基于云安全模型的層次泛函網絡整體學習算法*

徐勝超 鄧斌濤

（廣州華商學院數據科學學院 廣州 511300）

1 引言

泛函網絡內存在多個神經元結構，在泛函聯結的前提下，網絡結構內的神經元結構將實際問題轉換處理為多種函數變換形式［1］，優化原有泛函網絡內函數的非線性逼近能力。從層次結構來講，泛函網絡內存在輸入單元層、處理單元層、中間單元儲存層以及層次結構中的泛函聯接［2］，層次化的泛函網絡可由多個神經元結構拼接構成。從層次泛函網絡的應用來看，網絡結構已經運用到系統辨識、數據信息預測以及數值關系求解過程［3］，從應用性能來看，泛函網絡內可運用到多個層次分析過程中，通過控制層次結構內的輸出變量關系［4～6］，結合非線性代數方程實現網絡學習過程的輸出。云安全模型是一種解決分類問題的過程，針對云空間內的信任邊界重組以及侵蝕過程，采用映射供應配置的處理來構建形成網絡結構內的學習過程［7］。

國外研究泛函網絡結構起步較早，研究人員以泛函網絡結構內邊緣計算層作為處理對象，收集并聚合邊緣數據［8］，以時間與空間維度數值作為關聯處理對象，形成了整體學習算法。國內研究泛函網絡結構起步較晚，結合網絡內深度可分離的卷積處理過程［9］，整理了網絡態勢要素以及態勢數值的映射關系，形成整體學習算法處理過程。文獻［10］中構建的整體學習算法，引用交替乘子將網絡結構內的回歸處理過程分解為多個獨立求解過程，并設定網絡傳遞參數，整合并迭代節點收斂數值關系，形成傳遞式的學習算法。文獻［11］中構建的整體學習算法通過馬爾可夫隨機場分層處理網絡結構內的聚類參數，并利用貝葉斯算法自適應處理該聚類參數，形成網絡整體學習算法。經過階段性的應用測試可知，現有的整體學習算法在相同的運行周期內的學習預測能力較差。為此針對上述存在的問題，本文以云安全模型作為支持，設計層次泛函網絡整體學習算法。

2 基于云安全模型的層次泛函網絡整體學習算法

2.1 定義云安全模型內指標的姿態值

云安全技術對網絡資源、技術應用、數據信息安全等方面要求較高，由于云計算中心主要是虛擬技術，基于云的等級保護要求，對云計算信息系統安全等級保護測評有較大困難，云安全模型所提出的是云安全管理概念。云安全模型內存在多種預處理態勢數據過程，在定義模型內指標的姿態值時，首先采用云服務器獲取安全模型運行時的各類信息數據，結合統一規范化的處理過程，定義數據類別的敏感程度［12］，將含有敏感度參數的數值關系處理為正交矩陣，數值關系可表示為

上述數值關系中，A表示構造的正交矩陣，Q表示敏感程度參數，Q*表示敏感程度參數的秩，X表示正交矩陣內的隨機向量，K表示云服務器內組建的隨機向量。

在云安全模型結構內，近似奇異矩陣的分解復雜度存在傳播性［13～14］。利用含有敏感度參數的數值關系的正交矩陣控制可用度參數的后驗概率，控制矩陣可用度發生時產生的條件概率，并觸發云安全數值模型內的安全事件［15］，在不同的可用度數值關系內設置不同數值大小的姿態值，觸發姿態值條件如下：

上述姿態值關系中，CL(O)表示設定的可信度參數，CL(On)表示不同數值大小條件下的可信度數值關系，m表示云安全模型內可處理的安全事件。整理上述指標處理后的姿態基本參數，構建層次泛函網絡逼近數值模型。

2.2 構建層次泛函網絡逼近數值模型

整合上述計算得到的姿態基本參數和姿態值條件，并利用姿態基本參數構建一個三元約束數值關系，將該數值關系處理過程作為數值預處理步驟，在層次泛函網絡內形成一個更新過程［16］，引用LDMLT 算法（Log divergence metric learning triplet constraint），該算法是指Log發散度量學習三元組約束算法，可以將層次泛函網絡結構內的數值關系形成數值處理循環，數值循環可表示為

其中，D(xi)表示構建的數值循環處理函數，H(xi)表示姿態值的不確定熵函數，其余參數含義不變。在數值處理循環過程中，不同的觀測周期內存在多個泛函網絡最優解，選定極大似然處理過程確定網絡結構中的最優解。

采用對數和的形式計算最優解參數的偏導，標記數值模型內的散度后驗分布數值關系，形成特定的數值關系。為了控制標記后驗分布內隱變量對數值循環的影響［17］，采用復雜混合弱監督過程形成標記篩選過程，標記篩選過程如圖1所示。

圖1 構建的標記篩選過程

對應上述構建的標記篩選過程，在標定輸出的后驗分布數值關系內采用極大似然處理方法驗證并標記輸出不同數據類別，在構建逼近數值關系時，在標定的泛函網絡結構內不斷標記輸出數值信息，并形成一個正則化框架，將多標記的數值屬性處理為正則項［18］，引用懲罰函數輸出各個數值集間的鄰接矩陣，該鄰接矩陣即為構建的逼近數值模型。在該數值模型的處理基礎上，設計泛函網絡整體學習算法。

2.3 完成泛函網絡整體學習算法的設計

將圖1 構建的標記篩選過程處理為泛函網絡的數值層次結構，搭建層次泛函網絡，在保留泛函網絡拓撲結構所有優點的同時，還可以更好地構建泛函網絡整體學習算法的設計。在設計其整體學習算法時，將同等屬性數據集的泛函數值處理為輸入單元，結合上述構建的數值逼近模型，輸出泛函網絡的輸出表達，數值關系可表示為

式（4）中，fi(x)表示泛函網絡結構的輸出表達函數，ci表示泛函網絡的任意常量。在輸出泛函網絡的輸出數值關系表達中，將數據信息存儲為加密格式，并且需要將數據信息分開。在惡意代碼防御過程中，可以了解惡意代碼的檢測、防御攻擊的策略，結合云安全模型，整理泛化處理的實數空間，在該實數空間內重組并標記新的隨機量［19］，整理隨機量為數據集并將該數據集處理為初始群體，判斷數值處理過程的適應度。將適應度數值關系聯合代入至逼近數值關系內，為了控制標記數值樣本的有效利用，將符合逼近數值模型的參數分類處理為數據樣本標簽，在實現算法的整體性時，利用該數據樣本標簽構建學習算法的鄰近域［20］，最終輸出整體學習算法形成的鄰近域，最終形成整體泛函網絡結構內的整體學習算法。綜合上述處理過程，最終完成對基于云安全模型的層次泛化網絡整體學習算法的設計。

3 算法測試

3.1 準備云安全模型測試數據

采用云安全模型的建站服務器開發包，安全數據選取云安全態勢數據庫中的數據樣本，樣本數據選定GitHub開源數據集，配置開發包的各項參數。

按照模型的特征維度，將云安全模型內的數據處理為多個序列屬性，按照開發包的輸出參數，定義采集數據的基本屬性參數，如表1所示。

根據表1 定義的測試數據基本屬性，控制測試數據集內包含多個子數據集，并在數據集內部定義多個學習任務，結合數據樣本內的倒頻頻系數，整理得到模型特征維度，在控制上述屬性數據在泛函網絡中的誤差時，設定算法驗證逼近過程。

表1 測試數據基本屬性

3.2 控制泛函網絡結構層次誤差

參照上述定義的云安全模型屬性數據，應用進化算法結構化處理泛函網絡產生的誤差傳播，誤差傳播過程可表示為圖2。

圖2 結構內誤差傳播過程

為了驗證結構誤差傳播的準確性，在數據屬性范圍內選定特定的二維函數作為泛函網絡的學習樣本，根據設定函數內的基本參數，采用神經元激發泛函網絡內的神經元，定義泛函網絡內的激發脈沖數量，在控制網絡內的誤差傳輸時，確定泛函網絡內形成的激發誤差，數值關系可表示為

式（5）中，E表示網絡傳播過程產生的誤差，V(t)表示網絡結構的數值增加，v表示數據的傳播速度，其余參數含義不變。依據式（2）在不同的可用度數值關系內所設置不同數值大小的姿態值，定義云安全模型內指標的姿態值，根據誤差的傳播周期，調整周期梯度下降形成的權重，并形成一個泛函網絡的新脈沖，根據所構建層次泛函網絡逼近數值模型，設定脈沖的激發形式，對脈沖產生一個激發過程。為了控制脈沖數值關系的精度，引用鏈式法則調整泛函網絡中的貢獻權重，結合泛函網絡內的線性假設和所設計泛函網絡整體學習算法，標定得到實際網絡激發得到的脈沖數量。此時，泛函網絡內存在兩種激發數值關系，在控制誤差的實際傳播時，在泛函網絡內的神經元單位內設定固定的脈沖激發時間，并變換上述式（5）為構造數值關系，可知設定的目標激發脈沖個數為10 時，泛函網絡內實際產生的傳播誤差最小。

將上述控制結構層次誤差參數作為測試環境的固定參數，選定文獻［10］算法、文獻［11］算法以及所設計的整體學習算法參與測試，選定相同的測試指標，判定三種整體學習算法的性能。

3.3 測試結果及分析

基于上述測試準備，以控制傳播誤差產生的基本參數作為算法的初始條件，可知在初始脈沖條件下，初始脈沖結構較為稀疏，故將初始脈沖數值由數值2 增加至10，在該處理過程中，控制泛函網絡的序列時間長度為200ms，網絡內存在的神經元單位為500。隨機抽取三種整體學習算法的初始突觸權重，為了控制整體學習算法的真實性，設定重復獨立迭代的次數為20，記錄單位周期內學習算法的學習時間，相同獨立迭代次數下的不同整體算法所用的不同學習周期可準確反映算法效率的高低，傳輸效率是概括視頻傳輸可靠性的重要指標之一，為了更好地驗證層次泛函網絡整體學習算法的可靠性能，需要對獨立迭代次數與學習周期數量的關系進行驗證，計算公式為

式（6）中，TJ表示學習周期結束時間，TC表示學習周期初始時間。根據式（6）求得三種整體學習算法所需的學習時間如圖3所示。

圖3 三種整體算法所需的學習周期

根據上述整理得到的學習周期結果可知，在設定的重復獨立迭代周期內，三種整體學習算法表現出了不同的學習周期數量，由上圖所示的學習周期結果可知，三種整體學習算法的學習周期數量呈規律性增長，以獨立迭代20 次后的學習周期數量作為最終整體算法的學習周期結果，文獻［11］算法最終所需的學習周期數量為800，該種整體學習算法所需的學習周期較大。在相同的獨立迭代次數內，文獻［10］算法所需的學習周期數量為600，所需的學習周期較多。而所設計的整體學習算法所需的學習周期數量為200，與兩種參與測試的整體算法相比，所設計的整體學習算法消耗的學習周期最小。

調用相同學習周期內的學習算法的處理過程，控制算法在同周期內處理泛函網絡內的感知信息，并選定相同時間周期內時間長度為50ms的脈沖序列，設定網絡結構內的神經元頻率為4Hz，并將其余脈沖序列作為整體學習算法的干擾信號。為了更好地模擬層次泛函網絡內的真實環境噪聲，設定背景噪聲的脈沖頻率為泛函Poisson 分布形式，采用關鍵線索輸入到泛函網絡結構內的神經元單位內，控制干擾信號的神經元結構始終保持靜默狀態，設定學習預測周期為2s，可知三種整體學習算法到達固定的神經元頻率時，則表示該種學習算法完成一次學習預測過程，整理三種整體學習算法在相同輸入脈沖條件下產生的學習預測次數，計算公式為

式（7）中，Fo表示在相同輸入脈沖條件下的學習預測頻率，Fz表示頻率在相同輸入脈沖條件下的學習預測總量，根據式（7）求得學習預測次數，測試結果如圖4所示。

整理相同學習周期下三種整體學習算法在設定神經元頻率產生的學習預測次數，定義三種整體學習算法頻率波動到神經元突出過程為實際學習算法的預測次數。由圖4 所示的預測結果可知，文獻［10］算法在相同的學習周期內產生的學習預測次數為3 次，該種整體學習算法的學習預測效果最差。文獻［11］算法產生的學習預測次數為12 次，該種整體學習算法的學習預測性能較差。而所設計的整體學習算法到達設定的神經元頻率數值為14，與兩種參與測試的整體學習算法相比，所設計的整體學習算法的學習預測能力最佳。

4 結語

本文綜合現有泛函網絡整體學習算法的不足，以云安全模型作為技術支持，設計層次泛函網絡整體學習算法。經過測試分析可知，所設計的泛函網絡整體算法能夠改善原有整體學習算法學習預測能力較差的不足。在未來工作過程中，希望所設計的整體學習算法能夠為泛函網絡提供理論支持。