[發明專利]一種基于融合模型的移動應用可持續信任評估方法及裝置

有效

• 申請號: 202211029599.2
• 申請日: 2022-08-25
• 公開（公告）號: CN115460097B
• 公開（公告）日: 2023-09-22
• 發明（設計）人: 張亮;方圓;李明;盛劍橋;許靜萱;丁鑫;沈越欣;張冠男;程航;武秋陽;尹曉宇;曹彎彎;董小菱
• 申請（專利權）人: 國網安徽省電力有限公司信息通信分公司
• 主分類號: H04L41/14
• 分類號: H04L41/14;G06F18/2321;G06N3/0442;G06N3/0464;G06F18/214;H04L9/40;G06N3/096;G06N3/045;H04L41/16
• 代理公司: 合肥市浩智運專利代理事務所(普通合伙) 34124
• 代理人: 葉濛濛

1.一種基于融合模型的移動應用可持續信任評估方法，其特征在于，所述方法包括：

步驟一：建立多屬性模型，所述建立多屬性模型的監控結果包括情感分析結果、prop模塊監控結果、重要端口監控結果、網頁瀏覽監控結果以及文件管理器監控結果；

步驟二：利用殘差網絡設計殘差網絡模型實現信任評估以及利用GMM聚類設計GMM聚類模型實現信任評估；所述利用殘差網絡設計殘差網絡模型實現信任評估，包括：

步驟2.1.1：殘差網絡包括輸入層和兩個子卷積層，設置殘差網絡的輸入層作為初始權重層，輸入的多屬性數據的每一個屬性都配置不同的權重；

步驟2.1.2：初始權重層的輸出數據輸入殘差網絡的兩個子卷積層，設殘差網絡的第一個子卷積層的輸入為，則殘差網絡的計算過程為

其中，為第一個子卷積層的輸出，為第二個子卷積層的輸出，分別為第一個子卷積層、第二個子卷積層的權重，分別為第一個子卷積層、第二個子卷積層的偏置，為relu函數；

步驟2.1.3：設置殘差網絡的學習率，對殘差網絡進行訓練，達到預設次數后，訓練完成，將實時采集的多屬性模型的輸出結果輸入訓練好的殘差網絡得到殘差網絡模型的信任評估結果；所述步驟2.1.3還包括：在訓練初始，未進行遷移學習，因此在前期使用較大的學習率，加快模型的訓練，在訓練后期由于訓練點集中在地形的凸點，使用較小的學習率更容易逼近凸點，故殘差網絡整個訓練過程中學習率衰減，學習率衰減計算公式為

其中，表示初始學習率，表示當前訓練次數，表示初始學習率；

所述利用GMM聚類設計GMM聚類模型實現信任評估，包括：

步驟2.2.1:?多屬性模型輸出的張量輸入GMM聚類，多屬性模型輸出的張量中shape為[5,106],分為5條子記錄，每條子記錄中有106個采樣點，計算每個點的在各子類別中的概率，計算公式如下：

為子高斯概率模型的個數，為各采樣點屬于模型K的概率，為第k個子高斯概率模型的分布概率，其中，，為第個子高斯概率模型，為第子高斯概率模型的數學期望，為第個子高斯概率模型的標準方差，由和來決定，故使用EM算法進行模型的該3個參數的更新，直到最終，則停止更新，得到訓練好的GMM聚類模型，將實時采集的多屬性模型的輸出結果輸入訓練好的GMM聚類模型得到GMM聚類模型的信任評估結果，是預設的正數；

步驟三：融合殘差網絡模型和GMM聚類模型的評估結果，得出最終的移動應用信任評估結果，所述步驟三包括：

采用Blending方法產生多個GMM聚類模型，在輸入張量中共五條記錄，每次從中選出3條記錄，丟入對應的GMM聚類模型，再經過訓練后，進行正向傳播得到對應的評分，同時在殘差網絡模型中經過正向傳播得到對應的評分，最后進行得分權值融合，權值分別為，融合結果計算公式為

。