[发明专利]一种基于遗传神经网络检验内网用户行为的方法和系统

摘要

本发明提供一种基于遗传神经网络检验内网用户行为的方法和系统，所述方法基于采集的实际内网用户行为的数据，结合遗传算法的全局搜索能力和后向神经网络的局部精确搜索能力，对用户行为的数据进行训练，从而使遗传神经网络在学会用户行为模式后，能将用户数据转换成相应数值后进行实时用户行为分析，并极大地提高了检验内网用户行为的速度。

主权项

1.一种基于遗传神经网络检验内网用户行为的方法，其特征在于，所述方法包括：步骤1、采集内网用户行为的数据，针对每一个内网用户，从采集的所述用户行为数据中分别提取用户行为的特征并对所述用户行为的特征进行格式转换，得到用户行为特征值；步骤2、将每一个用户的用户行为特征值进行二进制编码组合成0/1串，并将每个所述0/1串作为遗传算法的个体；步骤3、利用适应度函数计算个体适应度，淘汰适应度低的个体，并对未淘汰的个体中两个个体的相似度小于设定阈值p的个体进行交叉操作，对未进行交叉操作且个体相似度在设定区间的个体采取变异操作，产生下一代个体，其中，所述下一代个体包括未淘汰个体中进行交叉操作后的个体、进行变异操作后的个体以及交叉操作和变异操作均未进行的个体，所述适应度函数的公式为：式中，f为适应度函数，b为常数，N为个体的个数，y_i为实际输出值，t_i为期望值；步骤4、当Gen小于Max时，转步骤3，Gen大于等于Max时，转步骤5，其中，Gen为迭代次数，Max为设置的最大迭代次数；步骤5、当遗传算法的迭代达到全局最优解时转步骤6，当遗传算法的迭代没达到全局最优解时，转步骤3；步骤6、将迭代的全局最优解作为后向传播神经网络算法的训练样本，设神经网络输入层有M个节点，隐层有Q个节点，输出层有L个节点，神经网络初始化网络权重值在之间，后向传播神经网络算法的预设迭代次数为z，输入层、隐层和输出层每个节点的初始阈值为0至1之间的任意数，采用Logsig函数作为激发函数，其中：所述激发函数公式为：所述节点计算公式为：式中，M、L、z均为自然数，α的取值范围为0‑14，取按照后向神经网络算法预设迭代次数进行训练达到最佳效果时的取值；步骤7、将神经网络样本输入神经网络的输入层的各个输入单元中，前向求出各个输入层、隐层和输出层的输出，其中：输入层第i个节点的输入为：式中，x_i(i＝1,2,...,M)为神经网络的输入，ω_i为输入层第i个节点的权重值，θ_i为第i个节点的阈值，所述输入层第i个节点对应的输出为：神经网络的非线性由隐层和输出层实现，令：o_i＝x_i则隐层第j个节点的输入为：式中，ω_ij和θ_j分别为隐层的权重值和第j个节点的阈值，隐层第j个节点对应输出为：输出层第k个节点的输入为：式中，ω_jk和θ_k分别为输出层的权重值和第k个节点的阈值，输出层第k个节点对应输出为：步骤8、求输出层的输出与预期输出的偏差，当偏差大于输出层节点的阈值时，则执行步骤9，当偏差小于等于输出层节点的阈值时，执行步骤10；步骤9、计算并修正输入层、隐层和输出层节点的阈值和权重值，并返回步骤7，其中：输入层的反向误差信号δ_i为：隐含层的反向误差信号δ_j为：输入层、隐含层和输出层的权值修正公式：ω_i(k+1)＝ω_ij(k)+ηδ_io_iω_ij(k+1)＝ω_jk(k)+ηδ_jo_iω_jk(k+1)＝ω_jk(k)+η_kδ_ko_j输入层、隐含层和输出层的阈值修正公式：θ_i(k+1)＝θ_ijk(+)ηδ_iθ_ij(k+1)＝θ_jk(k)+ηδ_jθ_jk(k+1)＝θ_jk(k)+η_kδ_k式中，η为学习速率系数，0＜η＜1，输出层的反向误差信号δ_k为：δ_k＝y_k(1‑y_k)(y_pk‑y_k)式中，y_pk为期望的目标输出；步骤10、当迭代次数小于预设迭代次数时，返回步骤7，当迭代次数大于等于预定迭代次数时，转到步骤11；步骤11、确定后向传播神经网络各层参数，将待检验的用户的行为数据转换为行为特征值并进行二进制编码后输入后向传播神经网络，并根据输出层结果判断用户行为是否为正常用户行为。