[发明专利]基于Adaboost的移动智能终端安全等级分类方法

说明书

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。

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：