基于半監督學習的物聯網用戶識別模型分析與研究

孫靜 馮鋒

摘 要：隨著物聯網技術在多個領域的大規模應用，終端用戶數量呈快速上升趨勢。在享受通信便利的同時，也有個別用戶利用物聯網特性生成大量虛假用戶，不利于行業的健康發展。針對以上現象，文中采用半監督學習的方法，通過研究相關樣本數據的特征，建立用戶識別模型，對異常用戶行為做出及時判斷，幫助相關部門、人員采取相應的措施，避免產生較大的損失，節省了大量人力物力，具有廣泛的應用前景。

關鍵詞：物聯網;用戶識別;半監督學習;識別模型;樸素貝葉斯分類;隨機森林

中圖分類號：TP391文獻標識碼：A文章編號：2095-1302（2020）11-0-03

0 引 言

伴隨著LoRa、NB-IoT、5G等物聯網通信技術的發展，我國物聯網終端用戶猛增。在日益增加的用戶數量中，若出現大量惡意的虛假用戶，則會影響物聯網平臺正常的工作運行。這些虛假用戶占用了大量資源，使物聯網平臺無法充分利用，既影響用戶的自身利益，也不利于物聯網行業的健康發展。

僅憑人力識別、用戶舉報等傳統方法監督用戶行為，具有一定的局限性和缺陷，監督及識別效果并不理想。本文對于物聯網用戶識別模型進行研究，針對不同的識別方法及分類器進行分析，幫助相關人員盡早發現用戶的異常行為，及時采取措施，避免造成更大損失。

1 物聯網平臺概述

物聯網的工作流程為傳感器收集數據，通過網絡連接向云端發送數據，進行數據處理，篩選有用的數據后再向終端用戶傳遞有用信息[1-2]。物聯網平臺主要分為服務管理器和控制中心兩部分，物聯網平臺組成如圖1所示。

物聯網卡和5G技術在未來的物聯網行業擁有絕對的優勢。現階段物聯網卡具有資費便宜、無實名制等特點，依托物聯網應用于智能服務領域，如智能家居、智能穿戴、智慧安防等[3]。在物聯網平臺上，用戶群體被分為不同的身份與類型，為不同的用戶提供不同的平臺數據視圖、權限等。

2 識別模型概述

用戶識別實質上是根據用戶的特征數據對其進行分類的過程，將異常數據與正常數據拆分開來。用戶數據中既有少量的已確定虛假用戶的信息，也有占大部分的正常用戶。基于以上特征，本文建立了基于未標記樣本以及正樣本的半監督學習模型[4-5]，用于識別物聯網用戶的類型。

解決這類問題主要有兩種方法。第一種方法是直接在正樣本中進行訓練，訓練出的分類器可以判別測試數據是否屬于訓練樣本類別。但實際情況是，現實數據遠比實驗復雜，且模型只會輸出“是”或“不是”兩種結果，容易出現被認定為“不是”的樣本并不屬于正樣本相對的另一類，出現誤判的情況。

第二種方法是將其分為兩步，將分類與預測分開。第一步是根據已標注的樣本，在大量未標注樣本中通過訓練找出可靠的負樣本集;第二步是通過迭代訓練得到一個分類器進行用戶識別工作。識別模型工作流程如圖2所示。

3 用戶數據處理

在處理關于用戶的原始數據時，首先進行數據核查，通過計算數據的均值、期望值、中位數、方差等了解原始數據的大致分布。根據用戶識別業務的需求遍歷所有重要字段，所需數據字段見表1～表4所列。轉換部分數據類型，便于后續處理，并利用上文得到的統計數據進行空值填充。將處理好的數據進行打標簽操作后隨機排序，分為訓練集和測試集，再將測試集中的一小部分數據分離出可靠的正樣本，用于訓練分類器。

4 模型選擇與搭建

4.1 兩步法

在本文所研究的兩步法模型中，第一步使用的模型為樸素貝葉斯分類器，其優勢在于算法數學模型穩定、學習簡單，分類效果較理想[6-7]。該分類器所需參數很少，對于缺失的數據不太敏感，比較符合實際數據情況，可解釋性強。理論上來說，相較于其他模型，它的誤差率最小。

貝葉斯基本公式為：

假設數據的每個樣本有m維特征向量，描述其m個屬性的值，即A={x1， x2， ...， xm}。數據類別可分為n類，即n={y1， y2， ...， yn}。給定未知樣本集X，使用樸素貝葉斯分類方法將樣本按類別n={y1， y2， ...， yn}分開。

代入貝葉斯理論，可得給定的某用戶A屬于某分類yn的概率為：

對于給定用戶A屬于某一分類yn的概率，可由A在每個給定的分類yn的概率得出，需要計算每個分類用戶A在其中的概率。即

假設集合T為正樣本集合，集合U為未標記樣本集合。模型訓練過程如下：

（1）將集合T、U中的樣本類別標記為1、0;

（2）分別使用數據集T和U進行訓練，得到理想的分類器;

（3）使用上述分類器將未標記樣本進行分類。

第二步使用的模型為隨機森林算法。“森林”由多個決策樹組成，采用隨機有放回的選擇模式訓練數據模型，引入隨機屬性選擇，通過組合模型來提升學習效果[8]。“森林”中的每一棵樹都會根據自己分類選擇進行“投票”，最終的結果是“票數”最多的屬性。其計算公式如下：

式中：H（x）表示隨機森林分類模型最終結果;hi（x）表示每棵決策樹的單獨分類結果;Y表示需要分類的對象。通過投票策略將得票數最多的分類結果進行輸出[9]。

模型搭建需要根據數據進行特征選擇，本文主要針對一周之內的操作行為、流量、短信等信息進行統計。對數據首先進行數據清洗預處理，過濾掉某些異常的數據，并根據后期的需求對關鍵字段進行處理。根據其用戶ID找到對應的

SIM ID，并關聯其操作記錄表、流量表、信息表。物聯網卡的流量監控為重要指標，根據時間記錄對最近七天的短信使用量和數據流量使用量求和。對操作行為表進行預處理，根據操作時間及SIM ID對最近七天的操作次數求和。將七天的數據以第一天為基準進行內關聯，最終得到每一張卡在七天中的操作行為、短信、流量的情況。對于已標注的虛假用戶數據的處理與以上流程一致。

將30%數據作為測試集，70%數據作為訓練集。在訓練集上建立模型，第一步使用樸素貝葉斯模型，第二步使用隨機森林模型。調整模型參數，找到在訓練集上表現結果最優的模型，最后使用測試集進行測試。對預測結果的評判不能只按照傳統的精確率、召回率等，因為除已標記的虛假用戶外，對于未知用戶類型并沒有確切的判斷。這里的判斷標準采用，其中代表樣本為正樣本的概率，r代表召回率，p代表精確率。使用這個公式來判斷分類器的性能。兩步法模型預測結果見表5所列。

4.2 一步法

上文提到的直接法是在正樣本上進行訓練，比較經典的單分類方法為one-class SVM模型。 在識別一個新的“點”（用戶數據）時，若落在該超平面內，說明屬于正樣本集，若不是則屬于其他類，但無法判斷出具體屬于哪一類[10]。one-class SVM模型的訓練樣本只有一類，與二分類問題有一定差別，本文只對物聯網用戶的正樣本數據進行訓練，最終訓練結果中挑出不屬于正常用戶的數據即可。

5 結 語

本文從物聯網角度出發分析了用戶識別模型，根據物聯網的特性使用機器學習方法建立模型，并進行分類操作。通過實驗可以看出一步法的準確率遠低于兩步法。盡管理論上現有模型可以達到較好的效果，但還有繼續改善之處：兩步法分類模型嘗試使用更多不同分算法組合進行訓練，以達到更為精準的結果;對于字段的提取，根據實際情況增加或減少，調整不同特性的權重比例，不斷完善，提高預測準確率。

參考文獻

[1]胡向東.物聯網研究與發展綜述[J].數字通信，2010，37（2）：17-21.

[2]李榮.物聯網用戶界面如何工作[J].計算機與網絡，2019，45（12）：38-39.

[3]王曉菊，田立勤，趙競雄.基于物聯網的用戶行為認證機制與分析[J].南京理工大學學報，2015，39（1）：70-77.

[4]張溶芳，許丹丹，王元光，等.機器學習在物聯網虛假用戶識別中的運用[J].電信科學，2019，35（7）：136-144.

[5]譚侃，高旻，李文濤，等.基于雙層采樣主動學習的社交網絡虛假用戶檢測方法[J].自動化學報，2017，43（3）：441-460.

[6]張步良.基于分類概率加權的樸素貝葉斯分類方法[J].重慶理工大學學報（自然科學），2012，26（7）：81-83.

[7]張璠.多種策略改進樸素貝葉斯分類器[J].微機發展，2005，15（4）：35-36.

[8]徐少成，李東喜. 基于隨機森林的加權特征選擇算法[J]. 統計與決策，2018，34（18）：25-28.

[9]方匡南，吳見彬，朱建平，等.隨機森林方法研究綜述[J].統計與信息論壇，2011，26（3）：32-38.

[10]丁世飛，齊丙娟，譚紅艷.支持向量機理論與算法研究綜述[J].電子科技大學學報，2011，53（1）：2-10.