[发明专利]一种随机森林的边缘计算终端安全等级评估方法

权利要求书

1.一种随机森林的边缘计算侧终端安全等级评估方法，其特征在于：包括以下步骤：

S1.在边缘计算侧搭建安全测试平台，设定终端的k个测试单项，每个测试单项的测试结果为0或1，其中0表示不通过，1表示通过；

S2.在边缘侧的安全测试平台上，按照k个测试单项对m+n台智能终端进行测试，得到每一台智能终端的安全性能单项测试结果集，其中第i台智能终端的安全性能单项测试结果集为：

X_i＝[x_i1,x_i2,...,x_ik]，i＝1,2,...,m+n；

其中，x_ij为第i台智能终端的第j个测试单项得分，j＝1,2,…,k；将所有智能终端的单项测试结果用(m+n)*k维矩阵X表示：

S3.确定智能终端安全等级和单项测试结果集的对应关系；

S4.按照步骤S3中的对应关系，计算每个X_i＝[x_i1,x_i2,…,x_ik]对应的安全等级y_i，计算完毕后得到数据集D＝{(X₁,y₁),(X₂,y₂),…,(X_m+n,y_m+n)}；

S5.划分数据集D，取数据集D的前m项为训练集T，后n项为测试集S：

训练集T＝{(X₁,y₁),(X₂,y₂),…,(X_m,y_m)}，占数据集的比例为

测试集S＝{(X_m+1,y_m+1),(X_m+2,y_m+2),…,(X_m+n,y_m+n)}，占数据集的比例为

S6.将训练集T＝{(X₁,y₁),(X₂,y₂),...,(X_m,y_m)}作为样本集合，输入随机森林分类器模型中进行训练，得到成熟的分类器模型；

所述步骤S6包括以下子步骤：

S61.选择随机森林算法构建随机森林分类器模型，它属于Bagging类型，通过组合多个弱分类器，最终结果通过投票或取均值；

S62.将训练集T＝{(X₁,y₁),(X₂,y₂),...,(X_m,y_m)}划分为少数类样本集T_min和多数类样本集T_max，其中，并且T_min∩T_max＝{T}；

S63.从原始样本集中随机的抽取三分之二个样本点，得到训练集T′，观察T′的少数类数据集T_min′，多数类数据集T_max′；

S64.计算值，给出条件且

S65.如果训练集T′满足S64中的条件，则保存抽取得到的训练集，若训练集T′不满足S64中的条件，则舍弃抽取得到训练集；

S66.重复步骤S63～S65，直至得到N_tree个满足条件的训练集，其中，N_tree为拟构造决策树数量，最终得到的N_tree个训练集为其中i＝1,2,…,N_tree；

S67.在i＝1,2,…,N_tree时，利用训练集T_i，训练一个CART决策树H_i，依据Gini指标选取最优特征；

S7.训练完成后，将测试集S＝{(X_m+1,y_m+1),(X_m+2,y_m+2),...,(X_m+n,y_m+n)}输入训练得到的随机森林分类器模型中，得到测试结果与步骤S4安全等级对比得到达标分类器；

所述步骤S7包括以下子步骤：

S71.测试集S＝{(X_m+1,y_m+1),(X_m+2,y_m+2),...,(X_m+n,y_m+n)}为待测样本；

S72.对于i＝1,2,…,N_tree，决策树初始投票权重为1，令R_i＝T_imax′/T_imin′；

更新每棵决策树的投票权重为

S73.对于j＝m+1,m+2,…,m+n，i＝1,2,…,N_tree，输入待测样本X_j，由S66的决策树H_i输出H_i(X_j)，预测的最终类别为即为测试样本X_j对应的安全等级；

S74.设定判决分类器误差门限值θ，0≤θ≤1；

如果则分类器满足预设门限值，为达标分类器，若不满足则返回步骤S5重新训练，其中

S8.将新接入的待测边缘计算侧智能终端接入安全测试平台得到测试结果，输入达标的分类器模型中进行评估，得到对应的安全等级。