徐勝超 鄧斌濤

（廣州華商學院數(shù)據(jù)科學學院 廣州 511300）

1 引言

泛函網(wǎng)絡內(nèi)存在多個神經(jīng)元結構，在泛函聯(lián)結的前提下，網(wǎng)絡結構內(nèi)的神經(jīng)元結構將實際問題轉換處理為多種函數(shù)變換形式［1］，優(yōu)化原有泛函網(wǎng)絡內(nèi)函數(shù)的非線性逼近能力。從層次結構來講，泛函網(wǎng)絡內(nèi)存在輸入單元層、處理單元層、中間單元儲存層以及層次結構中的泛函聯(lián)接［2］，層次化的泛函網(wǎng)絡可由多個神經(jīng)元結構拼接構成。從層次泛函網(wǎng)絡的應用來看，網(wǎng)絡結構已經(jīng)運用到系統(tǒng)辨識、數(shù)據(jù)信息預測以及數(shù)值關系求解過程［3］，從應用性能來看，泛函網(wǎng)絡內(nèi)可運用到多個層次分析過程中，通過控制層次結構內(nèi)的輸出變量關系［4～6］，結合非線性代數(shù)方程實現(xiàn)網(wǎng)絡學習過程的輸出。云安全模型是一種解決分類問題的過程，針對云空間內(nèi)的信任邊界重組以及侵蝕過程，采用映射供應配置的處理來構建形成網(wǎng)絡結構內(nèi)的學習過程［7］。

國外研究泛函網(wǎng)絡結構起步較早，研究人員以泛函網(wǎng)絡結構內(nèi)邊緣計算層作為處理對象，收集并聚合邊緣數(shù)據(jù)［8］，以時間與空間維度數(shù)值作為關聯(lián)處理對象，形成了整體學習算法。國內(nèi)研究泛函網(wǎng)絡結構起步較晚，結合網(wǎng)絡內(nèi)深度可分離的卷積處理過程［9］，整理了網(wǎng)絡態(tài)勢要素以及態(tài)勢數(shù)值的映射關系，形成整體學習算法處理過程。文獻［10］中構建的整體學習算法，引用交替乘子將網(wǎng)絡結構內(nèi)的回歸處理過程分解為多個獨立求解過程，并設定網(wǎng)絡傳遞參數(shù)，整合并迭代節(jié)點收斂數(shù)值關系，形成傳遞式的學習算法。文獻［11］中構建的整體學習算法通過馬爾可夫隨機場分層處理網(wǎng)絡結構內(nèi)的聚類參數(shù)，并利用貝葉斯算法自適應處理該聚類參數(shù)，形成網(wǎng)絡整體學習算法。經(jīng)過階段性的應用測試可知，現(xiàn)有的整體學習算法在相同的運行周期內(nèi)的學習預測能力較差。為此針對上述存在的問題，本文以云安全模型作為支持，設計層次泛函網(wǎng)絡整體學習算法。

2 基于云安全模型的層次泛函網(wǎng)絡整體學習算法

2.1 定義云安全模型內(nèi)指標的姿態(tài)值

云安全技術對網(wǎng)絡資源、技術應用、數(shù)據(jù)信息安全等方面要求較高，由于云計算中心主要是虛擬技術，基于云的等級保護要求，對云計算信息系統(tǒng)安全等級保護測評有較大困難，云安全模型所提出的是云安全管理概念。云安全模型內(nèi)存在多種預處理態(tài)勢數(shù)據(jù)過程，在定義模型內(nèi)指標的姿態(tài)值時，首先采用云服務器獲取安全模型運行時的各類信息數(shù)據(jù)，結合統(tǒng)一規(guī)范化的處理過程，定義數(shù)據(jù)類別的敏感程度［12］，將含有敏感度參數(shù)的數(shù)值關系處理為正交矩陣，數(shù)值關系可表示為

上述數(shù)值關系中，A表示構造的正交矩陣，Q表示敏感程度參數(shù)，Q*表示敏感程度參數(shù)的秩，X表示正交矩陣內(nèi)的隨機向量，K表示云服務器內(nèi)組建的隨機向量。

在云安全模型結構內(nèi)，近似奇異矩陣的分解復雜度存在傳播性［13～14］。利用含有敏感度參數(shù)的數(shù)值關系的正交矩陣控制可用度參數(shù)的后驗概率，控制矩陣可用度發(fā)生時產(chǎn)生的條件概率，并觸發(fā)云安全數(shù)值模型內(nèi)的安全事件［15］，在不同的可用度數(shù)值關系內(nèi)設置不同數(shù)值大小的姿態(tài)值，觸發(fā)姿態(tài)值條件如下：

上述姿態(tài)值關系中，CL(O)表示設定的可信度參數(shù)，CL(On)表示不同數(shù)值大小條件下的可信度數(shù)值關系，m表示云安全模型內(nèi)可處理的安全事件。整理上述指標處理后的姿態(tài)基本參數(shù)，構建層次泛函網(wǎng)絡逼近數(shù)值模型。

2.2 構建層次泛函網(wǎng)絡逼近數(shù)值模型

整合上述計算得到的姿態(tài)基本參數(shù)和姿態(tài)值條件，并利用姿態(tài)基本參數(shù)構建一個三元約束數(shù)值關系，將該數(shù)值關系處理過程作為數(shù)值預處理步驟，在層次泛函網(wǎng)絡內(nèi)形成一個更新過程［16］，引用LDMLT 算法（Log divergence metric learning triplet constraint），該算法是指Log發(fā)散度量學習三元組約束算法，可以將層次泛函網(wǎng)絡結構內(nèi)的數(shù)值關系形成數(shù)值處理循環(huán)，數(shù)值循環(huán)可表示為

其中，D(xi)表示構建的數(shù)值循環(huán)處理函數(shù)，H(xi)表示姿態(tài)值的不確定熵函數(shù)，其余參數(shù)含義不變。在數(shù)值處理循環(huán)過程中，不同的觀測周期內(nèi)存在多個泛函網(wǎng)絡最優(yōu)解，選定極大似然處理過程確定網(wǎng)絡結構中的最優(yōu)解。

采用對數(shù)和的形式計算最優(yōu)解參數(shù)的偏導，標記數(shù)值模型內(nèi)的散度后驗分布數(shù)值關系，形成特定的數(shù)值關系。為了控制標記后驗分布內(nèi)隱變量對數(shù)值循環(huán)的影響［17］，采用復雜混合弱監(jiān)督過程形成標記篩選過程，標記篩選過程如圖1所示。

圖1 構建的標記篩選過程

對應上述構建的標記篩選過程，在標定輸出的后驗分布數(shù)值關系內(nèi)采用極大似然處理方法驗證并標記輸出不同數(shù)據(jù)類別，在構建逼近數(shù)值關系時，在標定的泛函網(wǎng)絡結構內(nèi)不斷標記輸出數(shù)值信息，并形成一個正則化框架，將多標記的數(shù)值屬性處理為正則項［18］，引用懲罰函數(shù)輸出各個數(shù)值集間的鄰接矩陣，該鄰接矩陣即為構建的逼近數(shù)值模型。在該數(shù)值模型的處理基礎上，設計泛函網(wǎng)絡整體學習算法。

2.3 完成泛函網(wǎng)絡整體學習算法的設計

將圖1 構建的標記篩選過程處理為泛函網(wǎng)絡的數(shù)值層次結構，搭建層次泛函網(wǎng)絡，在保留泛函網(wǎng)絡拓撲結構所有優(yōu)點的同時，還可以更好地構建泛函網(wǎng)絡整體學習算法的設計。在設計其整體學習算法時，將同等屬性數(shù)據(jù)集的泛函數(shù)值處理為輸入單元，結合上述構建的數(shù)值逼近模型，輸出泛函網(wǎng)絡的輸出表達，數(shù)值關系可表示為

式（4）中，fi(x)表示泛函網(wǎng)絡結構的輸出表達函數(shù)，ci表示泛函網(wǎng)絡的任意常量。在輸出泛函網(wǎng)絡的輸出數(shù)值關系表達中，將數(shù)據(jù)信息存儲為加密格式，并且需要將數(shù)據(jù)信息分開。在惡意代碼防御過程中，可以了解惡意代碼的檢測、防御攻擊的策略，結合云安全模型，整理泛化處理的實數(shù)空間，在該實數(shù)空間內(nèi)重組并標記新的隨機量［19］，整理隨機量為數(shù)據(jù)集并將該數(shù)據(jù)集處理為初始群體，判斷數(shù)值處理過程的適應度。將適應度數(shù)值關系聯(lián)合代入至逼近數(shù)值關系內(nèi)，為了控制標記數(shù)值樣本的有效利用，將符合逼近數(shù)值模型的參數(shù)分類處理為數(shù)據(jù)樣本標簽，在實現(xiàn)算法的整體性時，利用該數(shù)據(jù)樣本標簽構建學習算法的鄰近域［20］，最終輸出整體學習算法形成的鄰近域，最終形成整體泛函網(wǎng)絡結構內(nèi)的整體學習算法。綜合上述處理過程，最終完成對基于云安全模型的層次泛化網(wǎng)絡整體學習算法的設計。

3 算法測試

3.1 準備云安全模型測試數(shù)據(jù)

采用云安全模型的建站服務器開發(fā)包，安全數(shù)據(jù)選取云安全態(tài)勢數(shù)據(jù)庫中的數(shù)據(jù)樣本，樣本數(shù)據(jù)選定GitHub開源數(shù)據(jù)集，配置開發(fā)包的各項參數(shù)。

按照模型的特征維度，將云安全模型內(nèi)的數(shù)據(jù)處理為多個序列屬性，按照開發(fā)包的輸出參數(shù)，定義采集數(shù)據(jù)的基本屬性參數(shù)，如表1所示。

根據(jù)表1 定義的測試數(shù)據(jù)基本屬性，控制測試數(shù)據(jù)集內(nèi)包含多個子數(shù)據(jù)集，并在數(shù)據(jù)集內(nèi)部定義多個學習任務，結合數(shù)據(jù)樣本內(nèi)的倒頻頻系數(shù)，整理得到模型特征維度，在控制上述屬性數(shù)據(jù)在泛函網(wǎng)絡中的誤差時，設定算法驗證逼近過程。

表1 測試數(shù)據(jù)基本屬性

3.2 控制泛函網(wǎng)絡結構層次誤差

參照上述定義的云安全模型屬性數(shù)據(jù)，應用進化算法結構化處理泛函網(wǎng)絡產(chǎn)生的誤差傳播，誤差傳播過程可表示為圖2。

圖2 結構內(nèi)誤差傳播過程

為了驗證結構誤差傳播的準確性，在數(shù)據(jù)屬性范圍內(nèi)選定特定的二維函數(shù)作為泛函網(wǎng)絡的學習樣本，根據(jù)設定函數(shù)內(nèi)的基本參數(shù)，采用神經(jīng)元激發(fā)泛函網(wǎng)絡內(nèi)的神經(jīng)元，定義泛函網(wǎng)絡內(nèi)的激發(fā)脈沖數(shù)量，在控制網(wǎng)絡內(nèi)的誤差傳輸時，確定泛函網(wǎng)絡內(nèi)形成的激發(fā)誤差，數(shù)值關系可表示為

式（5）中，E表示網(wǎng)絡傳播過程產(chǎn)生的誤差，V(t)表示網(wǎng)絡結構的數(shù)值增加，v表示數(shù)據(jù)的傳播速度，其余參數(shù)含義不變。依據(jù)式（2）在不同的可用度數(shù)值關系內(nèi)所設置不同數(shù)值大小的姿態(tài)值，定義云安全模型內(nèi)指標的姿態(tài)值，根據(jù)誤差的傳播周期，調(diào)整周期梯度下降形成的權重，并形成一個泛函網(wǎng)絡的新脈沖，根據(jù)所構建層次泛函網(wǎng)絡逼近數(shù)值模型，設定脈沖的激發(fā)形式，對脈沖產(chǎn)生一個激發(fā)過程。為了控制脈沖數(shù)值關系的精度，引用鏈式法則調(diào)整泛函網(wǎng)絡中的貢獻權重，結合泛函網(wǎng)絡內(nèi)的線性假設和所設計泛函網(wǎng)絡整體學習算法，標定得到實際網(wǎng)絡激發(fā)得到的脈沖數(shù)量。此時，泛函網(wǎng)絡內(nèi)存在兩種激發(fā)數(shù)值關系，在控制誤差的實際傳播時，在泛函網(wǎng)絡內(nèi)的神經(jīng)元單位內(nèi)設定固定的脈沖激發(fā)時間，并變換上述式（5）為構造數(shù)值關系，可知設定的目標激發(fā)脈沖個數(shù)為10 時，泛函網(wǎng)絡內(nèi)實際產(chǎn)生的傳播誤差最小。

將上述控制結構層次誤差參數(shù)作為測試環(huán)境的固定參數(shù)，選定文獻［10］算法、文獻［11］算法以及所設計的整體學習算法參與測試，選定相同的測試指標，判定三種整體學習算法的性能。

3.3 測試結果及分析

基于上述測試準備，以控制傳播誤差產(chǎn)生的基本參數(shù)作為算法的初始條件，可知在初始脈沖條件下，初始脈沖結構較為稀疏，故將初始脈沖數(shù)值由數(shù)值2 增加至10，在該處理過程中，控制泛函網(wǎng)絡的序列時間長度為200ms，網(wǎng)絡內(nèi)存在的神經(jīng)元單位為500。隨機抽取三種整體學習算法的初始突觸權重，為了控制整體學習算法的真實性，設定重復獨立迭代的次數(shù)為20，記錄單位周期內(nèi)學習算法的學習時間，相同獨立迭代次數(shù)下的不同整體算法所用的不同學習周期可準確反映算法效率的高低，傳輸效率是概括視頻傳輸可靠性的重要指標之一，為了更好地驗證層次泛函網(wǎng)絡整體學習算法的可靠性能，需要對獨立迭代次數(shù)與學習周期數(shù)量的關系進行驗證，計算公式為

式（6）中，TJ表示學習周期結束時間，TC表示學習周期初始時間。根據(jù)式（6）求得三種整體學習算法所需的學習時間如圖3所示。

圖3 三種整體算法所需的學習周期

根據(jù)上述整理得到的學習周期結果可知，在設定的重復獨立迭代周期內(nèi)，三種整體學習算法表現(xiàn)出了不同的學習周期數(shù)量，由上圖所示的學習周期結果可知，三種整體學習算法的學習周期數(shù)量呈規(guī)律性增長，以獨立迭代20 次后的學習周期數(shù)量作為最終整體算法的學習周期結果，文獻［11］算法最終所需的學習周期數(shù)量為800，該種整體學習算法所需的學習周期較大。在相同的獨立迭代次數(shù)內(nèi)，文獻［10］算法所需的學習周期數(shù)量為600，所需的學習周期較多。而所設計的整體學習算法所需的學習周期數(shù)量為200，與兩種參與測試的整體算法相比，所設計的整體學習算法消耗的學習周期最小。

調(diào)用相同學習周期內(nèi)的學習算法的處理過程，控制算法在同周期內(nèi)處理泛函網(wǎng)絡內(nèi)的感知信息，并選定相同時間周期內(nèi)時間長度為50ms的脈沖序列，設定網(wǎng)絡結構內(nèi)的神經(jīng)元頻率為4Hz，并將其余脈沖序列作為整體學習算法的干擾信號。為了更好地模擬層次泛函網(wǎng)絡內(nèi)的真實環(huán)境噪聲，設定背景噪聲的脈沖頻率為泛函Poisson 分布形式，采用關鍵線索輸入到泛函網(wǎng)絡結構內(nèi)的神經(jīng)元單位內(nèi)，控制干擾信號的神經(jīng)元結構始終保持靜默狀態(tài)，設定學習預測周期為2s，可知三種整體學習算法到達固定的神經(jīng)元頻率時，則表示該種學習算法完成一次學習預測過程，整理三種整體學習算法在相同輸入脈沖條件下產(chǎn)生的學習預測次數(shù)，計算公式為

式（7）中，F(xiàn)o表示在相同輸入脈沖條件下的學習預測頻率，F(xiàn)z表示頻率在相同輸入脈沖條件下的學習預測總量，根據(jù)式（7）求得學習預測次數(shù)，測試結果如圖4所示。

整理相同學習周期下三種整體學習算法在設定神經(jīng)元頻率產(chǎn)生的學習預測次數(shù)，定義三種整體學習算法頻率波動到神經(jīng)元突出過程為實際學習算法的預測次數(shù)。由圖4 所示的預測結果可知，文獻［10］算法在相同的學習周期內(nèi)產(chǎn)生的學習預測次數(shù)為3 次，該種整體學習算法的學習預測效果最差。文獻［11］算法產(chǎn)生的學習預測次數(shù)為12 次，該種整體學習算法的學習預測性能較差。而所設計的整體學習算法到達設定的神經(jīng)元頻率數(shù)值為14，與兩種參與測試的整體學習算法相比，所設計的整體學習算法的學習預測能力最佳。

4 結語

本文綜合現(xiàn)有泛函網(wǎng)絡整體學習算法的不足，以云安全模型作為技術支持，設計層次泛函網(wǎng)絡整體學習算法。經(jīng)過測試分析可知，所設計的泛函網(wǎng)絡整體算法能夠改善原有整體學習算法學習預測能力較差的不足。在未來工作過程中，希望所設計的整體學習算法能夠為泛函網(wǎng)絡提供理論支持。