[发明专利]基于人工免疫危险模式理论的异常学习行为发现方法

摘要

一种基于人工免疫危险模式理论的异常学习行为发现方法，为解决网络学习环境中学习行为的监控问题，对网络学习行为进行实时监控，计算多个维度学习行为的变化，检测异常行为；本发明公开了一种发现异常网络学习行为的方法，对网络学习行为进行采样，计算不同学习行为的变化作为危险信号，构造人工抗原提呈细胞对多种学习行为的变化进行融合，检测学习行为的异常。

主权项

1.一种基于人工免疫危险模式理论的异常学习行为发现方法，其特征在于，包含以下步骤：步骤1，将网络学习行为按复杂程度由低到高划分为操作行为、认知行为、协作行为、问题解决行为；步骤1.1将认知行为、协作行为、问题解决行为分别拆分为由多个操作行为组成的行为序列；步骤1.2一个操作行为可含有多个行为属性，进一步将操作行为拆分为多个行为属性，每个属性独立记为一个“行为元”，行为元是具有行为属性且不可再进一步拆分的基本单位；步骤2，对拆分后的“行为元”进行量化；步骤3，以学习过程LP，Learning Process为评价单元，计算危险信号；在网络学习中，一个学习过程是完成一组学习行为的一个集合，学习过程LP内n种学习行为的采样值构成一个n维空间的点；所述的n种学习行为元的采样值，是采样且经过步骤2量化后的行为元的值；步骤3.1n种学习行为元在前N个LP内的采样值构成一个n维云；n维云在每一个维度上分别投影，得到n个一维云，分别计算每个一维云的期望、熵和超熵；设A1为一种学习行为元，n维云在A1上的投影是一个一维云，计算可得A1CN的期望Ex，熵En和超熵He；步骤3.2计算在云A1CN中云滴值Ex‑2En或Ex+2En对应的隶属度μ2En，步骤3.3计算在云A1CN中云滴值Ex‑3En或Ex+3En对应的隶属度μ3En，步骤3.4计算学习行为元A1在第N+1个LP中的采样值隶属于云A1CN的隶属度μ，判断μ与μ2En的大小关系；如果μ≥μ2En，执行步骤3.4.1；如果μ2En≥μ≥μ3En，执行步骤3.4.2；如果μ≤μ3En，执行步骤3.4.3；步骤3.4.1如果μ≥μ2En，则第N+1个LP内的学习行为元A1符合一般规律，产生安全信号SSA1；步骤3.4.2如果μ2En≥μ≥μ3En，则第N+1个LP内的学习行为元A1与一般规律有一定偏差，产生危险信号DSA1；步骤3.4.3如果μ≤μ3En，则第N+1个LP内的学习行为元A1与一般规律有很大偏差，产生致病信号PAMPA1；步骤3.5依次得到每一个维度学习行为元的安全信号SS、危险信号DS或致病信号PAMPs；步骤4，构造人工抗原提呈细胞AAPC计算某学生第N+1个LP内的n个维度的学习行为是否与前N个LP内的n个维度的学习行为存在较大差异，反映某学生在第N+1个LP内的学习行为是否正常；步骤5，设人工抗原提呈细胞AAPCs种群的规模为population，计算population的值，判定学习者群体学习行为是否正常；其中，∑AAPCmat是产生报警的APC数量之和，∑AAPC是所有APC数量之和，population即学习者群体中被评价为行为异常的子群体与总群体的比值；步骤5.1population值越接近1，说明该LP内学习行为异常的范围越大；步骤5.2population的值越接近0，说明该LP内学习行为异常的范围越小。