證據理論和神經網絡的上網行為預警模型

梁勇 穆肇南 張俊 劉偉

摘 ?要： 傳統預警模型對上網行為進行預警時，存在預警性能差與預警精度較低的問題，基于此提出基于證據理論和神經網絡的上網行為預警模型。根據證據理論的定義計算出分配理論框架的矩陣，對用戶的上網行為進行分配。根據神經網絡的結構特點，計算出隱層的節點輸出，最終得出上網行為預警模型，并給出模型建立的整體流程圖。實驗結果表明，所提方法可以高效率、高精度地完成用戶上網行為的預警，最高效率可達到95.5%，具有一定的實際應用性。

關鍵詞： 構建預警模型; 上網行為; 證據理論; 神經網絡; 參數設置; 實驗驗證

中圖分類號： TN711.22?34; TP393 ? ? ? ? ? ? ? 文獻標識碼： A ? ? ? ? ? ? ? ? ? ? ?文章編號： 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理論的基礎，證據理論的分析準確率較高，可將難以進行確定的信息，進行準確的推理計算。在20世紀60年代末期，國外的研究人員Dempster進行信息概率的計算時，首先提出了多值映射思想，后來的研究人員在這個基礎上加以改進，形成了現在的證據理論，證據理論中的證據融合規則可以將有沖突或一致的數據進行分配，使經過處理后的數據更加可靠[1?2]。

上網行為預警作為互聯網發展的衍生產物，對于用戶進行互聯網訪問中具有重要作用，國內眾多學者進行過相關研究，并取得了一些研究成果。例如，文獻[3]提出了一種基于熵權法的網絡預警模糊模型，該模型采用熵權法構建預警的周期與預警權重，從而劃分預警等級。該方法可以完成相應的預警工作，但是存在過程復雜的問題。文獻[4]提出一種基于實時線性模型的預警方法，該方法采用實時線性模型對指標進行缺失值和異常值的處理，在篩選出影響因子后進行加權處理，并確定最佳定量公式最終完成預警工作。但是該方法的預警精度略低。

為了解決上述方法中存在的問題，本文提出了基于證據理論和神經網絡的上網行為預警模型，根據證據理論的定義建立分配框架矩陣，計算出神經網絡結構中隱層的節點輸出，根據獲得結果建立預警模型，最終完成對上網行為的預警。

1 ?預警模型的構建

1.1 ?基于的證據理論的上網行為分配

證據理論具有較強的信息分配能力，并且可以完成不同信息組合的分類，對不同的上網行為信息進行統一的融合，實現統一的管理。由于上網行為具有一定的復雜性[5?6]，通過證據理論可完成復雜的上網行為的分配，使預警模型的精度得到提高。證據理論的定義為：

假設上網行為分配的框架為[θ]，[2θ]為框架的冪數構成的集合，[?H?θ]，其中的集函數[a]：[2θ→[0，1]]，并且符合：

[H?θa（H）=1，且a（β）=0] ? ? ? （1）

式中：[a]表示上網行為分配框架的基本分配概率;[a（H）]數值大小反映了證據對分配框架中的命題[H]的分配程度。

通過矩陣轉置對式（1）進行處理，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，對角線上的元素為樣本分配的影響因子，而非對角線上的元素為非影響因子。通過式（2）可完成上網行為的分配。

1.2 ?基于神經網絡的預警模型構建

神經網絡廣泛適用于互聯網應用的分析計算，憑借自身的結構特點，可以完成樣本權值的調整，以保證建立的模型具有較高的準確性。在上網行為預警模型中應用神經網絡可以大量減少建模所需要的數據，具有明顯的優勢[7?9]。

在神經網絡的構成中，主要的構成為：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，通過隱含層對樣本進行處理獲得結果，最后由輸出層將結果進行輸出。

設首層為輸出層，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]個神經元，輸出層中的首層將樣本傳遞至隱含層[e]中的第[l]個神經元的權值為[w（e）=（l=1，2，…，q）]，隱含層的輸出為[S（e）]，該輸出的期望值為[v1]，則改隱含層的結果輸出為：

[S（e）=lw（e）xi-yi] ? ? ? ? ?（3）

式中，[xi]與[yi]分別表示輸出權重系數與誤差系數。依據強分類函數[10][sgn（x）]，根據節點輸出得出上網行為的預警模型為：

[U（x）=sgnS（e）·a（H）] ? ? ? （4）

通過公式（4）得出的預警模型，可完成對上網行為的預警。

上網行為的預警模型的整體設計流程如圖2所示。

2 ?實驗分析

為了驗證所設計模型的應用性能，設計以預警精度與消耗性能為指標的對比實驗，將本文方法與文獻[3]、文獻[4]方法進行對比，全方面驗證所提模型在上網行為預警方面的性能。

2.1 ?實驗參數

為了使實驗結果更加準確，更具有說服性，使實驗內容更加完善，在下列實驗參數設置下進行對比實驗，實驗所需的全部相關參數設置如表1所示。

2.2 ?吞吐量性能對比

為了驗證所提模型在數據傳遞方面的性能，進行數據傳輸吞吐量的對比。三種方法在進行預警時的吞吐量如圖3所示。

從圖3可以看出，所提模型在上網行為預警數據傳輸中的吞吐量均高于文獻[3]、文獻[4]方法。由于本文模型采用證據理論結合神經網絡的方法來完成，確保預警模型的吞吐量達到較高水平，提高了上網行為預測模型的整體傳輸性能。

2.3 ?預警精度

為了進一步驗證所提模型在上網行為預警方面的性能，進行預警精度的對比。預警精度的計算公式為：

[K=QQ+R×100%] ? ? ? ? （5）

式中：[Q]為準確預警;[R]為錯誤預警。

預警精度作為上網行為預警的重要指標，可對所建立的模型進行準確的評估。三種方法的預警精度對比如圖4所示。

從圖4可以看出，所提方法的預警精度明顯高于文獻[3]、文獻[4]方法。在任務數量達到100時，提出的上網行為預警模型的預警精度為95.5%，文獻[3]、文獻[4]方法的預警精度分別為78.4%與72.9%。通過上述分析，可以充分證明所提模型具有較高的預警準確性。

3 ?結 ?論

為了提高上網行為預測模型的預警精度與能量消耗性能，提出一種基于證據理論與神經網絡的上網行為預測模型。根據證據理論的定義建立上網行為的分配矩陣，計算神經網絡隱含層的輸出，根據強分類函數，得出上網預警模型。實驗結果證明，所建立的模型可以完成上網行為的精準預警，且能耗消耗較少，具有較高的實際應用性。

參考文獻

[1] 韓曉陽，朱莉欣.建立關鍵基礎設施網絡安全風險等級預警模型初探[J].飛航導彈，2017，22（8）：52?55.

[2] 杜利敏，徐揚.基于證據理論的不平衡數據半監督分類方法[J].計算機應用研究，2018，11（2）：342?345.

[3] 武慧娟，張海濤，王盡暉，等.基于熵權法的網絡輿情預警模糊綜合評價模型研究[J].情報科學，2018，36（7）：60?63.

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

[5] 陸中偉，張云寧，王潔雨.基于ANP和可拓理論的輸變電工程造價風險預警模型研究[J].武漢理工大學學報（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警模型研究[J].情報科學，2017，31（4）：51?56.

[7] 鄭茂然，余江，陳宏山，等.基于大數據的輸電線路故障預警模型設計[J].南方電網技術，2017，11（4）：30?37.

[8] 錢立軍，趙明宇，張衛國.一種電動汽車充電安全預警模型設計方法[J].電網與清潔能源，2016，32（12）：114?119.

[9] 王高飛，李明.基于AHP?模糊綜合分析的移動社交網絡輿情預警模型研究[J].現代情報，2017，37（1）：42?45.

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

作者簡介：梁 ?勇（1983—），男，貴州遵義人，碩士，副教授，研究方向為校園信息化、計算機技術應用。