CN109242250A - 一种基于模糊熵权法与云模型的用户行为可信度检测方法 - Google Patents
一种基于模糊熵权法与云模型的用户行为可信度检测方法 Download PDFInfo
- Publication number
- CN109242250A CN109242250A CN201810877992.4A CN201810877992A CN109242250A CN 109242250 A CN109242250 A CN 109242250A CN 201810877992 A CN201810877992 A CN 201810877992A CN 109242250 A CN109242250 A CN 109242250A
- Authority
- CN
- China
- Prior art keywords
- cloud
- behavior
- user
- entropy
- grade
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Pending
Links
- 238000000034 method Methods 0.000 title claims abstract description 84
- 238000001514 detection method Methods 0.000 title claims abstract description 25
- 238000011156 evaluation Methods 0.000 claims abstract description 56
- 239000011159 matrix material Substances 0.000 claims abstract description 32
- 239000013598 vector Substances 0.000 claims abstract description 11
- 238000012545 processing Methods 0.000 claims abstract description 10
- 230000003542 behavioural effect Effects 0.000 claims description 23
- 238000004590 computer program Methods 0.000 claims description 6
- 238000004364 calculation method Methods 0.000 claims description 5
- 239000000428 dust Substances 0.000 claims description 4
- 238000007781 pre-processing Methods 0.000 claims description 4
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 claims description 4
- 230000009193 crawling Effects 0.000 claims description 3
- 238000007726 management method Methods 0.000 claims description 3
- 238000012544 monitoring process Methods 0.000 claims description 3
- 230000005484 gravity Effects 0.000 claims description 2
- 238000013497 data interchange Methods 0.000 claims 1
- 230000008569 process Effects 0.000 abstract description 10
- 230000006399 behavior Effects 0.000 description 90
- 238000004458 analytical method Methods 0.000 description 13
- 238000013528 artificial neural network Methods 0.000 description 8
- 230000006870 function Effects 0.000 description 6
- 238000010586 diagram Methods 0.000 description 5
- 238000012854 evaluation process Methods 0.000 description 5
- 230000000694 effects Effects 0.000 description 4
- 238000012549 training Methods 0.000 description 3
- 238000004587 chromatography analysis Methods 0.000 description 2
- 230000001419 dependent effect Effects 0.000 description 2
- 238000011161 development Methods 0.000 description 2
- 230000008451 emotion Effects 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 230000003993 interaction Effects 0.000 description 2
- 239000007787 solid Substances 0.000 description 2
- 210000003813 thumb Anatomy 0.000 description 2
- 241000475481 Nebula Species 0.000 description 1
- 241000700605 Viruses Species 0.000 description 1
- 230000002159 abnormal effect Effects 0.000 description 1
- 238000013459 approach Methods 0.000 description 1
- 230000005540 biological transmission Effects 0.000 description 1
- 238000013500 data storage Methods 0.000 description 1
- 238000013210 evaluation model Methods 0.000 description 1
- 230000008571 general function Effects 0.000 description 1
- 230000001788 irregular Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 210000002569 neuron Anatomy 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 239000013307 optical fiber Substances 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 239000004065 semiconductor Substances 0.000 description 1
- 238000012360 testing method Methods 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q10/00—Administration; Management
- G06Q10/06—Resources, workflows, human or project management; Enterprise or organisation planning; Enterprise or organisation modelling
- G06Q10/063—Operations research, analysis or management
- G06Q10/0639—Performance analysis of employees; Performance analysis of enterprise or organisation operations
- G06Q10/06393—Score-carding, benchmarking or key performance indicator [KPI] analysis
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q50/00—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
- G06Q50/01—Social networking
Landscapes
- Business, Economics & Management (AREA)
- Human Resources & Organizations (AREA)
- Engineering & Computer Science (AREA)
- Economics (AREA)
- Strategic Management (AREA)
- General Physics & Mathematics (AREA)
- General Business, Economics & Management (AREA)
- Theoretical Computer Science (AREA)
- Educational Administration (AREA)
- Marketing (AREA)
- Entrepreneurship & Innovation (AREA)
- Development Economics (AREA)
- Tourism & Hospitality (AREA)
- Physics & Mathematics (AREA)
- Operations Research (AREA)
- Quality & Reliability (AREA)
- Game Theory and Decision Science (AREA)
- Computing Systems (AREA)
- Health & Medical Sciences (AREA)
- General Health & Medical Sciences (AREA)
- Primary Health Care (AREA)
- Information Retrieval, Db Structures And Fs Structures Therefor (AREA)
Abstract
本发明属于网络数据处理技术领域,公开了一种基于模糊熵权法与云模型的用户行为可信度检测方法,建立行为属性云,建立等级云,通过关联公式计算m个行为云对n个等级云的隶属度,据此得到隶属度矩阵;根据模糊熵权法得到隶属度矩阵元素每一个属性的权重;将隶属度矩阵与权重向量相乘得到最后的评定结果本发明提出的评价***考虑到计算仅仅围绕云的3个数字特征,没有涉及到更复杂的参数,计算过程简单。发明则是根据属性云与等级云之间的联系确定评价矩阵,云模型本身就是反映事物不确定本质,与行为的随机性、不确定性相契合,评价过程没有主观因素的参与,评价结果更加合理可信。
Description
技术领域
本发明属于网络数据处理技术领域,尤其涉及一种基于模糊熵权法与云模型的用户行为可信度检测方法。
背景技术
目前,业内常用的现有技术是这样的:
传统上,对用户的管理主要是针对用户身份信息层面,包括数字证书、身份证、生物特征等等。对网络用户行为的研究分析相对少见。常见的方法有基于模糊理论的用户行为可信评估模型,但是在构建权重向量时,采用的方法通常是通过专家经验法或者AHP层次分析法,一方面利用专家分析法构建权重向量,使得评价过程主管参与度大,评价结果不够客观;另一方面,采用层次分析法时,不仅要划分层数,还要考虑层次与层次之间的相互联系,在行为属性较多时,复杂性很大。另外,在构建评价矩阵建立时,通常方法是选用已有的适合的隶属函数,而这些已有的隶属度函数是为某一类别所通用的函数模板,不能准确的反映出某些特定行为属性指标对于评价结果的隶属程度。还有基于BP神经网络的用户行为预测模型,此种预测模型是在历史行为数据的基础上,通过训练参数,达到用户行为评估和预测的效果。评估过程对初始权重值敏感,且需要大量的样本数据,对于数据量少的情况,该模型得到的评估结果便不精确。此外,此种模型对行为属性指标的权重的确定也较为复杂。
综上所述,现有技术存在的问题是:
传统信任模型虽然可以解决用户身份认证的问题,但是在用户成功接入网络后,其进行的一系列操作行为没有实时监控,这便让恶意用户可以在伪造一个正常身份接入网络后进行各种各样攻击,让网络陷入风险之中。
现有的用户行为评估方法如层析分析模型、BP神经网络分析模型,模糊理论分析法等,忽略了用户行为各层次元素之间的相互作用和相互依存关系及反馈关系,且评估过程依赖于专家的专业知识以及对评价***的认知程度,以及对于权重分配主观,导致了评估结果不合理,间接影响建立一个可信可控的健康网络环境。
现有技术中这些评价模型与方法都未考虑用户行为自身的随机性、模糊性等特点,未能够将行为的不确定性作为影响评价结果的主要因素,对用户行为如何影响网络安全性的理解不够深入。
解决上述技术问题的难度和意义:
用户行为的随机性、模糊性等不确定性是影响网络安全的重要因素,因此,对网络用户进行建模的同时,必须兼顾反映出用户行为所具有的独特性质,而本发明所采用的云模型理论恰好完美的将用户行为的不确定描述出来,并参与可信评估计算过程,是实现网络用户可管控的至关重要的一步;同时,采用模糊熵权法的思想赋予用户行为属性的权重,减少了评估过程的主观性;由于整个评估过程没有涉及复杂的参数计算,使得评估结果更加快速,为网络行为监管的实时性提供了计算保障。
发明内容
针对现有技术存在的问题,本发明提供了一种基于模糊熵权法与云模型的用户行为可信度检测方法。
本发明是这样实现的,一种基于模糊熵权法与云模型的用户行为可信度检测方法,所述基于模糊熵权法与云模型的用户行为可信度检测方法
建立行为属性云:对收集的行为数据按行为特征划分成m个行为属性;根据每一个行为属性的样本数据,利用样本均值代替总体均值,得到期望,样本方差代替总体方差的方法,得到熵和超熵,还原出云的数字特征;得到m个行为属性云;
建立等级云:给出n个评价等级,确定每一个等级云的数字特征,得到n个等级云;
通过关联公式计算m个行为云对n个等级云的隶属度,据此得到隶属度矩阵;根据模糊熵权法得到隶属度矩阵元素每一个属性的权重;
将隶属度矩阵与权重向量相乘得到最后的评定结果。
进一步,建立等级云中,具体包括:给出n个评价等级,设个等级区间范围为[rmin,rmax],根据He=0.02确定每一个等级云的数字特征,得到n个等级云;
其中,rmin,rmax分别为等级区间的下边界与上边界,Ex,En,He分别为等级云的期望,熵,超熵。
进一步,通过关联公式计算m个行为云对n个等级云的隶属度,据此得到隶属度矩阵;根据模糊熵权法对隶属度矩阵的元素采用得到每一个属性的权重。
其中,m是行为属性的个数,n是等级划分的个数,rij是构成隶属度矩阵R的元素,xi是行为属性云滴,Ex,En,为等级云的期望与熵,pij表示隶属度矩阵中元素rij对其所在列占据的比重,Ei是利用香农提出的信息熵计算公式得到的第i个行为属性的熵值,E′i取的是熵的倒数,表明熵值与属性权重成反比,wi是依据熵权法,计算的第i个行为属性的权重。
本发明的另一目的在于提供一种计算机程序。
本发明的另一目的在于提供一种信息数据处理终端。
本发明的另一目的在于提供一种网络用户实时监测与控制终端,用于实现所述的基于模糊熵权法与云模型的用户行为可信度检测方法,还用于网络用户全生命周期管理。
本发明的另一目的在于提供一种用户行为可信评估平台,用于实现所述的基于模糊熵权法与云模型的用户行为可信度检测方法,还用于异构网络环境下各个实体信任数据互通,进行信任值传递。
本发明的另一目的在于提供一种实现所述基于模糊熵权法与云模型的在线社交网络用户行为可信评估***。
本发明的另一目的在于提供一种实现所述基于模糊熵权法与云模型的用户行为可信度检测方法的计算机程序。
本发明的另一目的在于提供一种实现所述基于模糊熵权法与云模型的用户行为可信度检测方法的信息数据处理终端。本发明的另一目的在于提供一种基于模糊熵权法与云模型的用户行为可信度检测***包括:
行为数据采集模块,通过爬取网站上的用户行为数据或专门的数据提供网站收集目标数据;
数据预处理模块,用于对目标数据进行去噪处理,筛选出有意义的行为数据,并按照行为特征划分成若干属性;
逆向云发生器模块,用于描述行为数据的不确定性,对每一个行为属性通过逆向云发生器形成属性云;
正向云发生器模块,用于划分信任等级,并根据每一个等级范围通过正向云发生器形成等级云。
评估模块,用于对行为数据的建模;然后再根据属性云与等级云之间的关系,得到隶属度矩阵,利用熵权法对隶属度矩阵元素处理,得到属性的权重,得到用户行为可信值。
本发明的另一目的在于提供一种搭载所述基于模糊熵权法与云模型的用户行为可信度检测***的网络数据处理平台。
综上所述,本发明的优点及积极效果为:
具体说明如下:
基于模糊理论的用户行为可信评估模型,但是在构建权重向量时,采用的方法通常是通过专家经验法或者AHP层次分析法,一方面利用专家分析法构建权重向量,使得评价过程主管参与度大,评价结果不够客观;另一方面,采用层次分析法时,不仅要划分层数,还要考虑层次与层次之间的相互联系,在行为属性较多时,复杂性很大。另外,在构建评价矩阵建立时,通常方法是选用已有的适合的隶属函数,而这些已有的隶属度函数是为某一类别所通用的函数模板,不能准确的反映出某些特定行为属性指标对于评价结果的隶属程度;
基于BP神经网络的用户行为预测模型,此种预测模型是在历史行为数据的基础上,通过训练参数,达到用户行为评估和预测的效果。评估过程对初始权重值敏感,初始值若分配有误,则会影响全局结果,并且需要大量的样本数据,对于数据量少的情况,该模型得到的评估结果便不精确。此外,此种模型对行为属性指标的权重的确定也较为复杂。
针对前面两种用户行为可信评估模型具有的局限性,本发明提出的基于云模型的模糊综合评价***是通过计算行为云与等级云之间的关系,得到隶属度矩阵,既将行为的不确定性和模糊性通过行为云描述,又将行为属性对不同的等级的隶属关系通过行为云与等级云之间的关联关系反映出来,此种方式更加符合客观事实。此外,由于本发明采用的是‘熵权法’自适应分配属性权重,根据各个行为属性对评价结果贡献不同据此赋予不同的权重,又进一步减少了主观性。提高的评价结果的准确性。同时,由于云模型主要是由3个数字特征组成,评价过程中主要围绕3个数字特征计算,操作简单,避免了利用模糊综合评价模型、BP神经网络分析模型时,由于分层过程和训练参数导致的耗时大,评价过程复杂的问题。另外,随着互联网的飞速发展,网络己经成为人们获取信息的主要渠道。社交网络是现今互联网中的一个重要领域。随着移动互联网的发展,社交网络对人们的生活等方面越来越重要,是一个非常重要的消息传播平台,人们在享受虚拟世界带来的便利时,也存在信息泄露、病毒链接、感情欺诈等安全隐患,因此对在线社交网络中用户的信任进行评估是非常重要的一个分析方向。本发明从用户的行为信任出发,采集用户在社交平台上的行为数据,通过云模型和模糊综合评估***对这些属性对象的信任评价结果合成得到用户的综合信任值,为在线社交网络用户信任的评估提供了一种新的思路。
附图说明
图1是本发明实施例提供的基于模糊熵权法与云模型的用户行为可信度检测方法流程图。
图2是本发明实施例提供的基于云模型理论正向云发生器生成的标准云示例图。
图3是本发明实施例提供的利用云模型理论描述用户可信等级的等级云示例图。
图4是本发明实施例提供的基于模糊熵权法与云模型的用户行为可信度检测***示意图。
图中:1、行为数据采集模块;2、数据预处理模块;3、逆向云发生器模块;4、正向云发生器模块;5、评估模块。
具体实施方式
为了使本发明的目的、技术方案及优点更加清楚明白,以下结合实施例,对本发明进行进一步详细说明。应当理解,此处所描述的具体实施例仅仅用以解释本发明,并不用于限定本发明。
传统信任模型虽然可以解决用户身份认证的问题,但是在用户成功接入网络后,其进行的一系列操作行为没有实时监控,这便让恶意用户可以在伪造一个正常身份接入网络后进行各种各样攻击,让网络陷入风险之中。
现有的用户行为评估方法如层析分析模型、BP神经网络分析模型,模糊理论分析法等,忽略了用户行为各层次元素之间的相互作用和相互依存关系及反馈关系,且评估过程依赖于专家的专业知识以及对评价***的认知程度,以及对于权重分配主观,导致了评估结果不合理,间接影响建立一个可信可控的健康网络环境。
下面结合具体实施例对本发明作进一步描述。
云模型主要是由期望、熵、超熵三个数字特征构成,正向云发生器是输入云的这三个数字特征以及云滴数得到云滴及其隶属度关系,逆向云发生器则是根据输入的样本点根据统计学里面的均值和方差的计算公式以及隶属度来还原云的三个数字特征。
图1是本发明实施例提供的基于模糊熵权法与云模型的用户行为可信度检测方法流程图。
步骤1.建立行为属性云。对收集的行为数据按其行为特征划分成m个行为属性。根据每一个行为属性的样本数据,利用样本均值代替总体均值,得到期望,样本方差代替总体方差的方法,得到熵和超熵,还原出云的数字特征。从而得到m个行为属性云。
步骤2.建立等级云。传统的等级确定方法一般是直接根据等级个数,将一个闭区间划分成对应的区间个数,但是这种方法由于区间划分的主观性太大而导致存在等级边界模糊的问题。因此为了减少等级边界的模糊性,本发明建立等级云来适当的扩大每一个等级区间。事先给出n个评价等级,设个等级区间范围为[rmin,rmax],根据He=0.02确定每一个等级云的数字特征,进而得到n个等级云。
步骤3.通过关联公式计算m个行为云对n个等级云的隶属度,据此得到隶属度矩阵。根据模糊熵权法对隶属度矩阵的元素采用得到每一个属性的权重。根据‘熵权法’得到m个行为属性的权重其基本思想是:属性i对于评价等级j的熵越小,说明行为属性对等级评定的贡献越大,则分配的权重应越大。熵值越大,说明不确定性越大,有用信息越少,相应的权重越小。
步骤4.将隶属度矩阵与权重向量相乘得到最后的评定结果。
图2是本发明实施例提供的基于云模型理论正向云发生器生成的标准云示例图。
图3是本发明实施例提供的利用云模型理论描述用户可信等级的等级云示例图。
图4,本发明实施例提供的基于模糊熵权法与云模型的用户行为可信度检测***,包括:
行为数据采集模块1,通过爬取网站上的用户行为数据或专门的数据提供网站收集目标数据。
数据预处理模块2,由于提供的数据中可能会包含对研究无用的字段,因需要对数据进行去噪处理,筛选出有意义的行为数据,并按照行为特征划分成若干属性。
逆向云发生器模块3,为描述行为数据的不确定性特点,对每一个行为属性通过逆向云发生器形成属性云。
正向云发生器模块4,划分信任等级,并根据每一个等级范围通过正向云发生器形成等级云。
评估模块5,通过上述4个模块,完成了对行为的建模。然后再根据属性云与等级云之间的关系,得到隶属度矩阵,利用熵权法对隶属度矩阵元素处理,得到属性的权重,进而得到用户行为可信值。
下面结合具体实施例对本发明做进一步描述。
针对传统的用户行为评估方法存在评价过程较为主观,权重分配不合理,以及忽略了用户行为存在随机性和模糊性的特征的局限性,本发明提出了一种基于云模型和模糊综合评价法相结合的用
户行为可信评估法,利用云的不确定性描述用户行为的不确定性,将用户的不确定性作为影响评价结果的主要因素,利用‘模糊熵权法’客观的确定属性权重。并将其应用到社交网络的用户行为评定中。具体步骤如下:
(1)收集用户行为数据,并对数据进行预处理,根据用户行为属性建立因素集。并根据输入的行为数据利用逆向云发生器,得到行为云的三个数字特征。此发明中用户行为数据来源于https://www.kaggle.com/datasets网站,通过该网站,收集到来自Facebook社交平台上关于10个用户在2015-2016年内的发布条数、评论条数、点赞个数的信息。具体数据如下:
为了更好的说明本发明的有效性,抽取了1个正常用户和一个异常用户做实验,数据分别是:
用户1发布内容=65条点赞=195个评论=378条
用户7发布内容=2条点赞=432个评论=708条
并将此作为用户行为的3个属性,用户的评定结果分为:极不可信、低可信、一般可信、高可信,对应等级1-4。用户各评估指标的等级如下:
由于各等级属性的递增关系,本发明采用A来集成各个评估指标落入不同等级的值,即A=v1+3×v2+6×v3+9×v4(v1-v4依次表示等级1-4)。
通过逆向云发生器将这三个评估指标的数据作为输入,得到3个用户行为属性云。经计算,用户1的3个属性云的数字特征分别为:(5.42,4.79,1.49),(16.25,12.48,3.77),(32,15.04,3.13)。
(2)根据用户行为数据取值划分等级范围,本文划分的等级范围为[0,0.2],当取值范围为[0,0.05]时,处于‘极为可信’状态,[0.05,0.10]时,处于‘低可信’,[0.10,0.15],处于‘一般可信’状态,[0.15,0.2]时,处于‘高可信’状态。具体划分细节如下表:
区间值 | 等级 | 相应描述 |
[0,0.05] | 1 | 极不可信 |
[0.05,0.10] | 2 | 低可信 |
[0.10,0.15] | 3 | 一般可信 |
[0.15,0.2] | 4 | 高可信 |
因此根据公式He=0.02,得到4个等级云,如图2所示。
(3)不同的行为属性对评价结果的贡献不一,本模型利用‘熵权法’为用户行为属性赋予权值。经计算这三个属性的权重W=[0.08,0.72,0.20]。
(4)根据公式计算用户1的3个属性云与4个等级云之间的隶属关系,得到的模糊关系矩阵为
(5)将模糊关系矩阵与权重向量相乘,得到最后的评价结果V1=W×R=[0.0067,0.0061,0.0094,0.0124]。再通过A=v1+3×v2+6×v3+9×v4将这个信任向量合成,得到最后的评价结果A=0.191。因此用户1处于‘高可信’状态。
用同样的步骤计算出用户2的可信值为0.079。因此用户2处于‘低可信’状态。
下面结合具体分析对本发明作进一步描述。
本发明提出的评价***考虑到计算仅仅围绕云的3个数字特征,没有涉及到更复杂的参数,计算过程简单。
与模糊综合评价法相比,由于其在建立权重向量时,一般采用专家经验法和AHP层次分析法,具有较强的主观性,由于评价过程受到人的情感的影响或者认知水平存在局限性,且层次分析法没有反映事物不确定性本质,评价结果会存在较大的误差。而本发明则是根据属性云与等级云之间的联系确定评价矩阵,云模型本身就是反映事物不确定本质,与行为的随机性、不确定性相契合,评价过程没有主观因素的参与,评价结果更加合理可信。
与BP神经网络分析模型相比,由于需要建立多级输入,而网络层数、神经元个数的选择没有相应的理论指导,且每一级的权重确定需要大量的样本数据进行训练得到,学习速度慢,即使是一个简单的问题,一般也需要几百次甚至上千次的学习才能收敛,因此利用BP神经网络分析模型对用户行为评估,涉及到的评价过程复杂,计算量大。再者,本发明对网络用户进行可信评估,每一个用户产生的行为数据量参差不齐,或多或少,因此本发明不适合利用BP神经网络分析模型,而采用本发明的评价模型,则对任意用户行为都能有效评估,且过程简单,计算量小。
在上述实施例中,可以全部或部分地通过软件、硬件、固件或者其任意组合来实现。当使用全部或部分地以计算机程序产品的形式实现,所述计算机程序产品包括一个或多个计算机指令。在计算机上加载或执行所述计算机程序指令时,全部或部分地产生按照本发明实施例所述的流程或功能。所述计算机可以是通用计算机、专用计算机、计算机网络、或者其他可编程装置。所述计算机指令可以存储在计算机可读存储介质中,或者从一个计算机可读存储介质向另一个计算机可读存储介质传输,例如,所述计算机指令可以从一个网站站点、计算机、服务器或数据中心通过有线(例如同轴电缆、光纤、数字用户线(DSL)或无线(例如红外、无线、微波等)方式向另一个网站站点、计算机、服务器或数据中心进行传输)。所述计算机可读取存储介质可以是计算机能够存取的任何可用介质或者是包含一个或多个可用介质集成的服务器、数据中心等数据存储设备。所述可用介质可以是磁性介质,(例如,软盘、硬盘、磁带)、光介质(例如,DVD)、或者半导体介质(例如固态硬盘SolidState Disk(SSD))等。
以上所述仅为本发明的较佳实施例而已,并不用以限制本发明,凡在本发明的精神和原则之内所作的任何修改、等同替换和改进等,均应包含在本发明的保护范围之内。
Claims (10)
1.一种基于模糊熵权法与云模型的用户行为可信度检测方法,其特征在于,所述基于模糊熵权法与云模型的用户行为可信度检测方法包括:
建立行为属性云:对收集的行为数据按行为特征划分成m个行为属性;根据每一个行为属性的样本数据,利用样本均值代替总体均值,得到期望,样本方差代替总体方差的方法,得到熵和超熵,还原出云的数字特征;得到m个行为属性云;
建立等级云:给出n个评价等级,确定每一个等级云的数字特征,得到n个等级云;
通过关联公式计算m个行为云对n个等级云的隶属度,据此得到隶属度矩阵;根据模糊熵权法得到隶属度矩阵元素每一个属性的权重;
将隶属度矩阵与权重向量相乘得到最后的评定结果。
2.如权利要求1所述的基于模糊熵权法与云模型的用户行为可信度检测方法,其特征在于,
建立等级云中,具体包括:给出n个评价等级,设个等级区间范围为[rmin,rmax],根据He=0.02确定每一个等级云的数字特征,得到n个等级云;
其中,rmin,rmax分别为等级区间的下边界与上边界,Ex,En,He分别为等级云的期望,熵,超熵。
3.如权利要求1所述的基于模糊熵权法与云模型的用户行为可信度检测方法,其特征在于,通过关联公式计算m个行为云对n个等级云的隶属度,据此得到隶属度矩阵;根据模糊熵权法对隶属度矩阵的元素采用得到每一个属性的权重;
其中,m是行为属性的个数,n是等级划分的个数,rij是构成隶属度矩阵R的元素,xi是行为属性云滴,Ex,En,为等级云的期望与熵,pij表示隶属度矩阵中元素rij对其所在列占据的比重,Ei是利用香农提出的信息熵计算公式得到的第i个行为属性的熵值,E′i取的是熵的倒数,表明熵值与属性权重成反比,wi是依据熵权法,计算的第i个行为属性的权重。
4.一种实现权利要求1~3任意一项所述基于模糊熵权法与云模型的用户行为可信度检测方法的计算机程序。
5.一种实现权利要求1~3任意一项所述基于模糊熵权法与云模型的用户行为可信度检测方法的信息数据处理终端。
6.一种网络用户实时监测与控制终端,其特征在于,所述网络用户实时监测与控制终端用于实现权利要求1~3任意一项所述的基于模糊熵权法与云模型的用户行为可信度检测方法,还用于网络用户全生命周期管理。
7.一种用户行为可信评估平台,其特征在于,所述用户行为可信评估平台用于实现权利要求1~3任意一项所述的基于模糊熵权法与云模型的用户行为可信度检测方法,还用于异构网络环境下各个实体信任数据互通,进行信任值传递。
8.一种实现权利要求1~3任意一项所述的基于模糊熵权法与云模型的用户行为可信度检测方法的基于模糊熵权法与云模型的在线社交网络用户行为可信评估***。
9.一种实现权利要求1所述基于模糊熵权法与云模型的用户行为可信度检测方法的基于模糊熵权法与云模型的用户行为可信度检测***,其特征在于,所述基于模糊熵权法与云模型的用户行为可信度检测***包括:
行为数据采集模块,通过爬取网站上的用户行为数据或专门的数据提供网站收集目标数据;
数据预处理模块,用于对目标数据进行去噪处理,筛选出有意义的行为数据,并按照行为特征划分成若干属性;
逆向云发生器模块,用于描述行为数据的不确定性,对每一个行为属性通过逆向云发生器形成属性云;
正向云发生器模块,用于划分信任等级,并根据每一个等级范围通过正向云发生器形成等级云。
评估模块,用于对行为数据的建模;然后再根据属性云与等级云之间的关系,得到隶属度矩阵,利用熵权法对隶属度矩阵元素处理,得到属性的权重,得到用户行为可信值。
10.一种搭载权利要求8所述基于模糊熵权法与云模型的用户行为可信度检测***的网络数据处理平台。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810877992.4A CN109242250A (zh) | 2018-08-03 | 2018-08-03 | 一种基于模糊熵权法与云模型的用户行为可信度检测方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810877992.4A CN109242250A (zh) | 2018-08-03 | 2018-08-03 | 一种基于模糊熵权法与云模型的用户行为可信度检测方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN109242250A true CN109242250A (zh) | 2019-01-18 |
Family
ID=65070379
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201810877992.4A Pending CN109242250A (zh) | 2018-08-03 | 2018-08-03 | 一种基于模糊熵权法与云模型的用户行为可信度检测方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN109242250A (zh) |
Cited By (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110222961A (zh) * | 2019-05-24 | 2019-09-10 | 南京师范大学 | 一种基于熵权法和云模型的发电商市场力评价方法 |
CN110347477A (zh) * | 2019-07-02 | 2019-10-18 | 北京邮电大学 | 一种云环境下服务自适应部署方法和装置 |
CN110598281A (zh) * | 2019-08-28 | 2019-12-20 | 桂林理工大学 | 基于熵权法的正态云模型岩溶塌陷预测分析方法 |
CN111598749A (zh) * | 2020-05-07 | 2020-08-28 | 重庆第二师范学院 | 一种教育发展研究的优化方法 |
CN112566219A (zh) * | 2020-12-03 | 2021-03-26 | 国网甘肃省电力公司信息通信公司 | 一种电力通信异构网络选择的权重确定方法 |
CN113468589A (zh) * | 2020-03-30 | 2021-10-01 | 微软技术许可有限责任公司 | 检测数据收集正当性 |
CN113660147A (zh) * | 2021-10-21 | 2021-11-16 | 成都数默科技有限公司 | 一种基于模糊熵的ip会话序列周期性评估方法 |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105046453A (zh) * | 2015-09-02 | 2015-11-11 | 中铁十一局集团有限公司 | 一种引入云模型进行评价选择的建设工程项目群构建方法 |
CN106407493A (zh) * | 2016-03-15 | 2017-02-15 | 中南大学 | 一种基于多维高斯云模型的岩爆等级评价方法 |
CN107909255A (zh) * | 2017-11-06 | 2018-04-13 | 天津大学 | 一种基于云模型的帷幕灌浆效果模糊综合评价方法 |
-
2018
- 2018-08-03 CN CN201810877992.4A patent/CN109242250A/zh active Pending
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105046453A (zh) * | 2015-09-02 | 2015-11-11 | 中铁十一局集团有限公司 | 一种引入云模型进行评价选择的建设工程项目群构建方法 |
CN106407493A (zh) * | 2016-03-15 | 2017-02-15 | 中南大学 | 一种基于多维高斯云模型的岩爆等级评价方法 |
CN107909255A (zh) * | 2017-11-06 | 2018-04-13 | 天津大学 | 一种基于云模型的帷幕灌浆效果模糊综合评价方法 |
Non-Patent Citations (4)
Title |
---|
张海侠: "基于熵权—云模型的智慧城市发展潜力评价——以华东13城市为例", 《淮阴工学院学报》 * |
徐廷学等: "《导弹武器***可用度评估、优化与预测方法》", 31 January 2017, 国防工业出版社 * |
杨晓东等: "《舰船半解析式惯性导航原理及应用》", 31 May 2014 * |
王丹琛: "面向信息***业务运行的应用安全评估及关键问题研究", 《中国博士学位论文全文数据库 信息科技辑》 * |
Cited By (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110222961A (zh) * | 2019-05-24 | 2019-09-10 | 南京师范大学 | 一种基于熵权法和云模型的发电商市场力评价方法 |
CN110347477A (zh) * | 2019-07-02 | 2019-10-18 | 北京邮电大学 | 一种云环境下服务自适应部署方法和装置 |
CN110347477B (zh) * | 2019-07-02 | 2021-07-09 | 北京邮电大学 | 一种云环境下服务自适应部署方法和装置 |
CN110598281A (zh) * | 2019-08-28 | 2019-12-20 | 桂林理工大学 | 基于熵权法的正态云模型岩溶塌陷预测分析方法 |
CN113468589A (zh) * | 2020-03-30 | 2021-10-01 | 微软技术许可有限责任公司 | 检测数据收集正当性 |
CN111598749A (zh) * | 2020-05-07 | 2020-08-28 | 重庆第二师范学院 | 一种教育发展研究的优化方法 |
CN112566219A (zh) * | 2020-12-03 | 2021-03-26 | 国网甘肃省电力公司信息通信公司 | 一种电力通信异构网络选择的权重确定方法 |
CN112566219B (zh) * | 2020-12-03 | 2023-05-19 | 国网甘肃省电力公司信息通信公司 | 一种电力通信异构网络选择的权重确定方法 |
CN113660147A (zh) * | 2021-10-21 | 2021-11-16 | 成都数默科技有限公司 | 一种基于模糊熵的ip会话序列周期性评估方法 |
CN113660147B (zh) * | 2021-10-21 | 2022-01-11 | 成都数默科技有限公司 | 一种基于模糊熵的ip会话序列周期性评估方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN109242250A (zh) | 一种基于模糊熵权法与云模型的用户行为可信度检测方法 | |
Kou et al. | Pairwise comparison matrix in multiple criteria decision making | |
Gül | Fermatean fuzzy set extensions of SAW, ARAS, and VIKOR with applications in COVID‐19 testing laboratory selection problem | |
Deebak et al. | Privacy-preserving in smart contracts using blockchain and artificial intelligence for cyber risk measurements | |
US20190104197A1 (en) | Discovering signature of electronic social networks | |
Zhao et al. | A machine learning based trust evaluation framework for online social networks | |
CN111107072B (zh) | 一种基于认证图嵌入的异常登录行为检测方法及*** | |
US9799007B2 (en) | Method of collaborative software development | |
CN110162445A (zh) | 基于主机日志及性能指标的主机健康评价方法及装置 | |
CN107895038A (zh) | 一种链路预测关系推荐方法及装置 | |
CN103577876A (zh) | 基于前馈神经网络的可信与不可信用户识别方法 | |
Parvatharaju et al. | Learning saliency maps to explain deep time series classifiers | |
Mostaeen et al. | Clonecognition: machine learning based code clone validation tool | |
RU2607977C1 (ru) | Способ создания модели объекта | |
CN116204773A (zh) | 一种因果特征的筛选方法、装置、设备及存储介质 | |
CN114841598A (zh) | 针对操作风险的决策方法、装置、设备和程序产品 | |
Zeng et al. | Influential simplices mining via simplicial convolutional networks | |
Deng et al. | A national risk analysis model (NRAM) for the assessment of COVID‐19 epidemic | |
CN109255389A (zh) | 一种装备评价方法、装置、设备及可读存储介质 | |
Djebrouni et al. | Bias mitigation in federated learning for edge computing | |
CN112860973A (zh) | 基于社交网络分析的组织健康评估方法 | |
Dong | Application of Big Data Mining Technology in Blockchain Computing | |
Li et al. | Study of E-business applications based on big data analysis in modern hospital health management | |
WO2024007565A1 (en) | Network analysis using optical quantum computing | |
WO2020214187A1 (en) | Identifying and quantifying sentiment and promotion bias in social and content networks |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
RJ01 | Rejection of invention patent application after publication |
Application publication date: 20190118 |
|
RJ01 | Rejection of invention patent application after publication |