CN109344848A - 基于Adaboost的移动智能终端安全等级分类方法 - Google Patents

Abstract

本发明公开了一种基于Adaboost的移动智能终端安全等级分类方法，包括以下步骤：S1.在边缘计算平台对N+P台接入的移动智能终端进行测试；S2.对每个测试结果进行预处理，得到测试结果向量与所属安全等级；S3.整合预处理结果，得到数据集T，并将数据集T划分为训练集和测试集；S4.根据安全等级的级数K，采用K‑1层Adaboost算法模型，对训练集进行训练，生成强分类器并通过测试集验证准确率；S5.对新接入的移动智能终端进行测试，将测试结果通过强分类器，得到移动智能终端的安全等级。本发明根据移动智能终端各单项安全性能的测试结果，在边缘计算平台采用Adaboost算法实现对移动智能终端安全等级的准确划分，有利于实现不同安全级别需求的安全使用。

Description

基于Adaboost的移动智能终端安全等级分类方法

技术领域

本发明涉及移动智能终端的安全等级分类，特别是涉及基于Adaboost的移动智能终端安全等级分类方法。

背景技术

随着移动通信技术的飞速发展和4G/5G无线网络的普及，移动智能终端在人们生活中的作用越来越重要，成为获取资讯的主要工具。随着第三方应用程序的功能越来越强大，尤其是移动智能终端与互联网的结合越来越紧密，移动网购平台、手机银行、聊天软件等多种与我们财产隐私关系密切的第三方软件越来越多，这也使得我们在不经意间就把财产信息、个人隐私、商业机密文件等存储在移动智能终端中，产生隐私数据泄露的隐患。同时随着物联网时代的来临及边缘计算的飞速发展，智能终端更多的在网络边缘侧的边缘计算平台上进行数据计算与交互。在这种背景下，在边缘计算平台上进行对移动智能终端的安全测评是非常有必要的。

移动智能终端安全测评成为保证终端安全使用的最有效手段之一，在移动智能终端安全测评中根据各项的测试结果科学进行终端安全等级的定级，是涉及不同团体、个人对移动智能终端安全需求的重要判据，准确的评价可以实现不同安全级别需求的安全使用。

Adaboost是一种迭代算法，其核心思想是针对同一个训练集训练不同的弱分类器，然后把这些弱分类器集合起来，构成一个更强的最终分类器(强分类器)。其算法本身是通过改变数据分布的权值来实现的，它根据每次训练集之中每个样本的分类是否正确，以及上次的总体分类的准确率，来确定每个样本的新的权值。将修改过权值的新数据集送给下层分类器进行训练，最后将每次训练得到的分类器融合起来，作为最后的决策(强)分类器。与其他分类算法相比，Adaboost分类算法具有泛化错误率低、无需参数调整、结构简单、推广能力强等优点，其中有一个比较重要的是可以灵活使用不同的算法作为弱分类器。

发明内容

本发明的目的在于克服现有技术的不足，提供一种基于Adaboost的移动智能终端安全等级分类方法，根据移动智能终端各单项安全性能的测试结果，在边缘计算平台采用Adaboost 算法实现了对移动智能终端安全等级的客观准确划分，有利于实现不同安全级别需求的安全使用。

本发明的目的是通过以下技术方案来实现的：基于Adaboost的移动智能终端安全等级分类方法，包括以下步骤：

S1.在边缘计算平台对N+P台接入的移动智能终端进行测试，得到测试结果M₁,M₂,…,M_N,…,M_N+P，M_i表示第i台接入的移动智能终端测试结果，i＝1,2,...,N+P，每个M_i包含S个测试单项的测试结果，M_i＝[m₁,m₂,…,m_S]^T，其中m_j为第j个测试单项的测试结果，j＝1,2,...,S；

S2.将移动智能终端安全等级划分为K级，对每个测试结果M_i进行预处理，得到M_i对应的测试结果向量X_i与所属安全等级y_i：

S3.整合每次测试结果M_i对应的向量X_i和所属安全等级y_i，得到数据集T：

T＝{(X₁,y₁),(X₂,y₂),…,(X_N+P,y_N+P)}；

y_i∈{1,2,...,K}，i＝1,2,…,N+P；

将数据集T中的其中前N组数据划分为训练集T_N，后P组数据划分为测试集T_P；

S4.根据安全等级的级数K，采用K-1层Adaboost算法模型，对数据训练集T_N进行训练，生成强分类器并通过测试集T_P验证准确率；

S5.对新接入的移动智能终端进行测试，将测试结果通过强分类器，得到移动智能终端的安全等级。

进一步地，所述步骤S2包括：

S201.将移动智能终端安全等级划分为K级，其中K＝4；

S202.对M_i中的每个测试单项的测试结果m_j进行数字化，得到测试结果向量X_i：

X_i＝[m′₁,m′₂,…,m′_S]^T；

式中m′_j为m_j对应的测试单项数字化信息，j＝1,2,...,S；

S203.将M_i对应的各个测试单项按照其所属的环节进行分类，根据每类环节包含的测试单项数字化信息，判断该环节是否受到保护；根据M_i中受到保护的环节个数，确定M_i所属的安全等级。

进一步地，所述步骤S202中，当测试单项的测试结果m_j为安全时，其对应的数字化信息m′_j＝1；当测试单项的测试结果m_j为危险时，其对应的数字化信息m′_j＝0。

进一步地，所述步骤S203包括：

将M_i对应的各个测试单项划分为收集、加工、转移和删除四个环节；

在M_i对应的每一个环节中，统计测试单项的总数目L和该环节中数字化信息m′_j＝1的测试单项数目L′，比较L′/L是否大于预设阈值，若是，则判定该环节受到保护，若否，则判定M_i该环节未受到保护；

统计M_i中受到保护的环节个数，据此确定M_i所属的安全等级：当受到保护的环节个数为0或1时，M_i所属的安全等级为1；当受到保护的环节个数大于1时，M_i所属的安全等级与受到保护的环节个数相等。

进一步地，所述步骤S4包括：

S401.初始化m＝1；将训练集T_N分成两类，其中y_i＝m的为一类，y_i＝m+1～K级为另一类：

得到的训练集中：

S402.初始化训练数据集T_N ^(m)中数据的权值分布，使每一个训练样本最开始权值均为 w_i＝1/N，得到训练数据集的初始权值分布

S403.迭代获取强分类器：

A、初始化t＝1；

B、使用具有权值分布D_t的训练数据集学习，得到第t个基本分类器Ht(x):X→{-1,+1}；

C、计算当前基本分类器Ht(x)在训练数据集T_N ^(m)上的分类误差率:

D、计算该基本分类器在最终分类器中所占的权重系数得到第t个弱分类器f_t(x)＝α_tH_t(x)；

E、按弱分类器权重α_t组合各个弱分类器即判断sign(f(x))是否使数据集分类误差率达到0，若是，得到最终的强分类器为：进入步骤S404；若否，进入步骤F；

F、更新训练数据集T_N ^(m)的权值分布其中Z_t为归一化常数同时更新参数t←t+1，即更新后的t为更新前的t加1,随后返回步骤B继续迭代；

S404.将T_N ^(m)中所有数据通过强分类器，剔除所有H_final(X_i)＞0的数据，将剩余数据总数设为新的N，将m进行+1操作，并返回步骤S401，按照步骤S401～S404重复进行强分类器生成，得到第2～K-1层强分类器，并结束循环；

S405.利用测试数据集对得到的K-1层强分类器进行测试并验证测试准确率，得到检测率达到要求的K-1层强分类器。

进一步地，所述的基本分类器选取原则为在当前训练数据集上使得分类误差率最小。

进一步地，所述步骤S5中，利用得到的K-1层强分类器，按照从1到K-1层递进的方式对安全等级进行分类。

本发明的有益效果是：本发明根据移动智能终端各单项安全性能的测试，采用Adaboost 算法实现对移动智能终端安全等级的客观准确划分，有利于实现不同安全级别需求的安全使用；并且，这种安全等级分类模式，可适用于多种不同的移动智能终端设备，可移植性强，应用广泛。

附图说明

图1为本发明的方法流程图；

图2实施例中的K-1层Adaboost分类器的数据处理流程图。

具体实施方式

下面结合附图进一步详细描述本发明的技术方案，但本发明的保护范围不局限于以下所述。

如图1所示，基于Adaboost的移动智能终端安全等级分类方法，包括以下步骤：

S1.在边缘计算平台对N+P台接入的移动智能终端进行测试，得到测试结果 M₁,M₂,…,M_N,…,M_N+P，M_i表示第i台接入的移动智能终端测试结果，i＝1,2,...,N+P，每个M_i包含S个测试单项的测试结果，M_i＝[m₁,m₂,…,m_S]^T，其中m_j为第j个测试单项的测试结果，j＝1,2,...,S；

具体地，一台移动智能终端的安全性能由S个测试单项决定，例如，短信安全、通话安全、第三方软件安全、内核数据加工、审计安全、存储安全、删除文件警告等；每个测试单项给出的测试结果为“安全”或者“危险”；

S2.将移动智能终端安全等级划分为K级，对每个测试结果M_i进行预处理，得到M_i对应的测试结果向量X_i与所属安全等级y_i：

具体地，所述步骤S2包括：

S201.将移动智能终端安全等级划分为K级；

S202.对M_i中的每个测试单项的测试结果m_j进行数字化，得到测试结果向量X_i：

X_i＝[m′₁,m′₂,…,m′_S]^T；

式中m′_j为m_j对应的测试单项数字化信息，j＝1,2,...,S；

在本申请的实施例中，将每个测试单项的测试结果数字化的方式如下，也就是说，当测试单项的测试结果m_j为安全时，其对应的数字化信息m′_j＝1；当测试单项的测试结果m_j为危险时，其对应的数字化信息m′_j＝0。

S203.将M_i对应的各个测试单项按照其所属的环节进行分类，根据每类环节包含的测试单项数字化信息，判断该环节是否受到保护；根据M_i中受到保护的环节个数，确定M_i所属的安全等级。

在本申请的实施例中，首先将M_i对应的各个测试单项划分为收集、加工、转移和删除四个环节；上述的测试单项中，短信安全、通话安全、第三方软件安全、内核数据加工、审计安全、存储安全、删除文件警告的数据安全性均贯穿于四个环节之中；所有的测试单项最终的指向均为测试以上4个环节中的一个的安全性，因此将终端安全等级划分为4级，即K＝4；

在M_i对应的每一个环节中，统计测试单项的总数目L和该环节中数字化信息m′_j＝1的测试单项数目L′，比较L′/L是否大于预设阈值，若是，则判定该环节受到保护，若否，则判定M_i该环节未受到保护；

统计M_i中受到保护的环节个数，据此确定M_i所属的安全等级：当受到保护的环节个数为0或1时，M_i所属的安全等级为1；当受到保护的环节个数大于1时，M_i所属的安全等级与受到保护的环节个数相等，安全等级的确定如下表所示：

受保护的环节个数	0或1	2	3	4
					安全程度	很差	差	一般	安全
安全级别y	1	2	3	4

S3.整合每次测试结果M_i对应的向量X_i和所属安全等级y_i，得到数据集T：

T＝{(X₁,y₁),(X₂,y₂),…,(X_N+P,y_N+P)}；

y_i∈{1,2,...,K}，i＝1,2,…,N+P；

将数据集T中的其中前N组数据划分为训练集T_N，后P组数据划分为测试集T_P；

S4.根据安全等级的级数K，采用K-1层(3层)Adaboost算法模型，对数据训练集T_N进行训练，生成强分类器并通过测试集T_P验证准确率；

具体地，所述步骤S4包括：

S401.初始化m＝1；将训练集T_N分成两类，其中y_i＝m的为一类，y_i＝m+1～4级为另一类：

得到的训练集中：

S402.初始化训练数据集T_N ^(m)中数据的权值分布，使每一个训练样本最开始权值均为w_i＝1/N，得到训练数据集的初始权值分布

S403.迭代获取强分类器：

A、初始化t＝1；

B、使用具有权值分布D_t的训练数据集学习，得到第t个基本分类器Ht(x):X→{-1,+1}；

C、计算当前基本分类器Ht(x)在训练数据集T_N ^(m)上的分类误差率:

D、计算该基本分类器在最终分类器中所占的权重系数得到第t个弱分类器f_t(x)＝α_tH_t(x)；

E、按弱分类器权重α_t组合各个弱分类器即判断sign(f(x))是否使数据集分类误差率达到0，若是，得到最终的强分类器为：进入步骤S404；若否，进入步骤F；

F、更新训练数据集T_N ^(m)的权值分布其中Z_t为归一化常数同时更新参数t←t+1，即更新后的t为更新前的t加1,随后返回步骤B继续迭代；

S404.将T_N ^(m)中所有数据通过强分类器，剔除所有H_final(X_i)＞0的数据，将剩余数据总数设为新的N，将m进行+1操作，并返回步骤S401，按照步骤S401～S404重复进行强分类器生成，得到第2～K-1层强分类器，并结束循环；

S405.利用测试数据集对得到的K-1层强分类器进行测试并验证测试准确率，强分类器中数据处理流程如图2所示：

首先，对于测试集T_P中的任一X_i，先将其带入第一层强分类器，判断H_final(X_i)＞0是否成立，若是，则K-1层强分类器对X_i对应的智能终端判定结果为：安全等级为1，若否，将X_i带入第二层强分类器，判断H_final(X_i)＞0是否成立，若是，则K-1层强分类器对X_i对应的智能终端判定结果为安全等级为2，若否，将X_i带入第三层强分类器，判断H_final(X_i)＞0是否成立，若是，则K-1层强分类器对X_i对应的智能终端判定结果为：安全等级为3，若否，则判定安全等级为4；重复上述过程，得到K-1层强分类器对测试集中所有X_i的判定结果，并统计判断正确的数据量L1；

根据测试数据集T_P的数据总量P和分类器判断正确的数据量L1，计算测试准确率δ＝L1/P，若准确率δ达不到规定要求，重新从S1开始收集数据，直至得到检测率达到要求的K-1层强分类器。

S5.对新接入的移动智能终端进行测试，将测试结果通过强分类器，得到移动智能终端的安全等级。

具体地，在本申请的实施例中，对于新接入的移动智能终端C，首先对其进行测试，得到包含S个测试单项的测试结果M_C＝[m₁,m₂,…,m_S]^T，然后对测试结果按照步骤S202进行数字化，得到测试结果向量X_C，将测试结果向量X_C送入K-1层强分类器中，判定的安全等级：具体地，将X_C其带入第一层强分类器，判断H_final(X_C)＞0是否成立，若是，则新接入的移动智能终端C安全等级为1，若否，将X_C带入第二层强分类器，判断H_final(X_C)＞0是否成立，若是，则新接入的移动智能终端C安全等级为2，若否，将X_C带入第三层强分类器，判断H_final(X_C)＞0是否成立，若是，则新接入的移动智能终端C安全等级为3，若否，则新接入的移动智能终端C安全等级为4。

综上，本发明根据移动智能终端各单项安全性能的测试，采用Adaboost算法实现对移动智能终端安全等级的客观准确划分，有利于实现不同安全级别需求的安全使用；并且，这种安全等级分类模式，可适用于多种不同的移动智能终端设备，可移植性强，应用广泛。

以上所述是本发明的优选实施方式，应当理解本发明并非局限于本文所披露的形式，不应该看作是对其他实施例的排除，而可用于其他组合、修改和环境，并能够在本文所述构想范围内，通过上述教导或相关领域的技术或知识进行改动。而本领域人员所进行的改动和变化不脱离本发明的精神和范围，则都应在本发明所附权利要求的保护范围内。

Claims (7)

1.基于Adaboost的移动智能终端安全等级分类方法，其特征在于：包括以下步骤：

S1.在边缘计算平台对N+P台接入的移动智能终端进行测试，得到测试结果M₁,M₂,…,M_N,…,M_N+P，M_i表示第i台接入的移动智能终端测试结果，i＝1,2,...,N+P，每个M_i包含S个测试单项的测试结果，M_i＝[m₁,m₂,…,m_S]^T，其中m_j为第j个测试单项的测试结果，j＝1,2,...,S；

S2.将移动智能终端安全等级划分为K级，对每个测试结果M_i进行预处理，得到M_i对应的测试结果向量X_i与所属安全等级y_i：

S3.整合每次测试结果M_i对应的向量X_i和所属安全等级y_i，得到数据集T：

T＝{(X₁,y1),(X₂,y2),…,(X_N+P,yN+P)}；

yi∈{1,2,...,K}，i＝1,2,…,N+P；

将数据集T中的其中前N组数据划分为训练集T_N，后P组数据划分为测试集T_P；

S4.根据安全等级的级数K，采用K-1层Adaboost算法模型，对数据训练集T_N进行训练，生成强分类器并通过测试集T_P验证准确率；

S5.对新接入的移动智能终端进行测试，将测试结果通过强分类器，得到移动智能终端的安全等级。

2.根据权利要求1所述的基于Adaboost的移动智能终端安全等级分类方法，其特征在于：所述步骤S2包括：

S201.将移动智能终端安全等级划分为K级，其中K＝4；

S202.对M_i中的每个测试单项的测试结果m_j进行数字化，得到测试结果向量X_i：

X_i＝[m′₁,m′₂,…,m′_S]^T；

式中m′_j为m_j对应的测试单项数字化信息，j＝1,2,...,S；

S203.将M_i对应的各个测试单项按照其所属的环节进行分类，根据每类环节包含的测试单项数字化信息，判断该环节是否受到保护；根据M_i中受到保护的环节个数，确定M_i所属的安全等级。

3.根据权利要求2所述的基于Adaboost的移动智能终端安全等级分类方法，其特征在于：所述步骤S202中，当测试单项的测试结果m_j为安全时，其对应的数字化信息m′_j＝1；当测试单项的测试结果m_j为危险时，其对应的数字化信息m′_j＝0。

4.根据权利要求2所述的基于Adaboost的移动智能终端安全等级分类方法，其特征在于：所述步骤S203包括：

将M_i对应的各个测试单项划分为收集、加工、转移和删除四个环节；

在M_i对应的每一个环节中，统计测试单项的总数目L和该环节中数字化信息m′_j＝1的测试单项数目L′，比较L′/L是否大于预设阈值，若是，则判定该环节受到保护，若否，则判定M_i该环节未受到保护；

统计M_i中受到保护的环节个数，据此确定M_i所属的安全等级：当受到保护的环节个数为0或1时，M_i所属的安全等级为1；当受到保护的环节个数大于1时，M_i所属的安全等级与受到保护的环节个数相等。

5.根据权利要求1所述的基于Adaboost的移动智能终端安全等级分类方法，其特征在于：所述步骤S4包括：

S401.初始化m＝1；将训练集T_N分成两类，其中y_i＝m的为一类，y_i＝m+1～K级为另一类：

得到的训练集中：

S402.初始化训练数据集中数据的权值分布，使每一个训练样本最开始权值均为w_i＝1/N，得到训练数据集的初始权值分布

S403.迭代获取强分类器：

A、初始化t＝1；

B、使用具有权值分布D_t的训练数据集学习，得到第t个基本分类器Ht(x):X→{-1,+1}；

C、计算当前基本分类器Ht(x)在训练数据集T_N ^(m)上的分类误差率：

D、计算该基本分类器在最终分类器中所占的权重系数得到第t个弱分类器f_t(x)＝α_tH_t(x)；

E、按弱分类器权重α_t组合各个弱分类器即判断sign(f(x))是否使数据集分类误差率达到0，若是，得到最终的强分类器为：进入步骤S404；若否，进入步骤F；

F、更新训练数据集T_N ^(m)的权值分布其中Z_t为归一化常数同时更新参数t←t+1，即更新后的t为更新前的t加1,随后返回步骤B继续迭代；

S404.将T_N ^(m)中所有数据通过强分类器，剔除所有H_final(X_i)＞0的数据，将剩余数据总数设为新的N，将m进行+1操作，并返回步骤S401，按照步骤S401～S404重复进行强分类器生成，得到第2～K-1层强分类器，并结束循环；

S405.利用测试数据集对得到的K-1层强分类器进行测试并验证测试准确率，得到检测率达到要求的K-1层强分类器。

6.根据权利要求1所述的基于Adaboost的移动智能终端安全等级分类方法，其特征在于：所述的基本分类器选取原则为在当前训练数据集上使得分类误差率最小。

7.根据权利要求1所述的基于Adaboost的移动智能终端安全等级分类方法，其特征在于：所述步骤S5中，利用得到的K-1层强分类器，按照从1到K-1层递进的方式对安全等级进行分类。