基于個性化自適應(yīng)學(xué)習(xí)的海量資源安全威脅信息定向識別模型

孟亞

(上海市徐匯區(qū)大華醫(yī)院，信息科，上海 200237)

0 引言

自適應(yīng)學(xué)習(xí)算法要求將學(xué)習(xí)者放置于主導(dǎo)地位，再根據(jù)不同學(xué)習(xí)者的認(rèn)知水平與學(xué)習(xí)愛好，為其推薦不同類型的學(xué)習(xí)活動，在學(xué)習(xí)過程中，學(xué)習(xí)者可對自己的專業(yè)能力進(jìn)行評價與改進(jìn)，最終構(gòu)建符合個人學(xué)習(xí)習(xí)慣的知識體系結(jié)構(gòu)。近年來，個性化自適應(yīng)學(xué)習(xí)服務(wù)逐漸成了在線學(xué)習(xí)領(lǐng)域的關(guān)鍵發(fā)展目標(biāo)，隨著網(wǎng)絡(luò)輔導(dǎo)體系的不斷開發(fā)，該項(xiàng)學(xué)習(xí)服務(wù)也為學(xué)習(xí)者帶來了更多的可用資源[1-2]。從某種程度上來說，個性化自適應(yīng)學(xué)習(xí)服務(wù)的發(fā)展，可彌補(bǔ)學(xué)習(xí)者在認(rèn)知方面存在的不足之處。為了設(shè)計(jì)適應(yīng)性更強(qiáng)的學(xué)習(xí)內(nèi)容、幫助學(xué)習(xí)者更好地完成學(xué)習(xí)任務(wù)，網(wǎng)絡(luò)學(xué)習(xí)體系已經(jīng)先后提出了多個個性化自適應(yīng)指導(dǎo)機(jī)制，在為學(xué)習(xí)者量身制定學(xué)習(xí)內(nèi)容的同時，使其在在線學(xué)習(xí)環(huán)境中積極、有效地完成個人學(xué)習(xí)任務(wù)。

互聯(lián)網(wǎng)是現(xiàn)實(shí)社會環(huán)境的縮影呈現(xiàn)方式，可被理解為另一種形式的虛擬社會。網(wǎng)絡(luò)社區(qū)作為一個極為重要的結(jié)構(gòu)組成條件，無論是所包含的信息資源還是受眾群體數(shù)量，網(wǎng)絡(luò)社區(qū)所能承載的數(shù)據(jù)信息資源量都是極為龐大的，包含了大量的敏感性信息，不但會對群體對象造成極為深遠(yuǎn)的影響，也有可能在社會環(huán)境中造成難以估量的危害。為此，有學(xué)者提出研究方法。李浩君等[3]提出基于三維特征協(xié)同支配的個性化學(xué)習(xí)資源推薦方法根據(jù)語義依存關(guān)系，計(jì)算文本資源的敏感性水平，再借助敏感序列標(biāo)注條件，實(shí)現(xiàn)對敏感詞匯的精準(zhǔn)識別。李英杰等[4]提出基于MSER(maximally stable extremal regions)的自適應(yīng)學(xué)習(xí)自然場景文本檢測方法則通過提取語句資源敏感向量的方式，將威脅信息資源與相關(guān)分級策略匹配起來。然而上述兩種方法并不能在數(shù)據(jù)傳輸過程中較好地控制威脅信息的迭代次數(shù)，因此其召回率指標(biāo)的數(shù)值水平始終相對較高。

為了避免上述情況的發(fā)生，本文聯(lián)合個性化自適應(yīng)學(xué)習(xí)，建立一種新型的海量資源安全威脅信息定向識別模型。本模型構(gòu)建識別序列，以此實(shí)現(xiàn)威脅信息的個性化學(xué)習(xí)，可以細(xì)分威脅信息，便于后續(xù)檢測。通過選擇近似學(xué)習(xí)者的處理方法，可以承載大量的數(shù)據(jù)信息，并擇優(yōu)選擇海量資源傳輸路徑。按照敏感序列進(jìn)行標(biāo)注，將威脅信息定向分級，完成海量資源安全威脅信息定向識別。

1 基于個性化自適應(yīng)學(xué)習(xí)的威脅檢測路徑構(gòu)建

基于個性化自適應(yīng)學(xué)習(xí)的威脅信息檢測路徑構(gòu)建，需要在識別序列條件的基礎(chǔ)上，對個性化學(xué)習(xí)的應(yīng)用風(fēng)格進(jìn)行測量，再根據(jù)既定原理完成對近似學(xué)習(xí)者的選擇，本小節(jié)將針對上述問題展開如下研究。

1.1 識別序列生成

識別序列是個性化自適應(yīng)學(xué)習(xí)的核心要素，包括主體、客體、共同體3個主要因素及工具、規(guī)則、學(xué)習(xí)分工3個次要因素。一般來說，主要因素能夠維持個性化自適應(yīng)學(xué)習(xí)識別序列的應(yīng)用穩(wěn)定性，而次要因素則可在各個主要因素之間起到一定強(qiáng)度的調(diào)試作用[5]。

識別序列可用來分析自適應(yīng)學(xué)習(xí)活動在不同形式上的表現(xiàn)能力，意味著個性化學(xué)習(xí)活動能夠從相關(guān)組成部分及其之間的相互關(guān)系進(jìn)行深入研究。其具體內(nèi)涵形式如下。

(1)主體。在互聯(lián)網(wǎng)環(huán)境中，資源信息的識別主體代表接入對象，這標(biāo)志著威脅信息查詢?nèi)蝿?wù)的開始。一般情況下，針對主體參量的剖析預(yù)示著威脅信息識別指令的執(zhí)行有效性。在內(nèi)容方面，資源信息識別主體能夠表明敏感參量的結(jié)構(gòu)特征，可對個性化自適應(yīng)學(xué)習(xí)起到一定的指引作用。

(2)客體。在個性化自適應(yīng)學(xué)習(xí)活動中，威脅信息定向識別目標(biāo)就是客體，主體對象可通過學(xué)習(xí)指令完成既定信息識別任務(wù)，一般來說，客體的設(shè)計(jì)必須遵循主體特點(diǎn)，這也是海量資源中的威脅信息得以順利識別的必要前提條件[6]。

(3)共同體。共同體指其他學(xué)習(xí)者能夠幫助主體學(xué)習(xí)者實(shí)現(xiàn)他們的個性化目標(biāo)，對于威脅信息的定向識別具有較強(qiáng)促進(jìn)作用。

(4)工具。工具指個性化自適應(yīng)學(xué)習(xí)的基礎(chǔ)環(huán)境，能夠幫助主體對象在較短時間內(nèi)獲得大量的學(xué)習(xí)成果。

(5)規(guī)則。規(guī)則的作用是協(xié)調(diào)主體、客體學(xué)習(xí)對象之間的個性化關(guān)系。

(6)學(xué)習(xí)分工。對于互聯(lián)網(wǎng)資源中的威脅信息而言，不同學(xué)習(xí)對象所擔(dān)任的個性化角色也有所不同。

1.2 個性化學(xué)習(xí)風(fēng)格測量

個性化學(xué)習(xí)風(fēng)格指的是學(xué)習(xí)對象在學(xué)習(xí)過程中所表現(xiàn)出來的學(xué)習(xí)方式，可理解為學(xué)習(xí)傾向與學(xué)習(xí)策略的結(jié)合行為。在已知識別序列條件的基礎(chǔ)上，學(xué)習(xí)策略基本等同于學(xué)習(xí)者所采用的學(xué)習(xí)方法。在互聯(lián)網(wǎng)環(huán)境中，由于威脅信息的存儲量數(shù)值相對較大，所以定向識別模型必須具備極強(qiáng)的數(shù)據(jù)信息承載能力[7-8]。隨著外界學(xué)習(xí)環(huán)境的改變，主體對象的學(xué)習(xí)傾向與學(xué)習(xí)策略也會出現(xiàn)一定的改變，但有時為了強(qiáng)調(diào)海量資源安全威脅信息的一致性，應(yīng)在一定程度上忽略主體對象之間的差異性。一方面可使個人學(xué)習(xí)風(fēng)格得以清晰體系;另一方面能夠避免威脅信息非合理識別行為的出現(xiàn)。設(shè)ε代表主體對象的個性化學(xué)習(xí)能力系數(shù)，χ代表識別序列中威脅信息的定向排列系數(shù)，e代表威脅信息資源的實(shí)時存儲系數(shù)，聯(lián)立上述物理量，可將個性化學(xué)習(xí)風(fēng)格測量表達(dá)式K定義為

(1)

式中，pe表示存儲系數(shù)為e時的數(shù)據(jù)信息敏感性強(qiáng)度值，w表示主體對象之間的學(xué)習(xí)行為差異量化差，f表示定向識別系數(shù)。由于個性化學(xué)習(xí)風(fēng)格的不同，海量資源安全威脅信息的定向識別結(jié)果也并不能完全保持一致。

1.3 近似學(xué)習(xí)者選擇

(2)

式中，mc表示互聯(lián)網(wǎng)環(huán)境中個性化學(xué)習(xí)內(nèi)容的下限調(diào)度權(quán)限，mv表示上限調(diào)度權(quán)限，bmax表示自適應(yīng)學(xué)習(xí)行為的最大表現(xiàn)數(shù)值。設(shè)i表示與學(xué)習(xí)對象相關(guān)的近似識別系數(shù)，聯(lián)立式(2)，可將近似學(xué)習(xí)者選擇的數(shù)據(jù)參量輸出J表達(dá)式定義為

(3)

式中，g1、g2代表2個不同的個性化學(xué)習(xí)向量，β代表自適應(yīng)選擇系數(shù)。個性化自適應(yīng)學(xué)習(xí)是一門跨學(xué)科理論，它的核心應(yīng)用意義是在學(xué)習(xí)者學(xué)習(xí)過程中，獲取與威脅信息定向識別相關(guān)的中間作用型數(shù)據(jù)參量。

2 海量資源安全威脅信息的定向識別模型

在個性化自適應(yīng)學(xué)習(xí)路徑的基礎(chǔ)上，按照資源信息分析、敏感序列標(biāo)注、分級策略制定的處理流程，完成海量資源安全威脅信息定向識別模型的設(shè)計(jì)與應(yīng)用。

2.1 資源信息分析

為挖掘互聯(lián)網(wǎng)海量資源中的威脅信息，一般采用語法分析器對信息成分進(jìn)行定向分析[9]。資源信息分析更傾向于合理反映語句中隱藏的威脅信息，在個性化自適應(yīng)學(xué)習(xí)算法的影響下，威脅信息不會以多向化形式傳輸，而是會長期保持原有的單向化傳輸模式。一方面能夠較好地控制信息參量的迭代次數(shù);另一方面也可避免召回率指標(biāo)出現(xiàn)過度攀升的變化狀態(tài)。在互聯(lián)網(wǎng)環(huán)境中，威脅信息的出現(xiàn)大多與其所處的語義環(huán)境相關(guān)，且隨著個性化自適應(yīng)學(xué)習(xí)強(qiáng)度的增大，資源信息的累積量也會逐漸增大，在此情況下，如若不能準(zhǔn)確獲得威脅信息的定向識別結(jié)果，不但會導(dǎo)致資源數(shù)據(jù)的不合理堆積，也會使得自適應(yīng)學(xué)習(xí)策略的實(shí)施能力大打折扣。資源信息之間的依存關(guān)系能夠打破句法結(jié)構(gòu)對威脅信息帶來的限制性作用，因此在進(jìn)行資源信息分析時，應(yīng)順帶標(biāo)注與威脅信息參量相關(guān)的資源語義關(guān)系。設(shè)ΔT代表海量資源中威脅信息的單位篩查時長，d代表與威脅信息相關(guān)的句法結(jié)構(gòu)系數(shù)，聯(lián)立式(3)，可將資源信息分析輸出結(jié)果S表示為

(4)

2.2 敏感序列標(biāo)注

在對互聯(lián)網(wǎng)海量存儲資源中的安全威脅信息進(jìn)行識別時，可借助個性化自適應(yīng)學(xué)習(xí)算法，考量數(shù)據(jù)信息所處的上下文環(huán)境，但不同語境下信息詞匯所表現(xiàn)出的敏感性程度有可能不同，這也是導(dǎo)致威脅信息定向識別結(jié)果可能出現(xiàn)誤判的主要原因。考慮到信息資源敏感性及其在傳輸語境中的表征作用，在對威脅信息進(jìn)行定向識別時，應(yīng)將敏感序列條件作為識別處理的唯一判定條件。敏感序列可由資源信息標(biāo)注過程直接獲得，一般來說，一個信息角色只能對應(yīng)一類序列參量，且在實(shí)施標(biāo)注處理時，必須根據(jù)威脅信息的實(shí)際排列方式對數(shù)據(jù)參量的序列形式進(jìn)行查詢，因此對于不同的資源數(shù)據(jù)而言，信息參量的敏感性程度也會有所不同。圖1反映了敏感序列標(biāo)注的實(shí)際處理流程。

圖1 敏感序列標(biāo)注處理流程圖

如圖1所示，在輸入海量資源信息參量后，首先對信息參量進(jìn)行信息分離，分出敏感序列關(guān)鍵詞并判定標(biāo)簽，然后提取信息角色特征，標(biāo)注敏感信息標(biāo)簽并對應(yīng)序列排列，得到序列標(biāo)注模型。此時對輸出的敏感信息再進(jìn)行迭代訓(xùn)練，當(dāng)敏感信息全部被貼上標(biāo)簽后，迭代訓(xùn)練終止。由此完成敏感信息的識別標(biāo)注預(yù)測。在標(biāo)注過程中，若某個資源信息的敏感性為正值，則表示該參量為正向威脅信息；若為負(fù)值，則為負(fù)向威脅信息。

2.3 定向分級策略

(5)

至此，完成了海量資源安全威脅信息的定向化表示。在下一步的識別與處理過程中，可將這些參量作為個性化自適應(yīng)學(xué)習(xí)算法的輸入指標(biāo)，通過多次的迭代與修正處理，得出與威脅信息相關(guān)的資源參量定向識別結(jié)果。

3 實(shí)例分析

在互聯(lián)網(wǎng)環(huán)境中，選取大量包含威脅信息的資源文件作為數(shù)據(jù)訓(xùn)練集，將其中所包含的信息參量平均分成三等分，分別作為實(shí)驗(yàn)組(基于個性化自適應(yīng)學(xué)習(xí)的海量資源安全威脅信息定向識別模型)、對照組1(基于三維特征支配的識別模型)、對照組2(基于MSER的識別模型)的實(shí)驗(yàn)對象。

評估識別模型應(yīng)用價值有3個基本評價指標(biāo)：迭代次數(shù)(n)、召回率(z)、F1值，對于這些評價指標(biāo)則涉及如下4個參數(shù)。

(1)TN：實(shí)際數(shù)值為負(fù)數(shù)，預(yù)測數(shù)值也為負(fù)數(shù)；

(2)FN：實(shí)際數(shù)值為正數(shù)，預(yù)測數(shù)值也為正數(shù)；

(3)FP：實(shí)際數(shù)值為負(fù)數(shù)，預(yù)測數(shù)值也為負(fù)數(shù)；

(4)TP：實(shí)際數(shù)值為正數(shù)，預(yù)測數(shù)值也為正數(shù)。

迭代次數(shù)(n)。針對威脅信息的識別結(jié)果，預(yù)測為正的樣本中有多少樣本的實(shí)際數(shù)值為正數(shù)，可用來衡量識別結(jié)果的準(zhǔn)確性，設(shè)置準(zhǔn)確性Q達(dá)到95%時，停止迭代訓(xùn)練，記錄設(shè)計(jì)模型的迭代次數(shù)n。準(zhǔn)確性Q計(jì)算過程如式(6):

(6)

召回率(z)。針對互聯(lián)網(wǎng)資源信息樣本而言，表示原樣本中正數(shù)值樣本有多少被準(zhǔn)確識別，可用來衡量識別結(jié)果的非全面性，計(jì)算過程如式(7):

(7)

F1值。迭代次數(shù)、召回率是對威脅信息識別結(jié)果評價的不同方面的指標(biāo)，一般情況下，兩者之間保持互補(bǔ)關(guān)系，且兩者始終相互矛盾。F1值則是對上述兩者的綜合考量，同時考慮威脅信息識別結(jié)果的非準(zhǔn)確性與非全面性，只有讓兩者同時達(dá)到最小值，才能保障威脅信息識別結(jié)果的有效性，計(jì)算過程如式(8):

(8)

本次實(shí)驗(yàn)采用了3種不同的識別模型：實(shí)驗(yàn)組、對照組1、對照組2。因迭代次數(shù)(n)為一項(xiàng)較為簡單的影響指標(biāo)，在對其進(jìn)行測量時，不需要對資源信息數(shù)據(jù)的輸入位置進(jìn)行嚴(yán)格要求。圖2反映了實(shí)驗(yàn)過程中迭代次數(shù)(n)的實(shí)際數(shù)值變化情況。

圖2 迭代次數(shù)(n)的數(shù)值變化曲線

分析圖2可知，實(shí)驗(yàn)組1、實(shí)驗(yàn)組2威脅信息傳輸?shù)螖?shù)(n)的數(shù)值差異量并不十分明顯，實(shí)驗(yàn)開始階段，對照組1的迭代次數(shù)初始值為3次，對照組2的迭代次數(shù)初始值為4次，兩者之間的數(shù)值差為1次。實(shí)驗(yàn)結(jié)束階段，對照組1的迭代次數(shù)終止值為6.5次，對照組2的迭代次數(shù)終止值為5.8次，兩者之間的數(shù)值差為0.7次，與初始差值相差不大。實(shí)驗(yàn)組的迭代次數(shù)初始值為1.1次、終止值為2.9次，兩者均小于對照組數(shù)值，且在整個實(shí)驗(yàn)過程中，實(shí)驗(yàn)組數(shù)值曲線更是始終位于對照組1曲線與對照組2曲線的下端。

綜上可認(rèn)為，在整個實(shí)驗(yàn)過程中，基于個性化自適應(yīng)學(xué)習(xí)算法的識別模型，在處理威脅信息時，所需經(jīng)歷的數(shù)據(jù)傳輸?shù)螖?shù)值更小。

與迭代次數(shù)(n)相比，召回率(z)、F1值的變化情況更為復(fù)雜，因此在實(shí)施該部分實(shí)驗(yàn)時，應(yīng)將所有輸入的敏感資源信息多次置于不同位置。輸入后的資源信息數(shù)據(jù)直接嵌入互聯(lián)網(wǎng)主機(jī)中，但其實(shí)時嵌入位置則包含正弦相對、正余弦相對、硬相對三類，為保證識別結(jié)果的絕對準(zhǔn)確性，所有輸入信息的字段長度完全一致。表1記錄了實(shí)驗(yàn)組、對照組1、對照組2召回率(z)及F1值的實(shí)際變化情況。

表1 召回率(z)及F1值對比

分析表1可知，在互聯(lián)網(wǎng)環(huán)境中，對于威脅信息資源而言，當(dāng)其所處插入位置為正弦相對狀態(tài)時，與之對應(yīng)的召回率(z)、F1值水平相對較低。而當(dāng)其所處插入位置為硬相對狀態(tài)時，與之對應(yīng)的召回率(z)、F1值水平相對較高，正余弦相對狀態(tài)時威脅信息的召回率(z)、F1值水平處于上述兩者之間。在整個實(shí)驗(yàn)過程中，實(shí)驗(yàn)組召回率(z)的均值水平最低、對照組2召回率(z)的均值水平最高，取威脅信息插入位置為硬相對狀態(tài)，兩者之間的差值為0.436。F1值的變化趨勢則始終與召回率(z)的數(shù)值變化情況保持一致，這也充分說明該項(xiàng)物理量只能作為一項(xiàng)跟隨變量，并不能對威脅信息識別有效性起到?jīng)Q定性影響作用。

綜上可知，應(yīng)用基于個性化自適應(yīng)學(xué)習(xí)識別模型，威脅信息的傳輸?shù)螖?shù)值得到了較好控制，且隨著信息嵌入位置的改變，召回率指標(biāo)也不再出現(xiàn)較為明顯的數(shù)值上升狀態(tài)，這對擴(kuò)展威脅信息的識別準(zhǔn)確性與全面性起到較強(qiáng)的促進(jìn)作用，有利于抑制威脅信息公開行為的出現(xiàn)。

4 總結(jié)

在個性化自適應(yīng)學(xué)習(xí)算法的作用下，海量資源安全威脅信息定向識別模型對識別對象的學(xué)習(xí)風(fēng)格進(jìn)行精準(zhǔn)測量，再通過選擇近似學(xué)習(xí)者的方式，對資源信息成分進(jìn)行深入分析，一方面實(shí)現(xiàn)對敏感序列的實(shí)時標(biāo)注，另一方面也可完善現(xiàn)有的定向分級策略。從實(shí)踐能力的角度來看，這種新型識別模型在處理威脅信息傳輸任務(wù)時，所需的迭代次數(shù)值更低，且能夠避免召回率參量出現(xiàn)大幅增長的變化趨勢，這在保障威脅信息的識別準(zhǔn)確性與全面性方面，確實(shí)具有一定的促進(jìn)性作用。