CN109728958A - 一种网络节点信任预测方法、装置、设备及介质 - Google Patents
一种网络节点信任预测方法、装置、设备及介质 Download PDFInfo
- Publication number
- CN109728958A CN109728958A CN201910180193.6A CN201910180193A CN109728958A CN 109728958 A CN109728958 A CN 109728958A CN 201910180193 A CN201910180193 A CN 201910180193A CN 109728958 A CN109728958 A CN 109728958A
- Authority
- CN
- China
- Prior art keywords
- input sample
- type
- trust
- prediction
- kernel function
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Granted
Links
- 238000000034 method Methods 0.000 title claims abstract description 71
- 230000006870 function Effects 0.000 claims description 100
- 238000004590 computer program Methods 0.000 claims description 10
- 238000012545 processing Methods 0.000 claims description 9
- 238000006243 chemical reaction Methods 0.000 claims description 3
- 230000009286 beneficial effect Effects 0.000 abstract description 2
- 230000008569 process Effects 0.000 description 14
- 239000011159 matrix material Substances 0.000 description 10
- 238000013507 mapping Methods 0.000 description 7
- 239000013598 vector Substances 0.000 description 5
- 230000009471 action Effects 0.000 description 4
- 238000004364 calculation method Methods 0.000 description 3
- 230000000694 effects Effects 0.000 description 3
- 238000012417 linear regression Methods 0.000 description 3
- 238000012549 training Methods 0.000 description 3
- 230000008859 change Effects 0.000 description 2
- 238000010586 diagram Methods 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 238000013488 ordinary least square regression Methods 0.000 description 2
- 238000009825 accumulation Methods 0.000 description 1
- 238000013459 approach Methods 0.000 description 1
- 230000006399 behavior Effects 0.000 description 1
- 230000005540 biological transmission Effects 0.000 description 1
- 238000004891 communication Methods 0.000 description 1
- 230000001186 cumulative effect Effects 0.000 description 1
- 230000001419 dependent effect Effects 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 230000008030 elimination Effects 0.000 description 1
- 238000003379 elimination reaction Methods 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 230000000750 progressive effect Effects 0.000 description 1
- 238000005316 response function Methods 0.000 description 1
- 238000012706 support-vector machine Methods 0.000 description 1
Landscapes
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明公开了一种网络节点信任预测方法、装置、设备及介质。该方法的步骤包括：获取目标网络节点的输入样本；当输入样本为非线性类型时，通过核函数将输入样本的类型转化为线性类型；通过信任预测模型对输入样本进行信任预测，生成信任预测结果。由于本方法在当判定输入样本为非线性类型时，能够先通过核函数将非线性类型的输入样本转化为信任预测模型普遍能够处理的线性类型的输入样本，再通过信任预测模型对属于线性类型的输入样本进行信任预测，以此确保了信任预测模型能够正常且准确的对非线性类型的输入样本进行处理，进而保证了预测结果的准确性。此外，本发明还提供一种网络节点信任预测装置、设备及介质，有益效果同上所述。
Description
技术领域
本发明涉及网络通信领域，特别是涉及一种网络节点信任预测方法、装置、设备及介质。
背景技术
在物联网中融入社交网络的概念，通过模仿人类的行为将智能对象社会化，形成了一种新的范例—社交物联网(SIoT)。在该范例中一个急需解决的问题是，如何自主地在智能对象之间建立可靠的关系，即如何在节点之间建立信任关系。
当前对网络中的节点进行可靠性判定时所采用的一种普遍的方式是信任预测方式，具体是将待判定的网络节点的历史信任值等数据作为输入样本，进而通过信任预测模型对输入样本进行信任预测，以此生成最终的信任预测结果，并通过信任预测结果对网络节点的是否可信或可信程度进行判定。
信任预测是评估网络中节点是否可信的关键，精确的信任预测能够降低系统对节点属性误判的风险，有效地选择可信节点作为数据传输的中继，并将恶意节点排除出网络。而传统的信任预测模型所处理而定输入样本往往是线性的，但是随着输入样本的内容不断丰富，以及输入样本中各类数据内容的关联性也在不断增强，因此输入样本不再仅限于具有线性特征，当前也往往存在有非线性类型的输入样本，导致当前的信任预测模型无法正常且准确的对非线性类型的输入样本进行处理，难以确保预测结果的准确性。
由此可见，提供一种网络节点信任预测方法，以确保信任预测模型相对准确的对非线性类型的输入样本进行处理，进而保证预测结果的准确性，是本领域技术人员需要解决的问题。
发明内容
本发明的目的是提供一种网络节点信任预测方法、装置、设备及介质，以确保信任预测模型相对准确的对非线性类型的输入样本进行处理，进而保证预测结果的准确性。
为解决上述技术问题，本发明提供一种信任预测方法，包括：
获取目标网络节点的输入样本；
当输入样本为非线性类型时，通过核函数将输入样本的类型转化为线性类型；
通过信任预测模型对线性类型的输入样本进行信任预测，生成信任预测结果。
优选的，通过信任预测模型对线性类型的输入样本进行信任预测，生成信任预测结果包括：
通过灰色预测模型对线性类型的输入样本进行信任预测，生成信任预测结果。
优选的，在通过核函数将输入样本的类型转化为线性类型之前，该方法还包括：
对核函数进行正则化处理。
优选的，对核函数进行正则化处理包括：
基于岭回归或Lasso回归对核函数进行正则化处理。
优选的，当基于岭回归对核函数进行正则化处理时，基于岭回归对核函数进行正则化处理包括：
基于岭回并通过拉格朗日乘子法构造拉格朗日函数，通过求解拉格朗日函数对核函数进行正则化处理。
优选的，通过核函数将输入样本的类型转化为线性类型包括：
通过经Mercer定理验证的核函数将输入样本的类型转化为线性类型。
此外，本发明还提供一种信任预测装置，包括：
样本获取模块，用于获取目标网络节点的输入样本；
样本转化模块，用于当输入样本为非线性类型时，通过核函数将输入样本的类型转化为线性类型；
结果生成模块，用于通过信任预测模型对线性类型的输入样本进行信任预测，生成信任预测结果。
此外，本发明还提供一种信任预测设备，包括：
存储器，用于存储计算机程序；
处理器，用于执行计算机程序时实现如上述的信任预测方法的步骤。
此外，本发明还提供一种计算机可读存储介质，计算机可读存储介质上存储有计算机程序，计算机程序被处理器执行时实现如上述的信任预测方法的步骤。
本发明所提供的网络节点信任预测方法，首先获取目标网络节点的输入样本，进而对输入样本的数据类型进行判定，当输入样本中包含的为非线性类型时，通过核函数将非线性的输入样本的类型转化为线性的输入样本，进而通过信任预测模型对输入样本进行信任预测，生成相应的信任预测结果。由于本方法在当判定输入样本为非线性类型时，能够先通过核函数将非线性类型的输入样本转化为信任预测模型普遍能够处理的线性类型的输入样本，再通过信任预测模型对属于线性类型的输入样本进行信任预测，以此确保了信任预测模型能够正常且准确的对非线性类型的输入样本进行处理，进而保证了预测结果的准确性。此外，本发明还提供一种网络节点信任预测装置、设备及介质，有益效果同上所述。
附图说明
为了更清楚地说明本发明实施例，下面将对实施例中所需要使用的附图做简单的介绍，显而易见地，下面描述中的附图仅仅是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。
图1为本发明实施例提供的一种网络节点信任预测方法的流程图；
图2为本发明实施例提供的一种网络节点信任预测装置的结构图。
具体实施方式
下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本发明一部分实施例，而不是全部实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下，所获得的所有其他实施例，都属于本发明保护范围。
本发明的核心是提供一种网络节点信任预测方法，以确保信任预测模型相对准确的对非线性类型的输入样本进行处理，进而保证预测结果的准确性。本发明的另一核心是提供一种网络节点信任预测装置、设备及介质。
为了使本技术领域的人员更好地理解本发明方案，下面结合附图和具体实施方式对本发明作进一步的详细说明。
实施例一
图1为本发明实施例提供的一种网络节点信任预测方法的流程图。请参考图1，网络节点信任预测方法的具体步骤包括：
步骤S10：获取目标网络节点的输入样本。
需要说明的是，本步骤的目的是在对某一网络节点进行信任预测时，获取与该网络节点相关的数据内容，以此将数据内容作为后续信任预测的输入样本。本步骤中的输入样本所包含的数据内容可以仅为相应的网络节点的历史信任值，也可以是相应网络节点的历史信任值以及影响历史信任值的其它相关因素数据，在此不做具体限定。此外，本步骤中的输入样本可以具体是线性类型的输入样本也可以是非线性类型的数据样本。
步骤S11：当输入样本为非线性类型时，通过核函数将输入样本的类型转化为线性类型。
本步骤是对获取到的目标节点的输入样本进行数据类型的判断，当输入样本属于非线性类型时，将非线性类型的输入样本转化为线性类型的输入样本，具体是通过核函数的方式，将非线性类型的输入样本输入至核函数中，进而将核函数的函数运算结果作为核函数输出的非线性类型的输入样本。
核函数的引入避免了“维数灾难”，大大减小了计算量，而输入空间的维数对核函数矩阵无影响，因此，核函数方法可以有效处理高维输入。核函数可将非线性数据集映射到高维空间中，使数据变得更容易分离或更好的结构化，高维空间中进行的线性操作在原低维空间中表现为非线性；不需要关心高维度空间的具体表达形式，高纬度空间中向量的内积可通过低纬度中点的核函数进行计算，即核函数可以看作在低维空间计算高维空间内积的一个工具。通过内积运算核函数可以巧妙地解决在高维特征空间中计算的“维数灾难”等问题，从而为在高维特征空间解决复杂的分类或回归问题奠定了理论基础。核函数的形式和参数的变化会隐式地改变从输入空间到特征空间的映射，进而对特征空间的性质产生影响，最终改变各种核函数方法的性能。此外，函数方法可以和不同的算法相结合，形成多种不同的基于核函数技术的方法，且这两部分的设计可以单独进行，并可以为不同的应用选择不同的核函数和算法。
步骤S12：通过信任预测模型对线性类型的输入样本进行信任预测，生成信任预测结果。
在将输入样本的数据类型转化为线性类型的数据样本后，通过信任预测模型对输入样本进行信任预测，生成信任预测结果。
本发明所提供的网络节点信任预测方法，首先获取目标网络节点的输入样本，进而对输入样本的数据类型进行判定，当输入样本中包含的为非线性类型时，通过核函数将非线性的输入样本的类型转化为线性的输入样本，进而通过信任预测模型对输入样本进行信任预测，生成相应的信任预测结果。由于本方法在当判定输入样本为非线性类型时，能够先通过核函数将非线性类型的输入样本转化为信任预测模型普遍能够处理的线性类型的输入样本，再通过信任预测模型对属于线性类型的输入样本进行信任预测，以此确保了信任预测模型能够正常且准确的对非线性类型的输入样本进行处理，进而保证了预测结果的准确性。
实施例二
在上述实施例的基础上，本发明还提供以下一系列优选的实施方式。
作为一种优选的实施方式，通过信任预测模型对线性类型的输入样本进行信任预测，生成信任预测结果包括：
通过灰色预测模型对线性类型的输入样本进行信任预测，生成信任预测结果。
需要说明的是，灰色预测模型OGM(1,n)。原始的输入样本由n个序列组成其中代表历史信任值构成的序列，(i＝2,3,…,n)。灰色模型可有效用于小样本时间序列预测，能够相对减少输入样本的整体数量。
原始观测数据(i＝1,2,3,…,n)通过一阶累积运算(1-AGO)变换，得到具有较强规律性的累积数据作为输入样本：
其中i＝1,2,...,n；k＝1,2,...,m。
相邻累积生成序列被定义为：
则优化的灰色预测模型OGM(1,n)可以表示为:
其中，h1(k-1)为线性相关项，h2为灰色作用量项。对于参数序列p＝[a,b1,b2,...,bN,h1,h2]T的求解，使用最小二乘法，如下：
p＝(BTB)-1BTY；
灰色预测模型OGM(1,n)本质上还是属于线性模型，只能对具有线性关系的输入样本进行预测，但在实际预测过程中，输入样本往往是非线性的。为了使OGM(1,n)能够预测非线性数据，本发明摒弃了OGM(1,n)模型中对输入序列的线性预测，通过引入非线性函数ρ(k)和偏离值η，对输入序列进行非线性预测，使预测结果更符合真实的数据变化情况。相应的模型设计如下：
对于线性问题，很容易在二维空间中求解，但是对于非线性问题，在二维空间中是不可解的。在输入数据集不能使用线性分类器进行完美分类的情况下，视情况差异有两种解决办法：第一种是在误分类点在分类超平面附近且数量较少时，可使用带有软间隔的支持向量机；第二种是数据集误分类点很多，以致于线性分类器无法取得很好的效果的情况下，需要使用一种非线性分类方法。
一种潜在的解决方法是提升数据集的维度，并在具体实现过程中将上述非线性分类问题转化成线性分类问题。但该方法的致命缺点是维度灾难，其导致计算量难以解决。为了既达到升维的效果，又可大幅减少升维操作带来的计算量，因此本方案中引入核函数的思想。
(核函数)设χ为输入空间，H为特征空间(即高维空间)，如果存在一个从χ到H的映射：
使得对所有x,y∈χ,函数K(x,y)满足条件：
则称K(x,y)为核函数，为映射函数，为和的内积。
在本文中，输入空间χ表示序列在高维特征空间中，非线性函数ρ(k)可以用线性形式来表示：
其中，w∈H是一个权重向量。
在上述实施方式的基础上，在通过核函数将输入样本的类型转化为线性类型之前，该方法还包括：
对核函数进行正则化处理。
通常情况下直接找到一个非线性映射是不可行的，因此不能仅使用普通最小二乘法来求解公式(4)中的参数，由于公式(4)中参数变量过多，如果没有足够多的数据集去约束该模型，则可能会产生过拟合问题。本文使用正则化的方法，在保留所有特征变量的基础上，通过降低公式(4)的复杂度来防止产生过拟合问题并求解公式(4)的多个参数。通过正则化的方式对核函数进行处理，能够相对确保核函数将非线性输入样本转化为线性输入样本的整体准确性，进而确保了后续通过灰色预测模型进行信任预测的准确性。
在上述实施方式的基础上，作为一种优选的实施方式，对核函数进行正则化处理包括：
基于岭回归或Lasso回归对核函数进行正则化处理。
正则化的一般原理是在代价函数后面加上一个对参数的约束项，该约束项被称为正则化项。在线性回归模型中，通常采用以下两种方案：(1)岭回归通过对系数的大小施加惩罚来解决普通最小二乘法的求解问题。即对系数的模做二范式约束，在普通线性回归的基础上叠加上L2范数的约束；(2)Lasso回归是估计稀疏系数的线性模型，可有效地减少给定解决方案所依赖的变量数量。本质上，Lasso在普通的线性回归基础上叠加了L1范数的约束。
在上述实施方式的基础上，作为一种优选的实施方式，当基于岭回归对核函数进行正则化处理时，基于岭回归对核函数进行正则化处理包括：
基于岭回并通过拉格朗日乘子法构造拉格朗日函数，通过求解拉格朗日函数对核函数进行正则化处理。
本文使用岭回归的方法进行正则化操作，优化目标形式表达如下：
其中，λ是正则化参数，保持拟合误差与序列平整度之间的平衡。
为了求解公式(4)的参数，本实施方式将正则化问题转化为给定条件下函数最小值的求解问题。求解步骤如下：
(1)使用拉格朗日乘子法(Lagrange multiplier)解决等式约束条件下的最优解问题。根据正则化处理后得到的方程(7)，构造拉格朗日函数。
(2)利用偏导数法得到拉格朗日函数中每个变量的偏导方程，并通过消元法，得到等价的线性系统。
(3)根据偏导方程和线性系统，求得参数的b值，并利用高斯核函数，得到非线性函数ρ(k)的表达式。
为了求得多元函数在多个约束条件下的最值，根据方程(7)，构造如下的拉格朗日函数：
其中，待定系数γk是拉格朗日乘子，h(k)为约束函数：
使用偏导数法得到每个变量的偏导方程，Karush-Kuhn-Tucker(KKT)约束条件如下：
通过消除b,w和θk，我们可以得到以下线性系统：
其中，
Em-1是一个m-1维的单位矩阵。
根据公式(11)，可知在不知道特征映射的情况下，仍然可以用内积的值来求解线性系统。很容易想到使用核函数代替内积，需要实现的目标为：
但是，该等式成立的条件是K函数必须是有效的核函数。核函数有多种不同的类型，其中最常用是高斯核函数，可以将数据映射到无穷维，也被称作径向基函数，其公式如下：
其中||·||代表欧氏距离(2范数)的计算，σ是内核参数，控制径向作用范围。
根据KKT条件中的第一个方程式和已经求得的线性系统(11)可以得到参数b的值。
然后，根据公式(6)中ρ(k)的定义和偏导方程(10)中的第二个等式可以得到：
其中，内积可以用高斯核函数来表示，并且通过公式(12)(13)(14)可以得到非线性函数ρ(k)：
根据1-AGO(1)的定义，可以得到：
因此，将公式(2)和(16)带入到公式(4)中，可以得到的表达式为：
其中，
通过递归求解公式(17)得到公式(4)的响应函数如下：
最后，使用一阶逆累积生成操作(1-IAGO)得到最终的预测结果：
在上述一系列实施方式的基础上，作为一种优选的实施方式，通过核函数将输入样本的类型转化为线性类型包括：
通过经Mercer定理验证的核函数将输入样本的类型转化为线性类型。
需要说明的是，任何半正定的函数都可以作为核函数。如果函数K是从两个n维向量到实数域的映射，且K是一个有效核函数，那么当且仅当对于训练样例{α(1),α(2),...,α(m)}，其相应的核函数矩阵是对称半正定的。如果核函数矩阵是对称半正定的，则核函数K一定是有效的。即满足Mercer定理的函数都可以作为核函数，该定理是验证一个函数是否为核函数的充分条件。
对于给定的训练样本{α(1),α(2),...,α(m)}，每一个数据α(i)对应一个特征向量，我们可以将任意两个α(i)和α(j)带入函数K中，计算得到Kij＝K(α(i),α(j))，进而得到出m×m的核函数矩阵。假设函数K是有效的核函数，那么根据核函数定义可得：
由此可得，核函数矩阵是对称矩阵。
此外，矩阵半正定的定义是，设A是n阶矩阵，如果对任何非零向量X，都有XTAX≥0，其中XT表示X的转置，则称A为半正定矩阵。
用来表示映射函数的第k维属性值。对任意非零向量z，可得：
由上式可得，如果函数K是个有效的核函数，那么在训练集上得到的核函数矩阵应该是半正定的。经过上述过程，可以验证函数K是否是一个有效的核函数。
本实施方式在使用核函数之前先对核函数进行验证，能够相对确保核函数的可用性，提高后续通过灰色预测模型进行信任预测的准确性。
实施例三
在上文中对于网络节点信任预测方法的实施例进行了详细的描述，本发明还提供一种与该方法对应的网络节点信任预测装置，由于装置部分的实施例与方法部分的实施例相互对应，因此装置部分的实施例请参见方法部分的实施例的描述，这里暂不赘述。
图2为本发明实施例提供的一种网络节点信任预测装置的结构图。本发明实施例提供的信任预测装置，包括：
样本获取模块10，用于获取目标网络节点的输入样本。
样本转化模块11，用于当输入样本为非线性类型时，通过核函数将输入样本的类型转化为线性类型。
结果生成模块12，用于通过信任预测模型对线性类型的输入样本进行信任预测，生成信任预测结果。
本发明所提供的网络节点信任预测装置，首先获取目标网络节点的输入样本，进而对输入样本的数据类型进行判定，当输入样本中包含的为非线性类型时，通过核函数将非线性的输入样本的类型转化为线性的输入样本，进而通过信任预测模型对输入样本进行信任预测，生成相应的信任预测结果。由于本装置在当判定输入样本为非线性类型时，能够先通过核函数将非线性类型的输入样本转化为信任预测模型普遍能够处理的线性类型的输入样本，再通过信任预测模型对属于线性类型的输入样本进行信任预测，以此确保了信任预测模型能够正常且准确的对非线性类型的输入样本进行处理，进而保证了预测结果的准确性。
实施例四
此外，本发明还提供一种信任预测设备，包括：
存储器，用于存储计算机程序；
处理器，用于执行计算机程序时实现如上述的信任预测方法的步骤。
本发明所提供的网络节点信任预测设备，首先获取目标网络节点的输入样本，进而对输入样本的数据类型进行判定，当输入样本中包含的为非线性类型时，通过核函数将非线性的输入样本的类型转化为线性的输入样本，进而通过信任预测模型对输入样本进行信任预测，生成相应的信任预测结果。由于本设备在当判定输入样本为非线性类型时，能够先通过核函数将非线性类型的输入样本转化为信任预测模型普遍能够处理的线性类型的输入样本，再通过信任预测模型对属于线性类型的输入样本进行信任预测，以此确保了信任预测模型能够正常且准确的对非线性类型的输入样本进行处理，进而保证了预测结果的准确性。
此外，本发明还提供一种计算机可读存储介质，计算机可读存储介质上存储有计算机程序，计算机程序被处理器执行时实现如上述的信任预测方法的步骤。
本发明所提供的计算机可读存储介质，在执行时首先获取目标网络节点的输入样本，进而对输入样本的数据类型进行判定，当输入样本中包含的为非线性类型时，通过核函数将非线性的输入样本的类型转化为线性的输入样本，进而通过信任预测模型对输入样本进行信任预测，生成相应的信任预测结果。由于本计算机可读存储介质在当判定输入样本为非线性类型时，能够先通过核函数将非线性类型的输入样本转化为信任预测模型普遍能够处理的线性类型的输入样本，再通过信任预测模型对属于线性类型的输入样本进行信任预测，以此确保了信任预测模型能够正常且准确的对非线性类型的输入样本进行处理，进而保证了预测结果的准确性。
以上对本发明所提供的一种网络节点信任预测方法、装置、设备及介质进行了详细介绍。说明书中各个实施例采用递进的方式描述，每个实施例重点说明的都是与其他实施例的不同之处，各个实施例之间相同相似部分互相参见即可。对于实施例公开的装置而言，由于其与实施例公开的方法相对应，所以描述的比较简单，相关之处参见方法部分说明即可。应当指出，对于本技术领域的普通技术人员来说，在不脱离本发明原理的前提下，还可以对本发明进行若干改进和修饰，这些改进和修饰也落入本发明权利要求的保护范围内。
还需要说明的是，在本说明书中，诸如第一和第二等之类的关系术语仅仅用来将一个实体或者操作与另一个实体或操作区分开来，而不一定要求或者暗示这些实体或操作之间存在任何这种实际的关系或者顺序。而且，术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含，从而使得包括一系列要素的过程、方法、物品或者设备不仅包括那些要素，而且还包括没有明确列出的其他要素，或者是还包括为这种过程、方法、物品或者设备所固有的要素。在没有更多限制的情况下，由语句“包括一个……”限定的要素，并不排除在包括所述要素的过程、方法、物品或者设备中还存在另外的相同要素。
Claims (9)
1.一种信任预测方法，其特征在于，包括：
获取目标网络节点的输入样本；
当所述输入样本为非线性类型时，通过核函数将所述输入样本的类型转化为线性类型；
通过信任预测模型对线性类型的输入样本进行信任预测，生成信任预测结果。
2.根据权利要求1所述的方法，其特征在于，所述通过信任预测模型对线性类型的输入样本进行信任预测，生成信任预测结果包括：
通过灰色预测模型对线性类型的输入样本进行信任预测，生成所述信任预测结果。
3.根据权利要求2所述的方法，其特征在于，在所述通过核函数将所述输入样本的类型转化为线性类型之前，该方法还包括：
对所述核函数进行正则化处理。
4.根据权利要求3所述的方法，其特征在于，所述对所述核函数进行正则化处理包括：
基于岭回归或Lasso回归对所述核函数进行所述正则化处理。
5.根据权利要求4所述的方法，其特征在于，当基于所述岭回归对所述核函数进行所述正则化处理时，所述基于所述岭回归对所述核函数进行所述正则化处理包括：
基于所述岭回并通过拉格朗日乘子法构造拉格朗日函数，通过求解所述拉格朗日函数对所述核函数进行所述正则化处理。
6.根据权利要求1至5任意一项所述的方法，其特征在于，所述通过核函数将所述输入样本的类型转化为线性类型包括：
通过经Mercer定理验证的核函数将所述输入样本的类型转化为线性类型。
7.一种信任预测装置，其特征在于，包括：
样本获取模块，用于获取目标网络节点的输入样本；
样本转化模块，用于当所述输入样本为非线性类型时，通过核函数将所述输入样本的类型转化为线性类型；
结果生成模块，用于通过信任预测模型对线性类型的输入样本进行信任预测，生成信任预测结果。
8.一种信任预测设备，其特征在于，包括：
存储器，用于存储计算机程序；
处理器，用于执行所述计算机程序时实现如权利要求1至6任一项所述的信任预测方法的步骤。
9.一种计算机可读存储介质，其特征在于，所述计算机可读存储介质上存储有计算机程序，所述计算机程序被处理器执行时实现如权利要求1至6任一项所述的信任预测方法的步骤。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201910180193.6A CN109728958B (zh) | 2019-03-11 | 2019-03-11 | 一种网络节点信任预测方法、装置、设备及介质 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201910180193.6A CN109728958B (zh) | 2019-03-11 | 2019-03-11 | 一种网络节点信任预测方法、装置、设备及介质 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN109728958A true CN109728958A (zh) | 2019-05-07 |
| CN109728958B CN109728958B (zh) | 2022-07-15 |
Family
ID=66302214
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201910180193.6A Active CN109728958B (zh) | 2019-03-11 | 2019-03-11 | 一种网络节点信任预测方法、装置、设备及介质 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN109728958B (zh) |
Cited By (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN110121171A (zh) * | 2019-05-10 | 2019-08-13 | 青岛大学 | 基于指数平滑法和灰色模型的信任预测方法 |
| CN114301795A (zh) * | 2021-11-15 | 2022-04-08 | 南京翌淼信息科技有限公司 | 一种网络数据安全识别方法及系统 |
Citations (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN103810374A (zh) * | 2013-12-09 | 2014-05-21 | 中国矿业大学 | 一种基于mfcc特征提取的机器故障预测方法 |
| CN105467382A (zh) * | 2015-12-31 | 2016-04-06 | 南京信息工程大学 | 基于svm的多传感器的目标跟踪数据融合算法及其系统 |
| US20160275678A1 (en) * | 2015-03-18 | 2016-09-22 | University Of South Florida | Image-based automated measurement model to predict pelvic organ prolapse |
| CN107451684A (zh) * | 2017-07-14 | 2017-12-08 | 浙江大学 | 基于核随机逼近的股市概率预测方法 |
-
2019
- 2019-03-11 CN CN201910180193.6A patent/CN109728958B/zh active Active
Patent Citations (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN103810374A (zh) * | 2013-12-09 | 2014-05-21 | 中国矿业大学 | 一种基于mfcc特征提取的机器故障预测方法 |
| US20160275678A1 (en) * | 2015-03-18 | 2016-09-22 | University Of South Florida | Image-based automated measurement model to predict pelvic organ prolapse |
| CN105467382A (zh) * | 2015-12-31 | 2016-04-06 | 南京信息工程大学 | 基于svm的多传感器的目标跟踪数据融合算法及其系统 |
| CN107451684A (zh) * | 2017-07-14 | 2017-12-08 | 浙江大学 | 基于核随机逼近的股市概率预测方法 |
Non-Patent Citations (2)
| Title |
|---|
| 余长中: "基于正交最小二乘的可调核函数多输出回归模型", 《中国优秀硕士学位论文全文数据库（信息科技辑）》 * |
| 张徐等: "网格环境下基于灰预测的信任评估模型", 《计算机工程与应用》 * |
Cited By (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN110121171A (zh) * | 2019-05-10 | 2019-08-13 | 青岛大学 | 基于指数平滑法和灰色模型的信任预测方法 |
| CN110121171B (zh) * | 2019-05-10 | 2022-09-27 | 青岛大学 | 基于指数平滑法和灰色模型的信任预测方法 |
| CN114301795A (zh) * | 2021-11-15 | 2022-04-08 | 南京翌淼信息科技有限公司 | 一种网络数据安全识别方法及系统 |
| CN114301795B (zh) * | 2021-11-15 | 2023-12-01 | 深圳市乐数科技有限责任公司 | 一种网络数据安全识别方法及系统 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN109728958B (zh) | 2022-07-15 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| Mauroy et al. | Koopman-based lifting techniques for nonlinear systems identification | |
| Koliander et al. | Fusion of probability density functions | |
| Zhao et al. | Analog forecasting with dynamics-adapted kernels | |
| Huang et al. | A generalized growing and pruning RBF (GGAP-RBF) neural network for function approximation | |
| Wang et al. | Efficient learning by directed acyclic graph for resource constrained prediction | |
| Škrjanc et al. | Inner matrix norms in evolving cauchy possibilistic clustering for classification and regression from data streams | |
| Foster et al. | Probabilistic machine learning estimation of ocean mixed layer depth from dense satellite and sparse in situ observations | |
| Papaioannou et al. | Time-series forecasting using manifold learning, radial basis function interpolation, and geometric harmonics | |
| CN115204352B (zh) | 信息处理装置、信息处理方法和存储介质 | |
| Murillo et al. | Revised HLMS: A useful algorithm for fuzzy measure identification | |
| Basit et al. | An adaptive gain based approach for event-triggered state estimation with unknown parameters and sensor nonlinearities over wireless sensor networks | |
| Wu et al. | Dynamic K-Nearest-Neighbor with Distance and attribute weighted for classification | |
| CN109728958B (zh) | 一种网络节点信任预测方法、装置、设备及介质 | |
| Pham et al. | Unsupervised training of Bayesian networks for data clustering | |
| LaMont et al. | The development of an information criterion for change-point analysis | |
| CN115423594A (zh) | 企业财务风险的评估方法、装置、设备及存储介质 | |
| Money et al. | Sparse online learning with kernels using random features for estimating nonlinear dynamic graphs | |
| Springer et al. | Robust parameter estimation of chaotic systems | |
| He et al. | Stationary-Sparse Causality Network Learning. | |
| Do et al. | Multi-fidelity Bayesian Optimization in Engineering Design | |
| Xi et al. | Type identification and time location of multiple power quality disturbances based on KF‐ML‐aided DBN | |
| Spezia | Bayesian analysis of multivariate Gaussian hidden Markov models with an unknown number of regimes | |
| CN112861601A (zh) | 生成对抗样本的方法及相关设备 | |
| Gou et al. | An improved Wang-Mendel method based on the FSFDP clustering algorithm and sample correlation | |
| Venkatesh et al. | Model selection and regularization |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| PB01 | Publication | ||
| PB01 | Publication | ||
| SE01 | Entry into force of request for substantive examination | ||
| SE01 | Entry into force of request for substantive examination | ||
| GR01 | Patent grant | ||
| GR01 | Patent grant |