無線協作中繼網絡多層不良數據辨識方法

周 莉，閆 攀

(重慶郵電大學移通學院，重慶 401520)

1 引言

現代社會中，互聯網的應用越來越廣泛，青少年的日常和學習生活離不開網絡提供的數字教育資源[1]，但網絡中會混雜一些色情、暴力的不良數據荼毒青少年，對青少年的身心健康造成極大的危害[2-3]。因此，辨識網絡中的不良數據是保護網絡學習者、凈化學習內容乃至維護社會和諧的重要措施[4-5]。

李永攀[6]等人提出基于多視角低秩分析的電力狀態不良數據檢測方法，采集觀測數據估計電力系統的運行狀態，通過低秩模型挖掘觀測源數據之間的共享本真數據，采用稀疏模型針對不良數據進行建模。利用基于交叉迭代的優化算法實現對不良數據的檢測與辨識。實驗結果表明，該方法沒有在辨識網絡多層不良數據的過程中提取不良數據特征點，在辨識網絡多層不良數據時可能忽略一些不良數據，導致對網絡多層不良數據辨識的準確率低。汪少敏[7]等人提出利用深度學習融合模型對網絡多層不良數據辨識的方法，該方法利用基于深度學習的融合識別模型，將數據集中不良數據與優質數據分開，通過模型融合算法確認不良數據，實現對網絡多層不良數據的辨識。實驗結果表明，該方法沒有利用LFM信號充當網絡多層不良數據的訓練集對不良數據進行特征提取，導致不良數據召回率低。李志欣[8]等人針對微博中的垃圾評論提出基于Co-Training的網絡多層不良數據辨識方法，該方法構建AdaBoost分類器和支持向量機分類器，通過Co-Training算法進行協同訓練，判斷其是否為不良數據，實現網絡多層不良數據的辨識。實驗結果表明，該方法沒有利用信號處理辦法提取不良數據特征點，存在F1比值下降的問題。

為了解決上述方法中存在的問題，提出無線協作中繼網絡多層不良數據辨識方法。

2 構建網絡多層不良信息特征提取模型

2.1 模型構建的優化

利用決策樹模型構建無線協作環境下網絡多層不良數據存儲和傳輸模型[9]，在模型中采用根節點、內部節點和葉節點三種節點模式進行組建。并通過ID3決策樹算法對傳統不良數據存儲和傳輸模型進行改進，改進后的模型優勢為：

1)可以將連續網絡多層不良數據集的屬性進行離散化處理。

2)可以同時進行不良數據的聚類和決策樹剪枝，以便構建決策樹的同時剪枝決策樹。

3)利用Hilbert變換對網絡多層不良數據信息通道進行均衡處理。

利用Hilbert變換后的系統輸出如下

(1)

式中，y(t)代表無線協作系統輸出；P代表多層網絡不良數據傳輸信息通道的離散數據解析值；τ代表網絡信息傳輸的延時；x(t)代表原始信號。

根據網絡多層不良數據存儲和傳輸模型，分析網絡多層不良數據在無線協作環境下的存儲和傳輸特點，建立網絡多層不良數據特征提取模型，提取網絡多層不良數據的特征。

2.2 網絡多層不良數據特征提取模型

信號處理方法是識別網絡多層不良數據的最佳辦法，因此，在辨識網絡多層不良數據前需建立信號模型[10]。使用網絡終端下載數據信息，將上傳數據信息時產生的時間序列分為線性時間序列和非線性時間序列，這些時間序列振蕩數據的特征點是具有高斯寬帶信號。通過分析非線性時間序列并處理寬帶信號來構建無線協作環境下網絡多層不良數據信號幅度-頻率(角頻率)曲線模型，模型如下

(2)

無線協作環境下網絡多層不良數據的決策樹局部交叉信息鏈公式如下

f(t)=f0+kt

(3)

則無線協作環境下網絡多層不良數據的信號解析模型代表式如下

z(t)=iy(t)+x(t)=a(t)eiθ(t)

(4)

式中，z(t)代表不良數據的帶寬；y(t)代表不良數據固定的模態函數；x(t)代表不良數據頻帶內的頻譜。

不良數據的瞬時頻率和時間之間是線性關系，第kk個不良數據的狀態函數用無線協作環境下網絡多層不良數據存儲和傳輸模型來描述，獲取無線協作環境下網絡多層不良數據特征提取模型，如圖1所示。

圖1 網絡多層不良數據特征提取模型

圖1中，網絡多層不良數據特征空間中產生校驗位，則第k個網絡多層不良數據在校驗位的拓撲結構如下

(5)

式中，c代表不良數據特征的概率密度；s(v1)代表尺度信息；A代表幅值。

由于網絡多層不良數據訓練集的標識具有確定性，導致不能全面提取網絡多層不良數據特征，因此，選用LFM信號充當不良數據的訓練集，全面實現對網絡多層不良數據特征的提取。

3 多層網絡不良數據辨識

3.1 基于COPS算法的層次聚類

COPS算法的實現流程為：第一階段是在凝聚型層次聚類思想的基礎上，從下往上劃分出不同層次的數據，第二階段是在數據劃分的同時利用有效性指數Q(Ck)組成對應的聚類質量曲線，Q(Ck)曲線的極小點正是最佳聚類結果。COPS算法的優點是可以一次性劃分全部數據，不需要反復聚類數據，而且最佳聚類數量也可以自動劃分，因此，其適用于數量大且復雜的數據集聚類。

若X={x1，x2，…，xn}表示已經分類的網絡多層不良數據集合，Xj=(xj1，xj2，…，xjs)，(j=1，2，…n)表示在X中提取的特征值。通常情況下在數量大且復雜的網絡多層不良數據集中，需要對網絡多層不良數據集進行kmax-kmin+1次聚類才可使用劃分數據集的聚類方法計算不同聚類個數下的網絡多層不良數據集的聚類質量，這種傳統方法會嚴重影響計算效率。若利用COPS算法，可在凝聚型層次聚類思想的基礎上，對網絡多層不良數據以從下往上劃分的方式聚類。將每個網絡多層不良數據點視為一個簇，在相似準則的基礎上將不相同的網絡多層不良數據點的簇合并在一起，直到所有不相同的簇歸一后結束，即所有網絡多層不良數據歸為一類。在合并的同時采用有效性指標Q(Ck)計算出聚類質量，獲取最佳的劃分C*。

不良數據點間相似度定義為：

在密度聚類算法中點的鄰域半徑定義的基礎上設定閾值tm≥0(1≤m≤s)，在算法中任取兩點xi和xj，且這兩點滿足tm≥|xim-xjm|，即經過tm的xi和xj在第m維相似。假設xi與xj在所有維度上都相似，已知閾值T={t1，t2，…，ts}，則稱經過T的xi與xj相似，將相似的不良數據點構成一類。

從T=0開始聚類，這時每個不良數據點都是單獨的簇，每個不良數據點都不相似，為使不相似的不良數據點變得相似，每計算一步給每個簇增加一個量Δ(Δ={Δ1，Δ2，…Δs})，最終合并全部不相同的簇，使所有不相同的不良數據點歸成一個簇。

下列為確定參數Δ的方法，其方法可以得出不良數據之間維度屬性值的分布差異。

1)將原始不良數據歸一化處理

(6)

式中，x′im代表不良數據點xi在第m維特征的歸一化值。

2)運算出歸一化處理后的不良數據的標準偏差σm。

(7)

(8)

式中，σm代表歸一化處理后的不良數據在第m維的標準偏差；μm代表歸一化處理后的不良數據在第m維的均值。σm可用來反映第m維不良數據的稀疏度，σm值越小，m維特征值越緊密，與之相關類型的數據點越少，同理反之。

3)增量Δm求解公式為：

(9)

式中，ε代表控制算法精度，ε大于0。ε的大小與COPS算法的搜索步數有關，ε越大，搜索步數越少，ε越大，步數越多，結果就越接近于最優值，但同時消耗的時間會更多。

由于上述方法的時間消耗過長，導致算法的計算效率下降，因此，對查找相似點算法進行改善：先從大到小排列每個不良數據點在每個維度的特征值，可知第m維特征值的序列為Am(m=1，2，…，s)。在COPS算法中搜索經過tm的xi在第m維相似點時，只需在tm≥|xim-xjm|區間內按順序掃描Am即可搜索出相似點。若閾值tm增量Δm時，用于搜索的區間也隨之增量，即區間為tm+Δm≥|xim-xjm|≥tm，此時，只需將區間增量，不需重新掃描所有不良數據。

3.2 確定最優聚類結果

在最優聚類結果中，其類間是分離的，而子類內部是緊湊的，因此，在最優聚類結果中存在一個平衡類內緊湊和類間分離的點。評價聚類結果的指標需要考慮到類內緊湊度和類間分離度，用Q(CK)表示基于不良數據集的幾何結構，其符合評價要求，可作為評價聚類質量的標準，即Q(CK)中包含所要求的聚類最優解。

假設將不良數據集X劃分成k類，此時Ck={C1，C2，…，Ck}正是與不良數據集對應的聚類劃分結果，設Ci中不良數據點的個數為|Ci|，利用Scat(Ck)表示類內緊湊度，Scat(Ck)的值越小，代表類內越緊湊，同理反之。Sep(Ck)代表類間分離度，Sep(Ck)的值越大，代表類間分離度越強，同理反之，則Scat(Ck)與Sep(Ck)的表達式為

(10)

(11)

(12)

式中，β與α分別代表平衡類間分離度和類內緊湊度間的組合參數。由此可知Sep(Ck)為單調減函數，Scat(Ck)為單調增函數，所以聚類質量指標Q(CK)在區間n>k>1中取極小值時就是所要求的聚類最優解，從而實現對網絡多層不良數據的辨識。

4 實驗結果與分析

為了驗證所提方法的整體有效性，在Weka平臺中對所提方法進行測試。選取TAN、economy、social以及star文檔數據集作為實驗數據，分別采用無線協作中繼網絡多層不良數據辨識方法(方法一)、利用深度學習融合模型對網絡多層不良數據辨識的方法(方法二)和基于Co-Training的網絡多層不良數據辨識方法(方法三)進行測試。

將不良數據的分類準確率作為測試指標，準確率越高，說明對不良數據的特征點種類提取得越多，辨識的不良數據也越多，分類準確率(Accuracy)為正確分類不良數據文檔數與不良數據文檔總數的比值。圖2為不同方法對不良數據分類的準確率對比結果。

圖2 不良數據文檔分類準確率

圖2中選取了參數及內容均不相同的文檔，可看出三種方法中方法一對不良數據的分類最準確，這是由于方法一在辨識網絡多層不良數據時在決策樹模型的基礎上確定了網絡多層不良數據特征提取模型，提取出網絡多層不良數據的特征點，將不良數據根據特征點進行準確的分類，提升了網絡多層不良數據分類的準確率，即提高了不良數據辨識的準確率。

比較三種方法對不良數據辨識的召回率，召回率(Recall rate)為不良數據正確分類的文檔數與待分類不良數據的文檔數的比值，在同樣環境下，召回率越高說明正確分類的不良數據文檔越多，對不良數據的辨識效果越好。圖3為不同方法的召回率對比結果。

圖3 不同方法召回率對比

在對三種方法的召回率進行比較后可以看出，選取的數據集無論如何復雜，方法一對不良數據召回率都是最高的，因為方法一利用LFM信號充當不良數據的訓練集，而不是利用具有確定性的網絡多層不良數據充當訓練集，因此提取出網絡多層不良數據的特征點更加廣泛，即對不良數據辨識地更全面，驗證了方法一的有效性。

將F1比值作為測試指標，采用方法一、方法二和方法三進行測試，比值越大，表明方法對不良數據的辨識越詳細，相反，比值越小不良數據的辨識越簡略，F1比值為

(13)

圖4為不同方法的F1值對比結果。

圖4 不同方法的F1比值

由圖4可知，方法一在測試過程中獲得的F1比值均高于方法二和方法三獲得的F1比值，因為方法一通過信號處理辦法提取網絡多層不良數據特征點，從多個方面對不良數據進行辨識，避免了忽略一些不良數據的情況，提高了網絡多層不良數據的辨識能力，進而提高了F1比值。

5 結論

目前，網絡多層不良數據的辨識方法存在準確率低，召回率低和F1比值低的問題，因此，提出無線協作中繼網絡多層不良數據辨識方法。在無線協作環境下，基于信號模型建立網絡多層不良數據的特征提取模型對網絡多層不良數據進行特征提取，采用COPS算法對不良數據特征點聚類，聚類后利用聚類最優結果評價指標，獲得聚類最優解實現網絡多層不良數據辨識，提高了不良數據辨識的準確率、召回率及F1比值。在今后的研究，結合不良圖片信息進行不良數據特征提取會更加準確地辨識無線協作中繼網絡多層不良數據。