ? ? ? ? （5）

式中：[Q]為準(zhǔn)確預(yù)警;[R]為錯(cuò)誤預(yù)警。

預(yù)警精度作為上網(wǎng)行為預(yù)警的重要指標(biāo)，可對(duì)所建立的模型進(jìn)行準(zhǔn)確的評(píng)估。三種方法的預(yù)警精度對(duì)比如圖4所示。

從圖4可以看出，所提方法的預(yù)警精度明顯高于文獻(xiàn)[3]、文獻(xiàn)[4]方法。在任務(wù)數(shù)量達(dá)到100時(shí)，提出的上網(wǎng)行為預(yù)警模型的預(yù)警精度為95.5%，文獻(xiàn)[3]、文獻(xiàn)[4]方法的預(yù)警精度分別為78.4%與72.9%。通過(guò)上述分析，可以充分證明所提模型具有較高的預(yù)警準(zhǔn)確性。

3 ?結(jié) ?論

為了提高上網(wǎng)行為預(yù)測(cè)模型的預(yù)警精度與能量消耗性能，提出一種基于證據(jù)理論與神經(jīng)網(wǎng)絡(luò)的上網(wǎng)行為預(yù)測(cè)模型。根據(jù)證據(jù)理論的定義建立上網(wǎng)行為的分配矩陣，計(jì)算神經(jīng)網(wǎng)絡(luò)隱含層的輸出，根據(jù)強(qiáng)分類函數(shù)，得出上網(wǎng)預(yù)警模型。實(shí)驗(yàn)結(jié)果證明，所建立的模型可以完成上網(wǎng)行為的精準(zhǔn)預(yù)警，且能耗消耗較少，具有較高的實(shí)際應(yīng)用性。

參考文獻(xiàn)

[1] 韓曉陽(yáng)，朱莉欣.建立關(guān)鍵基礎(chǔ)設(shè)施網(wǎng)絡(luò)安全風(fēng)險(xiǎn)等級(jí)預(yù)警模型初探[J].飛航導(dǎo)彈，2017，22（8）：52?55.

[2] 杜利敏，徐揚(yáng).基于證據(jù)理論的不平衡數(shù)據(jù)半監(jiān)督分類方法[J].計(jì)算機(jī)應(yīng)用研究，2018，11（2）：342?345.

[3] 武慧娟，張海濤，王盡暉，等.基于熵權(quán)法的網(wǎng)絡(luò)輿情預(yù)警模糊綜合評(píng)價(jià)模型研究[J].情報(bào)科學(xué)，2018，36（7）：60?63.

[4] 饒浩，文海寧.采用實(shí)時(shí)線性模型的微博話題預(yù)警分析[J].圖書情報(bào)工作，2017，13（15）：130?137.

[5] 陸中偉，張?jiān)茖?，王潔?基于ANP和可拓理論的輸變電工程造價(jià)風(fēng)險(xiǎn)預(yù)警模型研究[J].武漢理工大學(xué)學(xué)報(bào)（信息與管理工程版），2018，40（1）：125?128.

[6] 熊建英.基于可信反饋的微博用戶情緒異常預(yù)警模型研究[J].情報(bào)科學(xué)，2017，31（4）：51?56.

[7] 鄭茂然，余江，陳宏山，等.基于大數(shù)據(jù)的輸電線路故障預(yù)警模型設(shè)計(jì)[J].南方電網(wǎng)技術(shù)，2017，11（4）：30?37.

[8] 錢立軍，趙明宇，張衛(wèi)國(guó).一種電動(dòng)汽車充電安全預(yù)警模型設(shè)計(jì)方法[J].電網(wǎng)與清潔能源，2016，32（12）：114?119.

[9] 王高飛，李明.基于AHP?模糊綜合分析的移動(dòng)社交網(wǎng)絡(luò)輿情預(yù)警模型研究[J].現(xiàn)代情報(bào)，2017，37（1）：42?45.

[10] 楊洋，張淑國(guó)，尉冰娟，等.基于泄漏電流的絕緣子污穢狀態(tài)預(yù)警方法的研究[J].高壓電器，2016，17（11）：130?136.

作者簡(jiǎn)介：梁 ?勇（1983—），男，貴州遵義人，碩士，副教授，研究方向?yàn)樾@信息化、計(jì)算機(jī)技術(shù)應(yīng)用。