無線協(xié)作中繼網(wǎng)絡多層不良數(shù)據(jù)辨識方法

周 莉，閆 攀

(重慶郵電大學移通學院，重慶 401520)

1 引言

現(xiàn)代社會中，互聯(lián)網(wǎng)的應用越來越廣泛，青少年的日常和學習生活離不開網(wǎng)絡提供的數(shù)字教育資源[1]，但網(wǎng)絡中會混雜一些色情、暴力的不良數(shù)據(jù)荼毒青少年，對青少年的身心健康造成極大的危害[2-3]。因此，辨識網(wǎng)絡中的不良數(shù)據(jù)是保護網(wǎng)絡學習者、凈化學習內容乃至維護社會和諧的重要措施[4-5]。

李永攀[6]等人提出基于多視角低秩分析的電力狀態(tài)不良數(shù)據(jù)檢測方法，采集觀測數(shù)據(jù)估計電力系統(tǒng)的運行狀態(tài)，通過低秩模型挖掘觀測源數(shù)據(jù)之間的共享本真數(shù)據(jù)，采用稀疏模型針對不良數(shù)據(jù)進行建模。利用基于交叉迭代的優(yōu)化算法實現(xiàn)對不良數(shù)據(jù)的檢測與辨識。實驗結果表明，該方法沒有在辨識網(wǎng)絡多層不良數(shù)據(jù)的過程中提取不良數(shù)據(jù)特征點，在辨識網(wǎng)絡多層不良數(shù)據(jù)時可能忽略一些不良數(shù)據(jù)，導致對網(wǎng)絡多層不良數(shù)據(jù)辨識的準確率低。汪少敏[7]等人提出利用深度學習融合模型對網(wǎng)絡多層不良數(shù)據(jù)辨識的方法，該方法利用基于深度學習的融合識別模型，將數(shù)據(jù)集中不良數(shù)據(jù)與優(yōu)質數(shù)據(jù)分開，通過模型融合算法確認不良數(shù)據(jù)，實現(xiàn)對網(wǎng)絡多層不良數(shù)據(jù)的辨識。實驗結果表明，該方法沒有利用LFM信號充當網(wǎng)絡多層不良數(shù)據(jù)的訓練集對不良數(shù)據(jù)進行特征提取，導致不良數(shù)據(jù)召回率低。李志欣[8]等人針對微博中的垃圾評論提出基于Co-Training的網(wǎng)絡多層不良數(shù)據(jù)辨識方法，該方法構建AdaBoost分類器和支持向量機分類器，通過Co-Training算法進行協(xié)同訓練，判斷其是否為不良數(shù)據(jù)，實現(xiàn)網(wǎng)絡多層不良數(shù)據(jù)的辨識。實驗結果表明，該方法沒有利用信號處理辦法提取不良數(shù)據(jù)特征點，存在F1比值下降的問題。

為了解決上述方法中存在的問題，提出無線協(xié)作中繼網(wǎng)絡多層不良數(shù)據(jù)辨識方法。

2 構建網(wǎng)絡多層不良信息特征提取模型

2.1 模型構建的優(yōu)化

利用決策樹模型構建無線協(xié)作環(huán)境下網(wǎng)絡多層不良數(shù)據(jù)存儲和傳輸模型[9]，在模型中采用根節(jié)點、內部節(jié)點和葉節(jié)點三種節(jié)點模式進行組建。并通過ID3決策樹算法對傳統(tǒng)不良數(shù)據(jù)存儲和傳輸模型進行改進，改進后的模型優(yōu)勢為：

1)可以將連續(xù)網(wǎng)絡多層不良數(shù)據(jù)集的屬性進行離散化處理。

2)可以同時進行不良數(shù)據(jù)的聚類和決策樹剪枝，以便構建決策樹的同時剪枝決策樹。

3)利用Hilbert變換對網(wǎng)絡多層不良數(shù)據(jù)信息通道進行均衡處理。

利用Hilbert變換后的系統(tǒng)輸出如下

(1)

式中，y(t)代表無線協(xié)作系統(tǒng)輸出；P代表多層網(wǎng)絡不良數(shù)據(jù)傳輸信息通道的離散數(shù)據(jù)解析值；τ代表網(wǎng)絡信息傳輸?shù)难訒r；x(t)代表原始信號。

根據(jù)網(wǎng)絡多層不良數(shù)據(jù)存儲和傳輸模型，分析網(wǎng)絡多層不良數(shù)據(jù)在無線協(xié)作環(huán)境下的存儲和傳輸特點，建立網(wǎng)絡多層不良數(shù)據(jù)特征提取模型，提取網(wǎng)絡多層不良數(shù)據(jù)的特征。

2.2 網(wǎng)絡多層不良數(shù)據(jù)特征提取模型

信號處理方法是識別網(wǎng)絡多層不良數(shù)據(jù)的最佳辦法，因此，在辨識網(wǎng)絡多層不良數(shù)據(jù)前需建立信號模型[10]。使用網(wǎng)絡終端下載數(shù)據(jù)信息，將上傳數(shù)據(jù)信息時產生的時間序列分為線性時間序列和非線性時間序列，這些時間序列振蕩數(shù)據(jù)的特征點是具有高斯寬帶信號。通過分析非線性時間序列并處理寬帶信號來構建無線協(xié)作環(huán)境下網(wǎng)絡多層不良數(shù)據(jù)信號幅度-頻率(角頻率)曲線模型，模型如下

(2)

無線協(xié)作環(huán)境下網(wǎng)絡多層不良數(shù)據(jù)的決策樹局部交叉信息鏈公式如下

f(t)=f0+kt

(3)

則無線協(xié)作環(huán)境下網(wǎng)絡多層不良數(shù)據(jù)的信號解析模型代表式如下

z(t)=iy(t)+x(t)=a(t)eiθ(t)

(4)

式中，z(t)代表不良數(shù)據(jù)的帶寬；y(t)代表不良數(shù)據(jù)固定的模態(tài)函數(shù)；x(t)代表不良數(shù)據(jù)頻帶內的頻譜。

不良數(shù)據(jù)的瞬時頻率和時間之間是線性關系，第kk個不良數(shù)據(jù)的狀態(tài)函數(shù)用無線協(xié)作環(huán)境下網(wǎng)絡多層不良數(shù)據(jù)存儲和傳輸模型來描述，獲取無線協(xié)作環(huán)境下網(wǎng)絡多層不良數(shù)據(jù)特征提取模型，如圖1所示。

圖1 網(wǎng)絡多層不良數(shù)據(jù)特征提取模型

圖1中，網(wǎng)絡多層不良數(shù)據(jù)特征空間中產生校驗位，則第k個網(wǎng)絡多層不良數(shù)據(jù)在校驗位的拓撲結構如下

(5)

式中，c代表不良數(shù)據(jù)特征的概率密度；s(v1)代表尺度信息；A代表幅值。

由于網(wǎng)絡多層不良數(shù)據(jù)訓練集的標識具有確定性，導致不能全面提取網(wǎng)絡多層不良數(shù)據(jù)特征，因此，選用LFM信號充當不良數(shù)據(jù)的訓練集，全面實現(xiàn)對網(wǎng)絡多層不良數(shù)據(jù)特征的提取。

3 多層網(wǎng)絡不良數(shù)據(jù)辨識

3.1 基于COPS算法的層次聚類

COPS算法的實現(xiàn)流程為：第一階段是在凝聚型層次聚類思想的基礎上，從下往上劃分出不同層次的數(shù)據(jù)，第二階段是在數(shù)據(jù)劃分的同時利用有效性指數(shù)Q(Ck)組成對應的聚類質量曲線，Q(Ck)曲線的極小點正是最佳聚類結果。COPS算法的優(yōu)點是可以一次性劃分全部數(shù)據(jù)，不需要反復聚類數(shù)據(jù)，而且最佳聚類數(shù)量也可以自動劃分，因此，其適用于數(shù)量大且復雜的數(shù)據(jù)集聚類。

若X={x1，x2，…，xn}表示已經(jīng)分類的網(wǎng)絡多層不良數(shù)據(jù)集合，Xj=(xj1，xj2，…，xjs)，(j=1，2，…n)表示在X中提取的特征值。通常情況下在數(shù)量大且復雜的網(wǎng)絡多層不良數(shù)據(jù)集中，需要對網(wǎng)絡多層不良數(shù)據(jù)集進行kmax-kmin+1次聚類才可使用劃分數(shù)據(jù)集的聚類方法計算不同聚類個數(shù)下的網(wǎng)絡多層不良數(shù)據(jù)集的聚類質量，這種傳統(tǒng)方法會嚴重影響計算效率。若利用COPS算法，可在凝聚型層次聚類思想的基礎上，對網(wǎng)絡多層不良數(shù)據(jù)以從下往上劃分的方式聚類。將每個網(wǎng)絡多層不良數(shù)據(jù)點視為一個簇，在相似準則的基礎上將不相同的網(wǎng)絡多層不良數(shù)據(jù)點的簇合并在一起，直到所有不相同的簇歸一后結束，即所有網(wǎng)絡多層不良數(shù)據(jù)歸為一類。在合并的同時采用有效性指標Q(Ck)計算出聚類質量，獲取最佳的劃分C*。

不良數(shù)據(jù)點間相似度定義為：

在密度聚類算法中點的鄰域半徑定義的基礎上設定閾值tm≥0(1≤m≤s)，在算法中任取兩點xi和xj，且這兩點滿足tm≥|xim-xjm|，即經(jīng)過tm的xi和xj在第m維相似。假設xi與xj在所有維度上都相似，已知閾值T={t1，t2，…，ts}，則稱經(jīng)過T的xi與xj相似，將相似的不良數(shù)據(jù)點構成一類。

從T=0開始聚類，這時每個不良數(shù)據(jù)點都是單獨的簇，每個不良數(shù)據(jù)點都不相似，為使不相似的不良數(shù)據(jù)點變得相似，每計算一步給每個簇增加一個量Δ(Δ={Δ1，Δ2，…Δs})，最終合并全部不相同的簇，使所有不相同的不良數(shù)據(jù)點歸成一個簇。

下列為確定參數(shù)Δ的方法，其方法可以得出不良數(shù)據(jù)之間維度屬性值的分布差異。

1)將原始不良數(shù)據(jù)歸一化處理

(6)

式中，x′im代表不良數(shù)據(jù)點xi在第m維特征的歸一化值。

2)運算出歸一化處理后的不良數(shù)據(jù)的標準偏差σm。

(7)

(8)

式中，σm代表歸一化處理后的不良數(shù)據(jù)在第m維的標準偏差；μm代表歸一化處理后的不良數(shù)據(jù)在第m維的均值。σm可用來反映第m維不良數(shù)據(jù)的稀疏度，σm值越小，m維特征值越緊密，與之相關類型的數(shù)據(jù)點越少，同理反之。

3)增量Δm求解公式為：

(9)

式中，ε代表控制算法精度，ε大于0。ε的大小與COPS算法的搜索步數(shù)有關，ε越大，搜索步數(shù)越少，ε越大，步數(shù)越多，結果就越接近于最優(yōu)值，但同時消耗的時間會更多。

由于上述方法的時間消耗過長，導致算法的計算效率下降，因此，對查找相似點算法進行改善：先從大到小排列每個不良數(shù)據(jù)點在每個維度的特征值，可知第m維特征值的序列為Am(m=1，2，…，s)。在COPS算法中搜索經(jīng)過tm的xi在第m維相似點時，只需在tm≥|xim-xjm|區(qū)間內按順序掃描Am即可搜索出相似點。若閾值tm增量Δm時，用于搜索的區(qū)間也隨之增量，即區(qū)間為tm+Δm≥|xim-xjm|≥tm，此時，只需將區(qū)間增量，不需重新掃描所有不良數(shù)據(jù)。

3.2 確定最優(yōu)聚類結果

在最優(yōu)聚類結果中，其類間是分離的，而子類內部是緊湊的，因此，在最優(yōu)聚類結果中存在一個平衡類內緊湊和類間分離的點。評價聚類結果的指標需要考慮到類內緊湊度和類間分離度，用Q(CK)表示基于不良數(shù)據(jù)集的幾何結構，其符合評價要求，可作為評價聚類質量的標準，即Q(CK)中包含所要求的聚類最優(yōu)解。

假設將不良數(shù)據(jù)集X劃分成k類，此時Ck={C1，C2，…，Ck}正是與不良數(shù)據(jù)集對應的聚類劃分結果，設Ci中不良數(shù)據(jù)點的個數(shù)為|Ci|，利用Scat(Ck)表示類內緊湊度，Scat(Ck)的值越小，代表類內越緊湊，同理反之。Sep(Ck)代表類間分離度，Sep(Ck)的值越大，代表類間分離度越強，同理反之，則Scat(Ck)與Sep(Ck)的表達式為

(10)

(11)

(12)

式中，β與α分別代表平衡類間分離度和類內緊湊度間的組合參數(shù)。由此可知Sep(Ck)為單調減函數(shù)，Scat(Ck)為單調增函數(shù)，所以聚類質量指標Q(CK)在區(qū)間n>k>1中取極小值時就是所要求的聚類最優(yōu)解，從而實現(xiàn)對網(wǎng)絡多層不良數(shù)據(jù)的辨識。

4 實驗結果與分析

為了驗證所提方法的整體有效性，在Weka平臺中對所提方法進行測試。選取TAN、economy、social以及star文檔數(shù)據(jù)集作為實驗數(shù)據(jù)，分別采用無線協(xié)作中繼網(wǎng)絡多層不良數(shù)據(jù)辨識方法(方法一)、利用深度學習融合模型對網(wǎng)絡多層不良數(shù)據(jù)辨識的方法(方法二)和基于Co-Training的網(wǎng)絡多層不良數(shù)據(jù)辨識方法(方法三)進行測試。

將不良數(shù)據(jù)的分類準確率作為測試指標，準確率越高，說明對不良數(shù)據(jù)的特征點種類提取得越多，辨識的不良數(shù)據(jù)也越多，分類準確率(Accuracy)為正確分類不良數(shù)據(jù)文檔數(shù)與不良數(shù)據(jù)文檔總數(shù)的比值。圖2為不同方法對不良數(shù)據(jù)分類的準確率對比結果。

圖2 不良數(shù)據(jù)文檔分類準確率

圖2中選取了參數(shù)及內容均不相同的文檔，可看出三種方法中方法一對不良數(shù)據(jù)的分類最準確，這是由于方法一在辨識網(wǎng)絡多層不良數(shù)據(jù)時在決策樹模型的基礎上確定了網(wǎng)絡多層不良數(shù)據(jù)特征提取模型，提取出網(wǎng)絡多層不良數(shù)據(jù)的特征點，將不良數(shù)據(jù)根據(jù)特征點進行準確的分類，提升了網(wǎng)絡多層不良數(shù)據(jù)分類的準確率，即提高了不良數(shù)據(jù)辨識的準確率。

比較三種方法對不良數(shù)據(jù)辨識的召回率，召回率(Recall rate)為不良數(shù)據(jù)正確分類的文檔數(shù)與待分類不良數(shù)據(jù)的文檔數(shù)的比值，在同樣環(huán)境下，召回率越高說明正確分類的不良數(shù)據(jù)文檔越多，對不良數(shù)據(jù)的辨識效果越好。圖3為不同方法的召回率對比結果。

圖3 不同方法召回率對比

在對三種方法的召回率進行比較后可以看出，選取的數(shù)據(jù)集無論如何復雜，方法一對不良數(shù)據(jù)召回率都是最高的，因為方法一利用LFM信號充當不良數(shù)據(jù)的訓練集，而不是利用具有確定性的網(wǎng)絡多層不良數(shù)據(jù)充當訓練集，因此提取出網(wǎng)絡多層不良數(shù)據(jù)的特征點更加廣泛，即對不良數(shù)據(jù)辨識地更全面，驗證了方法一的有效性。

將F1比值作為測試指標，采用方法一、方法二和方法三進行測試，比值越大，表明方法對不良數(shù)據(jù)的辨識越詳細，相反，比值越小不良數(shù)據(jù)的辨識越簡略，F(xiàn)1比值為

(13)

圖4為不同方法的F1值對比結果。

圖4 不同方法的F1比值

由圖4可知，方法一在測試過程中獲得的F1比值均高于方法二和方法三獲得的F1比值，因為方法一通過信號處理辦法提取網(wǎng)絡多層不良數(shù)據(jù)特征點，從多個方面對不良數(shù)據(jù)進行辨識，避免了忽略一些不良數(shù)據(jù)的情況，提高了網(wǎng)絡多層不良數(shù)據(jù)的辨識能力，進而提高了F1比值。

5 結論

目前，網(wǎng)絡多層不良數(shù)據(jù)的辨識方法存在準確率低，召回率低和F1比值低的問題，因此，提出無線協(xié)作中繼網(wǎng)絡多層不良數(shù)據(jù)辨識方法。在無線協(xié)作環(huán)境下，基于信號模型建立網(wǎng)絡多層不良數(shù)據(jù)的特征提取模型對網(wǎng)絡多層不良數(shù)據(jù)進行特征提取，采用COPS算法對不良數(shù)據(jù)特征點聚類，聚類后利用聚類最優(yōu)結果評價指標，獲得聚類最優(yōu)解實現(xiàn)網(wǎng)絡多層不良數(shù)據(jù)辨識，提高了不良數(shù)據(jù)辨識的準確率、召回率及F1比值。在今后的研究，結合不良圖片信息進行不良數(shù)據(jù)特征提取會更加準確地辨識無線協(xié)作中繼網(wǎng)絡多層不良數(shù)據(jù)。