基于最小风险的深度神经网络的异常用户检测方法与流程

技术特征：

1.基于最小风险的深度神经网络的异常用户检测方法，其特征在于，包括以下步骤：

1)对异常用户的数据进行预处理，得到异常用户和正常用户数据量一致的数据；

2)构建异常用户检测的深度神经网络模型，利用Mini-batch批量梯度下降方法对深度神经网络模型进行训练；

3)通过步骤2)得到的深度神经网络模型对异常用户进行分类检测。

2.根据权利要求1所述的基于最小风险的深度神经网络的异常用户检测方法，其特征在于，步骤1)中预处理的具体步骤为

11)对异常用户的数据进行规则化，使数据维度和量级保持一致；

12)对规则化的异常用户的数据进行过采样，得到异常用户和正常用户数据量一致的数据。

3.根据权利要求1所述的基于最小风险的深度神经网络的异常用户检测方法，其特征在于，步骤2)的具体步骤为：

21)利用Mini-batch批量梯度下降方法对深度神经网络进行训练，得到神经网络参数；

22)根据NOMA通信系统中不同用户的危害程度高低将用户进行分类，构建决策表，利用决策表中对应的损失构建深度神经网络模型的代价函数，基于代价函数对深度神经网络模型进行训练，得到模型参数。

4.根据权利要求3所述的基于最小风险的深度神经网络的异常用户检测方法，其特征在于，步骤22)具体步骤为：

221)将异常用户划分为恶意侵害用户、自私用户和故障用户，恶意侵害用户、自私用户和故障用户对通信网络的危害程度依次递减；

222)构建决策表，决策表包含自然状态空间、决策空间和决策对应的损失，自然状态指待检测对象的类别，自然状态空间Ω＝{w1，w2，w3，w4}，w1、w2、w3和w4表示四种自然状态，即四种用户类型，分别为正常用户、恶意侵害用户、自私用户和故障用户；决策指将待检测对象判别的类型，决策空间A＝{α1，α2，α3，α4}，α1、α2、α3和α4表示四种决策，即四种判别类型，分别为正常用户、恶意侵害用户、自私用户和故障用户；决策对应的损失函数为λ(αi，wj)，表示对自然状态wj作出决策αi时所造成的损失，当i＝j时，损失为零；

223)决策损失函数加权得到代价函数，基于代价函数对深度神经网络模型进行训练，采用Mini-batch批量梯度下降方法获得模型参数。

5.根据权利要求4所述的基于最小风险的深度神经网络的异常用户检测方法，其特征在于，训练过程的目标为代价函数值最小，具体为

其中x表示检测样本，即用户数据，为训练模型得到的模型参数，θ表示模型参数，P(wj|x；θ)表示在模型参数为θ的条件下检测样本x为自然状态wj的概率，wj表示自然状态，即用户类型，αi表示决策，即判别类型，λ(αi，wj)为决策对应的决策损失，即对自然状态wj作出决策αi时所造成的损失。

6.根据权利书要求4所述的基于最小风险的深度神经网络的异常用户检测方法，其特征在于，采用Mini-batch批量梯度下降方法获得模型参数具体为，随机把训练数据集分成若干批次的数据，每次输入一批次用户数据，求取代价函数的梯度方向，根据梯度方向和学习率更新模型参数循环直至达到设定收敛条件，以达到收敛条件的模型参数为最终参数。