顧及多源神經網絡的復雜網絡異常識別

王建國

(陽泉師范高等專科學校 信息技術系，山西 陽泉 045200)

隨著網絡信息技術的快速發展，網絡異常識別得到了日益廣泛的應用[1]，通過在源程序中添加自主識別功能可以使得該設計可追蹤性變強[2-3]。為了能夠在復雜網絡中實現對這些網絡的有效識別，要求能夠對復雜網絡關系的本質進行準確的判別[4]。但是，依靠神經網絡進行復雜網絡異常的識別是十分復雜的[5]，傳統的設計網絡識別工作多數都是通過分析網絡結構來實現的[6]，而對于復雜網絡環境的考慮并不周全[7]。

針對當前研究中存在的不足，本文提出利用多源神經網絡進行復雜網絡異常識別。通過對備忘錄網絡中的實例進行研究，詳細地描述識別流程。在對網絡結構進行研究時，形態分析屬于較為常見的分析方法，主要是對網絡進行分析。本文依據網絡特征來進行歸類，使得具有相同網絡特征的能夠歸為一類，得到一個抽象個體，以此將網絡結構通過有限抽象個體進行描述。本文利用形態分析技術，就網絡結構是否具有某種異常特征進行識別。為了實現這一目標，對當前已有的三值邏輯結構進行擴充，對具有網絡特征的結構進行有效識別，隨后結合網絡形態結構及其變化方式設計識別網絡異常的方法。最后，借助Stuttgart Neural Network Simulator(SNNS)模擬器就本文方法的有效性進行展示和驗證。

1 多源神經網絡異常識別過程

利用這種三值邏輯結構對網絡成員之間存在的引用結構進行表示與說明。其中,U代表論域，其主要組成成分為個體individual，而且還可將個體進行具體劃分，得到確定個體與不確定個體兩類。確定個體與運行對象是具有一一對應關系，不確定個體，則對應的運行對象不止一個。在確保網絡不被遺漏的基礎上，對該結構進行嚴格識別。P(網絡P)代表的是能夠對論域個體間具有的引用關系進行合理描述，ι代表的則是在將P中網絡表達式在各個體上應用之后對應的取值，在該結構中利用的邏輯結構為Cleane，對于確定值用0或者1來進行表示，而如果不是確定真值，則是利用1/2來進行表達。一般情況下，對于具體的三值邏輯結構利用符號σ來表示，或者可將其稱之為異常網絡。而且還可將異常網絡以一種更加直觀的方式進行表達，也就是形態圖。在該圖中，各節點與個體之間是具有對應關系的,而且是以實線對應表示普通的節點，而對于縮略節點則是以虛線來表示，并且這些虛線與實線反映了在個體中存在的各種確定與不確定性關系。假如個體u能夠被變量x所直接引用，那么此時將會存在一條線是由x指向u的。如圖1所示的四種異常網絡，在σ(s1)結構中，u1和u2代表的是確定個體，各自都與一個對象相對應，其中的u2代表的是不確定個體，與之相對應的對象超過一個。

對于三值邏輯結構而言，可以將其中的網絡進行細分，得到輔助網絡以及核心網絡等，網絡之間的差異可以作為對復雜網絡異常識別的依據。核心網絡(core predicate)代表的是在對象引用方面程序設計語言所具有的網絡，具體來講，對于圖1中的σ(s1)結構，是滿足條件x(u1)=1,p(u1,u2)=1/2,p(u2,u2)=1/2的，此時,他能夠反映出u1代表的對象確定被x引用，而p對u2所代表的對象應用是否存在是無法確定的。而且還可借助p使得u2所代表的對象之間發生反應或者相互作用。此外，輔助網絡(instrument ation predicate)是基于核心網絡進行的界定，能夠反映特定分析對應的網絡信息。而基于前兩種網絡能夠界定宏網絡(macro predicate)，該網絡的設置主要是為了更加方便地進行表述，因此不需要對其進行設置。此外，還可以基于自由變量數量進行網絡設置，得到一元以及多元網絡，其中前者主要就個體屬性進行描述，而后者主要是對個體之間存在的引用關系進行描述,而且在全部的一元網絡中，將具有相同取值的對象經過合并后得到一個縮略個體。

圖1 互換兩個對象位置的操作

如果正在執行程序中的某些語句，那么將使得網絡結構產生改變。所以，如果要對形態進行詳細研究時，需要調用一些基本賦值，找到網絡相對應的時變函數，然后，需要對整個控制流程圖從頭到尾進行搜索，同時參照相應的程序進行初始化設置和查詢實變函數，只有這樣,才能夠更加準確地找到每個子程序相應的異常網絡。伴隨著結構的改變，許多模糊的單個網絡也將會改變，最終可以獲得相應的個體。因為一元網絡的取值相同，這些個體還可能被顧及，進而得到新的個體。為了能夠對不同結構中同一對象具有的可追蹤性進行分析，在文章中還提出了分化網絡FocusTo(s1,s2,s3)、合并網絡MergeTo(s1,u1,s2,u2)和流入網絡InFlow(s1,u1,s2,u2)作為表達不同結構中對象間的可達關系。本文設計了網絡R[p](s1,u1,s2,u2),并將上述四種網絡都歸入到結構間網絡中,其中的輔助網絡分為分化與合并兩種，其余兩種則為宏網絡。其中的變元中的s1、s2與程序控制流圖的節點是對應的，表示了在執行語句前后，程序所具有的狀態，將其以4表示，而且如果是在狀態σ(s)下，對應的φ的取值為φ@σ(s)。

以具有對象可追蹤性特征的網絡為例,對追蹤過程進行闡述。

(1) 假如在控制流圖上有兩個點s1，s2，s1∈prev+(s2)(表示在控制流圖中，s1是s2的直接或間接前驅)，σ(s1)中的個體u被分化為σ(s2)中的個體{u1,u2,…,un}，則FocusTo(s1,u,s2,ui)=1，其中，1≤i≤n。

(2) 如果有控制流圖上的兩個點s1，s2，s1∈prev+(s2)，σ(s1)中的個體{u1,u2,…,un}在σ(s2)中被合并為個體u，則MergeTo(s1,ui,s2,u)=1，其中，1≤i≤n。

圖1所示的是對象位置交換的實現過程，其中的s1～s4代表的是在執行過程中，對應的程序點，σ(s1)-σ(s4)代表的則是與之相對的異常網絡，σ(s1)中的u2在σ(s2)中被分化成u4～u8這5個個體,在σ(s3)中，u5和u7交換位置。在σ(s4)中，u4～u8這5個個體由于在x(u)，y(u)和z(u)這3個一元網絡上的取值均為0，因此被合并為不確定個體在此過程中，有

FocusTo(s1,u2,s2,ui)=1,

MergeTo(s3,ui,s4,u9)=1

其中，4≤i≤8。

FocusTo和MergeTo關系可以通過分化操作以及合并操作獲得。就如何得到異常網絡變遷進行了方法上的闡述。在進行網絡公式推導的階段，就會執行分化程序，在后期改變的清除階段，將會對以上操作實施。FocusTo和MergeTo顯然滿足傳遞性，即

FocusTo(s1,u1,s2,u2)∧FocusTo(s2,u2,

s3,u3)?FocusTo(s1,u1,s3,u3)

MergeTo(s1,u1,s2,u2)∧MergeTo(s2,u2,

s3,u3)?MergeTo(s1,u1,s3,u3)

為了進一步使各過程中個體具有更強的可追蹤性，在本文中還進行了如下界定：

InFlow(s1,u1,s2,u2)?FocusTo(s1,u1,s2,u2)∨

MergeTo(s1,u1,s2,u2)

綜合上述分析能夠得出，InFlow關系是具有可傳遞性的。還應當明確的是，這種InFlow關系和FlowTo關系不是一樣的，是存在區別的，在后者中主要是對兩個棧變量關聯網絡交集問題進行描述。

2 實例分析

本文主要就如何在開源程序SNNS中實現對復雜網絡異常的有效識別進行了說明，所使用的LER內大約有1 000個節點，節點的平均度數值為20，其中，最大的節點度數高達50，節點度數分布采用-2的冪指數函數，除此之外，參數一般取值為0.3，最終組成一個數據庫，此數據庫僅僅有一個節點數度數最大可以為20。文章首先可以對網絡異常結構從網絡角度進行分析，從中進行變量查找，以獲得類Edit，其中將會含有兩個成員變量，即prew、next，因此是可能形成Edit類域對象網絡的。通過網絡分析，可以獲得全部通過成員變量應用Edit類的類，并且從中能夠得到在UndoManager中具有的成員變量，即undosFirst,undoslast,redosFirst和redosLast，為了使描述更加簡單，本文對于存在的UndoManager對CompundEdit的引用并沒有納入考慮范疇。

為了進一步識別復雜網絡中的異常情況，文章通過5個時間點劃分，任意挑選10%的多源神經網絡，反復進行復雜網絡的分裂和合并實驗。圖2(a)(b)展示了算法ARMCN和算法DYNMOGA，FacetNet算法中的NMI和Error實驗結果。從實驗結果可以看出：在第1個時間點，ARMCN 算法相比于DYNMOGA算法和FacetNet算法更有優勢。但ARMCN算法和FacetNet算法中的NMI實驗結果幾乎一樣，ARMCN算法在復雜神經網絡識別過程中可以有效地識別網絡，除此之外NMI的數值保持在0.98以上。盡管DYNMOGA算法是從第2個時間點開始，NMI測試結果一直保持在0.96，但是ARMCN算法的錯誤率明顯低于DYNMOGA算法和FaceNet算法,此項實驗進一步驗證了ARMCN算法可以高效、無誤地識別復雜網絡。

(a) 標準化互信息

(b) 錯誤率圖2 復雜網絡

借用多源神經網絡進行優化問題時，存在的主要弊端是運算時間比較長，另一個突出問題是需要反復進行適應度函數的運算。如果神經網絡的數量增加到比較大的時候，此弊端將會進一步擴大，特別是在優化多源神經網絡方面，此前的算法則更為復雜。本文提出的方法計算比較快，比較適合網絡結構較大的神經網絡,具體的計算如表1,表2所示。

表1 算法運行時間(g=50) s

表2 算法運行時間(g=100) s

多源神經網絡可以分為4個不同的神經網絡，節點平均度數avgDegree=16,z=5,每個時間點上有10%的節點被選擇進入其他神經網絡,除此之外,節點數目n取值范圍是{128,256,512,1 024,2 048,4 096,8 192,16 384}，對應的邊m的改變范圍是{1 938,4 018,8 184,16 158,33 026,65 256,131 388,285 782}。網絡數量p的變化范圍是{50,100,200}，迭代次數g的變化范圍是{50,100}。從表1和表2實驗結果可以看出：在一個時間點上，對應不一樣的p,g組合，ARMCN算法和DYNMOGA算法的實驗驗證時間。特別是目前點數量成倍增長，ARMCN算法的內部使用明顯低于DYNMOGA算法,DYNMOGA算法通常就是ARMCN算法運行時間的6倍左右。ARMCN算法的時間復雜度為O(gplogp×(n+m)),當在神經網絡數量以及迭代次數確定的情況下，ARMCN算法執行時間呈線性增長。

3 結論

當前有關復雜網絡關系的研究文獻中，并沒有將多源神經網絡運用其中，因此，如果復雜網絡運用當前的研究方法則無法進行有效分析。構建網絡識別方法，基于該方法對復雜網絡結構具有的一般特征進行描述,開展集中管理，針對實際中較為常見的一維無環網絡進行分析，基于多源神經網絡對網絡進行擴展檢測，以實現對不同尋常網絡的有效追蹤，進而分析在不同的異常網絡下，對應情況進行及時處理。本研究還進一步剖析了為何將多源神經與異常識別視為復雜網絡關系。本研究使用的多源神經網絡算法，基于靜態網絡視角，使得識別設計網絡具有更好的能力，也提高了識別結果的細致性以及準確性。