[发明专利]一种基于多标签超网络的云用户行为认定方法

权利要求书

1.一种基于多标签超网络的云用户行为认定方法，其特征在于：该认定方法将用户的正常行为数据库训练成一个超网络模型，并把当前用户的实时行为作为实例加入到超网络模型中进行分类，如果一次分类成功找到标签，则认定为正常用户，若没找到标签，则更新超网络模型的超边权重，并替换超网络模型的超边，二次进行标签寻找，若找到标签，则认定为风险型用户，反之则认定为恶意用户。

2.根据权利要求1所述的一种基于多标签超网络的云用户行为认定方法，其特征在于：将用户的正常行为数据库训练成一个超网络模型的过程包括以下步骤：

步骤S1，对用户的正常行为数据库中的数据进行特征选择并获得训练数据实例x，将获得的训练数据实例x进行构造以形成训练集；

步骤S2，对多标签超网络进行定义：H＝(V,E,W)，其中V表示对应于数据特征的顶点集合，E表示一组超边，W＝[w₁,w₂,...,w_|E|]^T表示一个实数矩阵，其中每一行代表一个特定超边的权重向量，在多标签超网络中，每个超边e_i由三部分组成：顶点集标签向量y_i＝[y_i1,y_i2,...，y_ic]和权重向量w_i＝[w_i1,w_i2,...，w_ic]，v_i和y_i是从训练数据实例x生成的，w_i是从训练数据中获得的参数；每个训练数据实例x通过超边和超边权重向量w_i与标签y_i相关联起来，以形成超网络模型。

3.根据权利要求2所述的一种基于多标签超网络的云用户行为认定方法，其特征在于：所述步骤S1训练集的形成过程如下：

步骤S11：定义Dis来对用户的正常行为数据库中的数据特征的重要性进行度量，以评估各个特征向量的辨别能力，其中，D_p是一个特征向量与它最邻近的不同类特征向量之间的平均距离，D_q是一个特征向量与它最远的同类特征向量之间的平均距离，用行为实例S作为训练集，计算D_p和D_q，计算公式如下：

其中j≠k且class(V_j)≠class(V_k)；

其中j≠k且class(V_j)＝class(V_k)；

dis(V_j,V_k)用于表示两个近似特征向量V_j和V_k之间距离的任何度量；

步骤S12，采用Czekanowski距离来评估两个特征向量的不相似性，评估公式如下：

其中，d代表特征维度，其值在[0,1]范围内有界，从而得出训练集，训练集大小为N，N＝{(x₁,y₁),...,(x_i,y_i),...,(x_N,y_N)}，对于第i个样本，x_i＝[x_i1,x_i2,...,x_iN]^T∈R^D是D维特征向量，y_i＝[y_i1,y_i2,...,y_iC]^T∈{1,0}^C代表C维二进制标签向量，1代表相关，0代表无关，使用以下两个矩阵来描述训练集：

X＝[x₁,...,x_i,...,x_N]^T＝[x⁽¹⁾,...,x^(k),...,x^(D)]，

Y＝[y₁,...,y_i,...,y_N]^T＝[y⁽¹⁾,...,y^(l),...,y^(C)]，

x^(k)代表第k个特征向量，y^(l)代表第l个二进制标签向量。