商 婧，王佳寧，劉 旭，李 琪，王 健

（1.北京交通大學(xué) 計(jì)算機(jī)與信息技術(shù)學(xué)院，北京 100044；2.北京經(jīng)緯信息技術(shù)有限公司，北京 100081）

隨著鐵路的高速發(fā)展，鐵路行業(yè)已經(jīng)進(jìn)入了大數(shù)據(jù)時(shí)代[1]；逐步成熟的大數(shù)據(jù)技術(shù)能夠?yàn)殍F路運(yùn)輸組織的各個(gè)環(huán)節(jié)予以高效指導(dǎo)[2-3]。鐵路網(wǎng)絡(luò)業(yè)務(wù)場(chǎng)景眾多，數(shù)據(jù)資產(chǎn)規(guī)模龐大、類型繁雜、價(jià)值密度高，因此對(duì)關(guān)鍵信息基礎(chǔ)設(shè)施、重要數(shù)據(jù)、個(gè)人信息、數(shù)據(jù)跨境流動(dòng)等方面有較高的安全保護(hù)需求。研究并形成鐵路網(wǎng)絡(luò)數(shù)據(jù)風(fēng)險(xiǎn)等級(jí)分類方法，對(duì)落實(shí)鐵路網(wǎng)絡(luò)數(shù)據(jù)安全管理要求，確保鐵路網(wǎng)絡(luò)數(shù)據(jù)安全風(fēng)險(xiǎn)可控、在控具有重大意義。

目前，已有眾多學(xué)者對(duì)風(fēng)險(xiǎn)等級(jí)分類技術(shù)進(jìn)行了研究。駱公志等人[4]提出一種基于粗糙集理論的網(wǎng)絡(luò)信息安全風(fēng)險(xiǎn)等級(jí)分類技術(shù)，通過(guò)成對(duì)比較矩陣賦予每個(gè)信息系統(tǒng)對(duì)應(yīng)權(quán)重，生成加權(quán)多粒度粗糙集，并在模型容錯(cuò)性等方面進(jìn)行了詳細(xì)分析，但由于該方法需要拓展粗糙集模型并獲取信息系統(tǒng)各類規(guī)則，實(shí)施過(guò)程較為復(fù)雜；陳瑋等人[5]使用卷積神經(jīng)網(wǎng)絡(luò)和雙向長(zhǎng)短期記憶模型對(duì)企業(yè)新聞數(shù)據(jù)進(jìn)行風(fēng)險(xiǎn)劃分，但該方法需要對(duì)大量訓(xùn)練語(yǔ)料進(jìn)行人工信息標(biāo)注，且構(gòu)建雙向長(zhǎng)短期記憶模型所花費(fèi)的時(shí)間過(guò)多，實(shí)用性較差。

除上述方法外，也可使用聚類算法進(jìn)行風(fēng)險(xiǎn)等級(jí)分類。李暢等人[6]基于模糊譜聚類技術(shù)，依據(jù)真實(shí)駕駛數(shù)據(jù)，建立了在線駕駛風(fēng)險(xiǎn)等級(jí)分類算法，但由于譜聚類技術(shù)對(duì)每簇?cái)?shù)據(jù)量有一定的要求，故在數(shù)據(jù)量較大時(shí)使用受限；丁慧等人[7]使用改進(jìn)的密度聚類算法進(jìn)行風(fēng)險(xiǎn)等級(jí)判定，通過(guò)查詢每個(gè)節(jié)點(diǎn)的歐氏平均距離鄰域，分別計(jì)算每個(gè)節(jié)點(diǎn)密度和所有節(jié)點(diǎn)平均密度，得到每個(gè)節(jié)點(diǎn)的方差，并采用基于等深度分塊法進(jìn)行數(shù)據(jù)分割，從而在每個(gè)數(shù)據(jù)分區(qū)運(yùn)行密度聚類算法，得到聚類結(jié)果。然而，該方法在對(duì)數(shù)據(jù)進(jìn)行標(biāo)準(zhǔn)化處理后，使用單一距離度量方法進(jìn)行聚類，沒(méi)有考慮數(shù)據(jù)屬性的復(fù)雜性對(duì)聚類結(jié)果帶來(lái)的影響，對(duì)實(shí)際應(yīng)用場(chǎng)景的適應(yīng)性較差。

綜上所述，現(xiàn)有的風(fēng)險(xiǎn)等級(jí)分類技術(shù)多數(shù)需要獲取復(fù)雜規(guī)則或大規(guī)模信息標(biāo)注，一些使用聚類方法的技術(shù)也沒(méi)有考慮到數(shù)據(jù)屬性的復(fù)雜性，且沒(méi)有進(jìn)行結(jié)果的有效性評(píng)估，進(jìn)而導(dǎo)致無(wú)法得到最優(yōu)的分類結(jié)果。

為克服現(xiàn)有風(fēng)險(xiǎn)等級(jí)分類方法的局限性，同時(shí)對(duì)鐵路網(wǎng)絡(luò)數(shù)據(jù)進(jìn)行更加有效的風(fēng)險(xiǎn)等級(jí)分類，本文提出了基于高斯混合模型（GMM，Gaussian Mixture Model）聚類的鐵路網(wǎng)絡(luò)數(shù)據(jù)風(fēng)險(xiǎn)等級(jí)分類方法。該方法考慮數(shù)據(jù)的無(wú)序和有序?qū)傩裕诨旌暇嚯x計(jì)算進(jìn)行GMM 聚類，最終能夠?qū)⑤斎氲臄?shù)據(jù)根據(jù)其等級(jí)和生命周期階段進(jìn)行更加準(zhǔn)確、有效的風(fēng)險(xiǎn)等級(jí)分類。本文算法以鐵路數(shù)據(jù)分類分級(jí)結(jié)果為基礎(chǔ)，識(shí)別數(shù)據(jù)在全生命周期內(nèi)的潛在風(fēng)險(xiǎn)，研究并確定鐵路網(wǎng)絡(luò)數(shù)據(jù)風(fēng)險(xiǎn)等級(jí)分類，為制定差異化的數(shù)據(jù)安全保護(hù)措施提供支撐，對(duì)進(jìn)一步落實(shí)鐵路網(wǎng)絡(luò)數(shù)據(jù)安全管理要求具有重大意義。

1 相關(guān)技術(shù)介紹

1.1 K-means 聚類

K-means 聚類算法是一種迭代求解的聚類分析算法，算法步驟如下。

（1）確定簇?cái)?shù)和最大迭代次數(shù)，初始化類簇。

（2）初始化聚類中心。從數(shù)據(jù)樣本中，隨機(jī)選取k個(gè)數(shù)據(jù)樣本點(diǎn)作為聚類中心。

（3）將數(shù)據(jù)樣本分配到與其歐式距離最近的類中。

（4）迭代聚類中心。計(jì)算每個(gè)簇中所有數(shù)據(jù)樣本點(diǎn)的均值，作為新的聚類中心。

（5）如果聚類中心不再偏移或偏移很小，或者達(dá)到最大迭代次數(shù)N，則停止迭代，輸出聚類結(jié)果，否則重復(fù)步驟（3）和（4）。

1.2 距離度量

考慮到鐵路網(wǎng)絡(luò)數(shù)據(jù)屬性較為復(fù)雜等特點(diǎn)，本文對(duì)有序?qū)傩院蜔o(wú)序?qū)傩允褂枚喾N距離計(jì)算方式進(jìn)行度量。

1.2.1 VDM 距離

VDM（Value Difference Metric）主要用于對(duì)不存在序關(guān)系的離散無(wú)序數(shù)據(jù)屬性進(jìn)行距離度量。令mu,a表示在屬性u(píng)上取值為a的樣本數(shù)，mu,a,i表示在第i個(gè)樣本簇中在屬性u(píng)上取值為a的樣本數(shù)，k為樣本簇個(gè)數(shù)，則屬性u(píng)上兩個(gè)離散值a和b之間的VDM 距離為

1.2.2 MindkovDM 混合距離

對(duì)于有序?qū)傩院蜔o(wú)序?qū)傩酝瑫r(shí)存在的混合距離計(jì)算，本文采用MindkovDM 距離計(jì)算方法，將歐式距離和VDM 距離結(jié)合，假定共有n個(gè)屬性，其中，nc個(gè)無(wú)序?qū)傩?，n-nc個(gè)有序?qū)傩裕瑒tMinkovDM 距離為

1.3 GMM 聚類

根據(jù)鐵路網(wǎng)絡(luò)數(shù)據(jù)規(guī)模大、數(shù)據(jù)類型多樣等特點(diǎn)，本文使用GMM 聚類技術(shù)。對(duì)于大規(guī)模數(shù)據(jù)，GMM 聚類算法相較其他聚類算法更加有效，且時(shí)間復(fù)雜度更低[8]，聚類結(jié)果也更加穩(wěn)定。與K-means 聚類方法不同，這種聚類方法依概率劃分各個(gè)樣本簇，而不會(huì)將數(shù)據(jù)確定地分為某一個(gè)簇。該方法采用的訓(xùn)練模型是幾個(gè)高斯模型的加權(quán)和，之后將樣本數(shù)據(jù)分別在若干個(gè)高斯模型上進(jìn)行投影，分別得到這些樣本數(shù)據(jù)點(diǎn)被劃分在各個(gè)類簇上的概率，最后選取概率最大的簇作為數(shù)據(jù)點(diǎn)最終劃分結(jié)果[9]。

2 鐵路網(wǎng)絡(luò)數(shù)據(jù)風(fēng)險(xiǎn)分類算法

鐵路網(wǎng)絡(luò)數(shù)據(jù)風(fēng)險(xiǎn)分類步驟為：（1）數(shù)據(jù)預(yù)處理，從風(fēng)險(xiǎn)和數(shù)據(jù)角度提取關(guān)鍵信息，構(gòu)建風(fēng)險(xiǎn)信息數(shù)據(jù)集；（2）利用數(shù)據(jù)的有序?qū)傩赃M(jìn)行K-means聚類，獲得初始聚類中心；（3）通過(guò)計(jì)算混合距離調(diào)整聚類中心；（4）基于上述聚類中心，進(jìn)行多輪迭代，完成GMM 聚類，并對(duì)每輪聚類結(jié)果進(jìn)行評(píng)估；（5）將評(píng)估表現(xiàn)最好的聚類結(jié)果作為最終類簇劃分，并確定每類風(fēng)險(xiǎn)評(píng)分，最終根據(jù)評(píng)分確定風(fēng)險(xiǎn)等級(jí)，完成數(shù)據(jù)風(fēng)險(xiǎn)等級(jí)分類，如圖1所示。

圖1 鐵路網(wǎng)絡(luò)數(shù)據(jù)風(fēng)險(xiǎn)分類算法流程

2.1 數(shù)據(jù)預(yù)處理

對(duì)鐵路網(wǎng)絡(luò)數(shù)據(jù)進(jìn)行預(yù)處理，根據(jù)鐵路網(wǎng)絡(luò)數(shù)據(jù)風(fēng)險(xiǎn)評(píng)估指標(biāo)，從風(fēng)險(xiǎn)和數(shù)據(jù)角度提取關(guān)鍵信息。從數(shù)據(jù)角度，以鐵路網(wǎng)絡(luò)數(shù)據(jù)分類分級(jí)要求作為基礎(chǔ)依據(jù)，提取不同級(jí)別數(shù)據(jù)的關(guān)鍵信息，包括數(shù)據(jù)等級(jí)、數(shù)據(jù)在全生命周期中所處不同階段，形成數(shù)據(jù)信息；從風(fēng)險(xiǎn)角度，對(duì)現(xiàn)有數(shù)據(jù)風(fēng)險(xiǎn)進(jìn)行分析，獲取數(shù)據(jù)生命周期不同階段面臨的風(fēng)險(xiǎn)類型、風(fēng)險(xiǎn)影響程度，形成統(tǒng)一的風(fēng)險(xiǎn)信息。將以上2 方面信息構(gòu)成數(shù)據(jù)風(fēng)險(xiǎn)信息并存入風(fēng)險(xiǎn)信息數(shù)據(jù)庫(kù)，數(shù)據(jù)自身屬性與風(fēng)險(xiǎn)屬性聯(lián)合作為輔助數(shù)據(jù)風(fēng)險(xiǎn)等級(jí)分類的屬性。上述過(guò)程獲取的數(shù)據(jù)屬性被分為2 類，即有序?qū)傩院蜔o(wú)序?qū)傩?。有序?qū)傩裕耗苤苯釉趯傩灾瞪嫌?jì)算距離的屬性，如{1，2，3}。無(wú)序?qū)傩裕翰荒苤苯釉趯傩灾瞪嫌?jì)算距離的屬性，如{小狗，小貓，老鼠}。

2.2 通過(guò)K-means 聚類獲得初始聚類中心

在對(duì)數(shù)據(jù)進(jìn)行預(yù)處理后，使用數(shù)據(jù)中的有序?qū)傩赃M(jìn)行K-means 聚類操作得到初始的聚類中心和聚類結(jié)果，為每個(gè)數(shù)據(jù)樣本分配初始標(biāo)簽，方便后續(xù)利用混合屬性對(duì)聚類中心進(jìn)行調(diào)整。

2.3 通過(guò)計(jì)算混合距離調(diào)整聚類中心

利用歐式距離計(jì)算方法對(duì)有序?qū)傩蚤g的距離進(jìn)行計(jì)算，利用VDM 距離計(jì)算方法和步驟（2）中得到的數(shù)據(jù)標(biāo)簽對(duì)無(wú)序?qū)傩蚤g的距離進(jìn)行計(jì)算。隨后使用MindkovDM 混合距離計(jì)算方法聚合計(jì)算得出混合距離，實(shí)施基于混合距離的K-means 再聚類，得到每個(gè)類簇的簇中心。

2.4 GMM 聚類與評(píng)估

將步驟（3）中得到的聚類中心作為GMM 聚類算法的初始中心，使用最大似然函數(shù)確定每個(gè)數(shù)據(jù)樣本屬于哪個(gè)高斯分布；使用最大期望（EM，Expectation Maximization）算 法 求 解GMM 參 數(shù)[10]，更新所有高斯分布的均值和方差；計(jì)算模型的似然函數(shù)，使用似然函數(shù)判斷模型參數(shù)是否已經(jīng)收斂；迭代更新模型參數(shù)，直至收斂，即完成一次聚類過(guò)程。設(shè)置多個(gè)輪次進(jìn)行上述聚類過(guò)程，計(jì)算聚類結(jié)果的緊密性（CP）與分離性（SP），其中，CP 表示每一個(gè)類中各數(shù)據(jù)點(diǎn)到聚類中心的平均距離，CP 值越低表明類內(nèi)數(shù)據(jù)點(diǎn)間距離越近；SP 表示各聚類中心兩兩之間距離之和的平均值，SP 值越高表明類間距離越遠(yuǎn)。該步驟將CP 值與SP 值的比值作為每次聚類的評(píng)價(jià)指標(biāo)，規(guī)定輪次的聚類結(jié)束后，將比值最小的聚類結(jié)果作為最終的聚類劃分（即風(fēng)險(xiǎn)劃分）結(jié)果。

2.5 計(jì)算風(fēng)險(xiǎn)評(píng)分確定風(fēng)險(xiǎn)等級(jí)

假設(shè)每個(gè)樣本面臨m個(gè)數(shù)據(jù)風(fēng)險(xiǎn)，則每個(gè)樣本的風(fēng)險(xiǎn)分?jǐn)?shù)計(jì)算公式為

其中， α 用來(lái)平衡數(shù)據(jù)等級(jí)與數(shù)據(jù)風(fēng)險(xiǎn)影響程度對(duì)最終風(fēng)險(xiǎn)值的影響占比，由于數(shù)據(jù)等級(jí)的高低也是影響數(shù)據(jù)潛在風(fēng)險(xiǎn)危害程度的重要因素，故通常0.5 ≤α ＜1；數(shù)據(jù)風(fēng)險(xiǎn)影響程度值由輸入的數(shù)據(jù)風(fēng)險(xiǎn)表提供。

利用風(fēng)險(xiǎn)等級(jí)計(jì)算公式，根據(jù)每一類簇中的數(shù)據(jù)樣本的有序?qū)傩缘膶傩灾涤?jì)算評(píng)分，得到最終的風(fēng)險(xiǎn)等級(jí)分類。假設(shè)某一類簇中有m個(gè)樣本，則這一類的風(fēng)險(xiǎn)總分計(jì)算公式為

對(duì)于每一個(gè)類簇，計(jì)算出的風(fēng)險(xiǎn)分?jǐn)?shù)越高，表示該類包含的數(shù)據(jù)潛在的風(fēng)險(xiǎn)越大，風(fēng)險(xiǎn)等級(jí)越高。

3 實(shí)驗(yàn)與分析

對(duì)提出的數(shù)據(jù)風(fēng)險(xiǎn)等級(jí)分類方法進(jìn)行實(shí)驗(yàn)評(píng)估：收集鐵路網(wǎng)絡(luò)數(shù)據(jù)作為實(shí)驗(yàn)數(shù)據(jù)集，將本文提出的GMM 聚類算法和傳統(tǒng)K-means 聚類、譜聚類算法進(jìn)行結(jié)果的直觀對(duì)比與分析；通過(guò)比較上述算法在輪廓系數(shù)[11]、CH（Calinski-Harabasz）分?jǐn)?shù)、戴維森堡丁指數(shù)（DBI）[12]等評(píng)價(jià)指標(biāo)上的表現(xiàn)，進(jìn)一步評(píng)估聚類效果。

3.1 數(shù)據(jù)集

本文收集鐵路網(wǎng)絡(luò)數(shù)據(jù)，并對(duì)其進(jìn)行預(yù)處理，根據(jù)鐵路網(wǎng)絡(luò)數(shù)據(jù)風(fēng)險(xiǎn)評(píng)估指標(biāo)從風(fēng)險(xiǎn)和數(shù)據(jù)角度提取關(guān)鍵信息。

從數(shù)據(jù)角度，提取數(shù)據(jù)等級(jí)、數(shù)據(jù)在全生命周期中所處不同階段，形成數(shù)據(jù)信息，按照數(shù)據(jù)的重要程度將數(shù)據(jù)劃分為一般數(shù)據(jù)、重要數(shù)據(jù)和核心數(shù)據(jù)，此外，將一般數(shù)據(jù)劃分為4 級(jí)，由S1～S4 表示。數(shù)據(jù)等級(jí)由低到高表示為0～5。如表1 所示。

表1 數(shù)據(jù)等級(jí)

從風(fēng)險(xiǎn)角度，獲取數(shù)據(jù)生命周期不同階段面臨的風(fēng)險(xiǎn)類型及風(fēng)險(xiǎn)影響程度，分別如表2、表3 所示。

表2 數(shù)據(jù)生命周期及相應(yīng)風(fēng)險(xiǎn)類型

表3 風(fēng)險(xiǎn)影響程度

將從以上2 方面提取的信息聯(lián)合作為輔助數(shù)據(jù)風(fēng)險(xiǎn)等級(jí)分類的屬性，構(gòu)建數(shù)據(jù)集。

3.2 評(píng)價(jià)指標(biāo)

3.2.1 輪廓系數(shù)

對(duì)于單個(gè)樣本，設(shè)a是與它同類別中其他樣本的平均距離，b是與它距離最近的不同類別中樣本的平均距離，則其輪廓系數(shù)為

一個(gè)樣本簇的輪廓系數(shù)取值范圍為[-1，1]，輪廓系數(shù)越高，聚類效果越好。

3.2.2 CH 分?jǐn)?shù)

CH 分?jǐn)?shù)通過(guò)計(jì)算類中各點(diǎn)與類中心的距離平方和來(lái)度量類內(nèi)的緊密度，通過(guò)計(jì)算各類中心點(diǎn)與數(shù)據(jù)集中心點(diǎn)距離平方和來(lái)度量數(shù)據(jù)集的分離度，CH指標(biāo)由分離度與緊密度的比值得到。取值范圍為[0，+∞），CH 分?jǐn)?shù)越大，聚類效果越好。

3.2.3 DBI 指數(shù)

DBI 指數(shù)又稱為分類適確性指標(biāo)，取值范圍為[0,+∞），該指數(shù)越小，聚類效果越好，計(jì)算公式為

其中，Si為第i類樣本到其類中心的平均歐氏距離；為第i和第j類的類中心歐氏距離。

3.3 實(shí)驗(yàn)結(jié)果分析

3.3.1 GMM 聚類結(jié)果及分析

通過(guò)GMM 聚類算法將數(shù)據(jù)集劃分為5 類，根據(jù)每類的風(fēng)險(xiǎn)分值進(jìn)行風(fēng)險(xiǎn)等級(jí)劃分，分?jǐn)?shù)越高，風(fēng)險(xiǎn)越大。風(fēng)險(xiǎn)等級(jí)由低到高分為I 級(jí)、II 級(jí)、III 級(jí)、IV 級(jí)、V 級(jí)。為獲得最好的聚類結(jié)果，設(shè)置多個(gè)迭代次數(shù)進(jìn)行GMM 聚類，將CP和SP的比值作為評(píng)價(jià)指標(biāo)，對(duì)每次聚類結(jié)果進(jìn)行評(píng)估，確保聚類結(jié)果可靠，多輪聚類結(jié)束后，將比值最小的聚類結(jié)果作為最終的聚類劃分結(jié)果。聚類結(jié)果如圖2 所示。

圖2 GMM 聚類結(jié)果及風(fēng)險(xiǎn)分類情況

3.3.2 K-means 聚類結(jié)果及分析

只考慮有序?qū)傩缘腒-means 聚類算法及考慮混合屬性的K-means 聚類算法所得的聚類結(jié)果分別如圖3、圖4 所示。根據(jù)實(shí)驗(yàn)結(jié)果，可以得出無(wú)論是否考慮數(shù)據(jù)的混合屬性，傳統(tǒng)K-means 聚類結(jié)果對(duì)類簇的劃分界限均不清晰，各個(gè)類簇之間的重疊情況較為嚴(yán)重。

圖3 只考慮有序?qū)傩缘腒-means 聚類結(jié)果

圖4 考慮混合屬性的K-means 聚類結(jié)果

3.3.3 譜聚類結(jié)果及分析

采用譜聚類算法所得聚類結(jié)果如圖5 所示，該方法無(wú)法產(chǎn)生正確的聚類劃分結(jié)果，聚類中心偏移嚴(yán)重，聚類數(shù)據(jù)點(diǎn)劃分類別不明確。

圖5 譜聚類結(jié)果

綜上，通過(guò)聚類結(jié)果的直觀對(duì)比，本文所提方法比傳統(tǒng)K-means 聚類方法及譜聚類方法更有效，產(chǎn)生的風(fēng)險(xiǎn)劃分結(jié)果更加明確清晰。

3.3.4 各聚類算法評(píng)估指標(biāo)對(duì)比

除通過(guò)聚類結(jié)果直接進(jìn)行上述對(duì)比，本文還使用輪廓系數(shù)、CH 分?jǐn)?shù)、DBI 指數(shù)這3 個(gè)聚類效果評(píng)估指標(biāo)，對(duì)以上4 種聚類結(jié)果進(jìn)行分析。評(píng)估指標(biāo)計(jì)算結(jié)果如表4 所示。

表4 各種算法聚類效果評(píng)估指標(biāo)

根據(jù)3.2 節(jié)可知，輪廓系數(shù)越高，CH 分?jǐn)?shù)越大，DBI 指數(shù)越小，聚類效果越好。由表4 可知，本文提出的GMM 算法在輪廓系數(shù)上計(jì)算結(jié)果最高，在CH分?jǐn)?shù)上高于考慮混合屬性的K-means 算法和譜聚類算法，在DBI 指數(shù)上明顯低于其他3 種算法。綜上，使用本文提出的聚類算法所得到的聚類效果明顯優(yōu)于其余聚類算法的聚類效果。

3.4 風(fēng)險(xiǎn)等級(jí)劃分結(jié)果

根據(jù)3.3 節(jié)所得聚類結(jié)果，按照公式（3）～（5）給出的風(fēng)險(xiǎn)值計(jì)算公式，將鐵路數(shù)據(jù)劃分為5 個(gè)風(fēng)險(xiǎn)等級(jí)，如表5 所示。

表5 數(shù)據(jù)風(fēng)險(xiǎn)等級(jí)劃分結(jié)果

4 結(jié)束語(yǔ)

本文設(shè)計(jì)了一種基于GMM 聚類的鐵路網(wǎng)絡(luò)數(shù)據(jù)風(fēng)險(xiǎn)等級(jí)分類方法，使用K-means 和GMM 聚類技術(shù)對(duì)鐵路網(wǎng)絡(luò)數(shù)據(jù)進(jìn)行多階段聚類。實(shí)驗(yàn)結(jié)果表明，本文提出的方法解決了具有混合屬性數(shù)據(jù)的類別劃分問(wèn)題和聚類算法隨機(jī)初始化帶來(lái)的聚類結(jié)果隨機(jī)性問(wèn)題，能夠更加準(zhǔn)確地對(duì)鐵路網(wǎng)絡(luò)數(shù)據(jù)進(jìn)行風(fēng)險(xiǎn)等級(jí)分類，為完善鐵路網(wǎng)絡(luò)數(shù)據(jù)風(fēng)險(xiǎn)評(píng)估機(jī)制提供了有效的技術(shù)基礎(chǔ)。未來(lái)將考慮對(duì)鐵路網(wǎng)絡(luò)系統(tǒng)中各類風(fēng)險(xiǎn)與各種數(shù)據(jù)資產(chǎn)之間更加復(fù)雜的關(guān)系進(jìn)行聯(lián)合建模，利用深度學(xué)習(xí)技術(shù)作進(jìn)一步的研究。