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

文档序号:15701881发布日期:2018-10-19 19:58阅读:来源:国知局

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。

当前第2页1 2 3 
网友询问留言 已有0条留言
  • 还没有人留言评论。精彩留言会获得点赞!
1