System.ArgumentOutOfRangeException: 索引和长度必须引用该字符串内的位置。 参数名: length 在 System.String.Substring(Int32 startIndex, Int32 length) 在 zhuanliShow.Bind()
【技术实现步骤摘要】
本专利技术属于移动群智感知领域,具体涉及一种基于证据推理和置信规则库的恶意用户检测方法。
技术介绍
1、移动群智感知(mobile crowd sensing,mcs)是一种新颖的数据采集模式,它结合了众包思想和多个智能设备的感知能力,根据特定任务利用大量的移动用户来感知和收集数据。感知平台是mcs网络中最重要的的组成部分,而移动用户是mcs中最主要的贡献者。用户可以是智能手机或车载感知的使用者,这些智能终端配备了大量的传感设备(例如陀螺仪、加速度计、摄像头和麦克风等)。用户从感知平台接收到任务后,使用自身携带的感知设备来收集任务所需的数据,并在规定时间上传至感知平台。近年来,mcs服务与应用十分广泛,一些mcs系统已经被发布。
2、然而,mcs的开放性为几乎所有的用户提供了一个参与mcs任务的机会。因此,mcs中可能存在恶意的用户。图1显示了mcs恶意用户的威胁模型,恶意用户可能通过提交虚假数据来获取个人利益,也可能提交恶意数据来破坏mcs的服务质量。特别是在一些关键领域的应用(例如医疗健康系统、实时导航控制系统等),这些应用领域依赖于用户所提交源数据的准确性,而错误的数据可能会导致重大损失甚至事故。在mcs中,参与感知任务的用户质量直接影响着他们提交的数据质量,而用户的评估和检测技术直接影响着参与者的积极性。因此,需要设计一种具有可解释性评估的恶意用户检测机制来识别和剔除mcs中潜在的恶意用户,从而获取高质量的数据来支持高质量的服务。
3、考虑到几乎所有的mcs系统都需要用户提交关于任务的感知数据,分
4、除了检测mcs系统中已经存在的恶意用户外,由于感知平台的长期运行和新用户的招募,检测新的恶意用户也是mcs系统的一个关键问题。置信规则库(belief rule-based,brb)模型可以描述输入和输出信息之间复杂的非线性关系,在表示模糊性和不完全性方面更加灵活,可以有效地解决建模过程中的不确定性。此外,brb模型具有高度的透明度,可以为感知平台提供良好的可解释性。brb已经广泛应用于复杂系统的分类和预测。与其他模型相比,brb模型在恶意用户分类方面有两个关键优势:一是基于“if-then”规则的建模和推理过程可追踪,可以结合用户专家知识进一步更新;第二,建模过程中不确定性下的定性和定量信息都可以有效地集成。事实上,提供用户评估结果的证据或解释可以增加其对感知平台的信任,然而目前mcs中恶意用户的检测工作并没有考虑到模型的可解释性。因此,为提供长期、可持续感知性能,一种具有可解释性评估的恶意用户预检测模型显得十分必要。
5、在mcs恶意用户检测中,为了建立信任、纠正误判、促进用户参与和反馈,可解释性是至关重要的。mcs系统应该能够向用户提供关于恶意行为检测的解释,解释为何某个用户被判定为恶意以及检测算法的依据和原理,从而增加用户对mcs系统的信任和合作。而er算法和brb模型能够表达各种类型的不确定信息,还注重恶意用户检测过程的可解释性和透明性,使检测结果更具可信度和可应用性。针对上述mcs恶意用户检测中存在的挑战,本专利技术提出了一种基于证据推理和置信规则库的恶意用户检测方法,该方法能够通过er算法评估用户提交的数据质量,过滤掉mcs中已经存在的恶意用户。同时,该方法通过brb模型不断对新加入的用户进行预检测,来确定新用户中有哪些是恶意用户。且在检测mcs恶意用户的同时,本专利技术提出的恶意用户检测方法使得检测过程透明、可解释、可追溯,而且使检测结果更具可信度和可应用性,适用于各种mcs场景,具有广泛的应用意义。
技术实现思路
1、本专利技术是通过以下技术方案来实现的:为了将mcs中已有的恶意用户和正常用户区分开,提出了一种基于er算法的恶意用户检测方法,该方法通过评估用户在过去分配周期中的表现来识别mcs系统已有用户中的恶意用户;此外,为了更好的服务任务请求,感知平台往往会招募更多用户的加入,同时也伴随着一些新加入的恶意用户。因此,还提出了一种基于brb的恶意用户预检测方法,根据已有用户的行为特征构建brb预检测模型,来不断地检查新加入的用户是否恶意。本专利技术的总体框架如图2所示,主要包括三个部分。
2、1)基于真相发现方法的观测数据可靠度计算:根据不同主题下用户完成任务所提交的观测数据作为输入,采用真相发现方法来计算各个任务的估计真值,从而计算出用户在各个任务下所提交的观测数据的可靠度。
3、2)基于证据推理算法的已有恶意用户检测:为了正确区分mcs中的高质量用户、不可信用户和恶意用户,通过er算法对用户在不同任务下的观测数据可靠度进行融合得到该用户在第k个主题的融合结果。然后对不同主题的融合结果再次使用er算法,得到最终的用户检测结果。整个流程如图3所示,通过收集不同主题下的用户观测数据,应用er算法自下而上的进行融合。
4、3)基于置信规则库模型的恶意用户预检测:由于前一步恶意用户检测操作已经积累了一些标记用户的行为特征。为了确定新加入用户中的恶意用户,基于brb构建恶意用户预检测模型。其中,标记用户行为特征和用户检测结果之间的关系可以用信念规则来描述,通过将新加入用户的行为特征作为输入,激活信念规则库里的规则并对其进行融合得到最终的预检测结果。整个恶意用户预检测流程如图4所示。
5、与现有技术相比,本专利技术的有益效果是:针对现有的恶意用户检测方法无法提供检测过程的可解释性以及无法保证检测结果的可信度的情况,本专利技术分别提出了一种基于er算法的已有恶意用户检测方法和一种基于brb模型的恶意用户预检测方法。由于mcs中已有的恶意用户不断提交虚假或恶意数据,意图快速获取金钱利益或破坏已发布的任务。首先采用真相发现方法来计算各个任务的估计真值,然后根据用户在不同主题的任务中提交的数据质量计算出观测数据的可靠度,最后通过er算法对用户提交数据的可靠度进行融合,实现mcs中已有恶意用户的检测。此外,感知平台在招募新用户参与任务的同时,也伴随着一些新的恶意用户。通过将上一本文档来自技高网...
【技术保护点】
1.一种基于证据推理和置信规则库的群智感知恶意用户检测方法,其特征在于,所述恶意用户检测方法包括以下三个步骤:
2.根据权利要求1所述的一种基于证据推理和置信规则库的恶意用户检测方法,其特征在于,在步骤1中,所述基于真相发现方法的观测数据可靠度计算包括:将MCS平台上的用户集合定义为A={a1,a2,...,an},任务表示为T={t1,t2,...,tm},用户完成任务所收集的数据表示为Di,j;利用真相发现方法计算出各个任务的估计真值Ej;接着根据估计真值Ej计算用户在各个任务下所提交观测数据的可靠度ri,j。
3.根据权利要求1所述的一种基于证据推理和置信规则库的恶意用户检测方法,其特征在于,在步骤2中,所述基于证据推理算法的已有恶意用户检测包括:定义一组详尽且互斥的结果等级{Hn|n=1,2,...,N};在本专利技术中,用户检测结果等级定义为{“恶意”,“不可信”,“高质量”};之后将观测数据的可靠度作为输入,定义ri,j的一组参考值,将观测数据可靠度的参考值转换为相应的证据;由ER算法将L个证据进行融合,计算出Hn的整体置信度;然后使用基于效用
4.根据权利要求1所述的一种基于证据推理和置信规则库的恶意用户检测方法,其特征在于,在步骤3中,所述基于置信规则库的恶意用户预检测包括:采用步骤2中已有标记用户的行为特征,为每个用户行为特征定义一组参考值;用户行为特征Fi和检测等级Hn之间的关系可以用信念规则来描述;为了确定不同信念规则在BRB预检测过程中重要性,需要计算激活权重;当某些规则被输入的行为特征激活时,通过ER算法对多个输出置信度进行聚合,从而得到恶意用户预检测结果。
...【技术特征摘要】
1.一种基于证据推理和置信规则库的群智感知恶意用户检测方法,其特征在于,所述恶意用户检测方法包括以下三个步骤:
2.根据权利要求1所述的一种基于证据推理和置信规则库的恶意用户检测方法,其特征在于,在步骤1中,所述基于真相发现方法的观测数据可靠度计算包括:将mcs平台上的用户集合定义为a={a1,a2,...,an},任务表示为t={t1,t2,...,tm},用户完成任务所收集的数据表示为di,j;利用真相发现方法计算出各个任务的估计真值ej;接着根据估计真值ej计算用户在各个任务下所提交观测数据的可靠度ri,j。
3.根据权利要求1所述的一种基于证据推理和置信规则库的恶意用户检测方法,其特征在于,在步骤2中,所述基于证据推理算法的已有恶意用户检测包括:定义一组详尽且互斥的结果等级{hn|n=1,2,...,n};在本发明中,用户检测结果等级定义为{“恶意”,“不...
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。