大数据平台下网络舆情风险演化模型仿真研究

针对网络舆情风险演化模型存在网络舆情风险预测准确性低、控制效果差的缺陷,引人大数据平台构建网络舆情风险演化模型.采用协程网络爬虫算法获取网络舆情信息,得到网络舆情观点集合,以此为基础,利用Weisbuch-Deffuant模型设定网络舆情观点聚合规则,实现网络舆情观点的聚合,以网络舆情观点聚合结果为依据,采用仓室模型搭建网络舆情信息扩散模式,以扩散模型为工具,通过敏感性分析对网络舆情风险系数进行计算,实现大数据平台下网络舆情风险演化模型的构建.通过仿真对比实验得到,与现有的网络舆情风险演化模型相比较,构建的网络舆情风险演化模型极大的提升了网络舆情风险预测准确性与控制效果,具备更好的性能.     

网络借贷平台的风险性预测研究

[目的/意义]网络借贷行业的稳定与整个国家的市场经济可持续性发展有着巨大相关性,对网络借贷平台进行风险性预测,不仅对投资者做出正确投资决策有利,而且对资源的有效配置,也具有积极的促进作用。[方法/过程]以某市网络借贷平台暴雷案件记录为基础数据,运用统计方法、知识图谱和多种机器学习模型,对我国现阶段网络借贷行业风险情况进行有效的分析与预测。[结果/结论]案件中投资者与问题平台、问题平台与所属公司间具有明显的特征规律,且利用随机森林模型对平台风险进行预测具有较高的准确率。     

基于神经网络的安全风险概率预测模型

网络安全风险概率预测对分布式网络环境及其内在的不确定事件进行动态分析和评价,是构建网络安全保障体系的重要环节.深入研究网络态势感知中的特征提取、聚类分析、相似性度量和预测方法,提出了一种基于神经网络的安全风险概率预测模型.采用入侵检测数据进行了实例验证,仿真实验结果验证了风险预测方法的可行性与有效性.     

基于BP算法的网络安全事件风险等级预测方法

为增强网络安全事故定量风险等级分析水平，以便及时查找网络漏洞，提出一种基于BP算法的网络安全事件风险等级预测方法。分析网络攻击行为与过程，分类网络安全事件，依照定量风险等级评估策略，将网络安全事件风险划分为告知、预警、报警、告急四个等级；在网络监控端采集本地网络状态数据，计算不同时段数据的最大变化率，向网络管理端传输并保存实时状态数据；依次确立输入层、隐含层、输出层的节点数量与节点激活函数，运用BP算法创建风险等级预测模型，引入卡尔曼滤波算法实现风险等级预测。实验结果表明，所提方法风险等级预测精度高、效率快，具有极强的实用性与操作性。     

基于混合神经网络的非法集资风险预测模型

针对现有企业非法集资风险识别准确率低、效率低等问题,提出了一种基于混合神经网络的预测模型。该模型构建基于预训练语言模型和门限循环神经网络（GRU）的风险等级预测网络产生风险等级和风险候选特征向量,并结合双向门限循环神经网络（BiGRU）和注意力（Attention）机制构建风险特征知识嵌入网络,最后将融合特征向量输入到分类器来实现非法集资预测。实验结果表明：该模型相较于其他基线模型能够取得更好的风险预测效果。     

考虑社会网络关系的P2P借贷项目违约风险预测

针对P2P（Peer to Peer）借贷项目违约风险预测中财务信息不完全或质量较低、预测准确率不高等问题,提出了一种考虑平台社会网络关系的P2P借贷项目违约风险预测的方法。通过对P2P借贷平台社会网络相关信息进行分析,从社会资本的结构维度、关系维度和认知维度发掘其中具有风险预测价值的关键特征,即社会网络风险特征,并将这些特征作为预测指标用于违约风险预测,依据多种非线性预测方法分别构建基于传统财务指标预测模型和引入社会网络风险特征后的混合指标预测模型,并对模型的预测结果进行了对比分析。实验结果表明,P2P借贷社会网络关系中蕴含着与借贷项目违约风险显著相关的特征,通过对这些特征进行有效挖掘并将其合理引入P2P借贷项目违约风险预测模型,有助于提高借贷项目违约风险预测效果,为投资者的投资风险规避及P2P借贷市场风险管理提供支持。     

基于卷积神经网络的网贷违约风险模型研究

自互联网金融诞生以来,网络贷款得到了快速发展,但是借贷双方的信息不对称增加了网贷的违约风险,同时随着互联网技术的发展网贷用户数据也表现出高维化的趋势,数据处理面临更大的挑战,因此亟需应对该问题并在网贷违约风险上进行准确、稳定的预测。该文提出了卷积神经网络(CNN)和一般机器学习模型结合的预测模型,利用CNN在数据特征提取上的优势来处理高维的网贷用户信息。首先采用数值图形化思想对网贷用户数据进行处理并与CNN对接,其次调整其超参数选择合适的网络模型,然后基于三种一般机器学习模型与CNN的组合进行网贷风险预测测试,最后在真实数据集上使用最优的网贷违约风险预测模型进行预测。实验结果验证了组合模型的显著性以及CNN对一般机器学习模型性能提升的能力,为网贷风险预测提供了一种新思路。     

特征背离和风险偏好分析的股价态势预测方法

由于股价走势与技术指标走势存在不一致性,基于技术特征的股价态势预测算法效果不佳。从特征背离角度提出了一种股价态势预测算法(Deviated Characterisitics Predict Algorithm,DCPA),该算法首先进行背离特征的提取,并计算特征的背离程度,然后根据特征的背离程度值和股票的收盘价利用BP网络进行股价态势预测。由于当市场风险偏好高时特征背离与股价态势之间相关性很弱,因此在DCPA算法的基础上提出了一种风险偏好的股价态势预测算法(Risk Preference Based Deviated Characterisitics predict Algorithm,RPDCA)。首先提取与风险偏好相关的特征,利用风险偏好计算模型获得当前的市场风险偏好类型;进而利用贝叶斯网络学习风险偏好、背离特征与股价走势之间的关系,并利用结点非对称信息熵分析风险偏好与背离特征之间的依赖关系;最后根据风险偏好与背离特征之间关系的变化,自适应性地利用BP网络预测股价态势。在实际数据上的实验比较与分析结果表明,RPDCA算法在股市短期预测中具有更高的预测精度。     

基于BBN的建设项目进度风险定量分析方法

传统的CPM和PERT方法难以对项目的进度延迟风险进行准确的定量分析。将专家先验知识与问卷调查数据相结合,建立了建设项目进度风险评估的贝叶斯信念网络模型,采用NETICA软件对样本数据进行拟合,得到了网络模型各节点间的条件概率分布。模型的应用证明该方法能够比较准确地实现对进度延迟风险的定量预测,具有良好的应用前景。     

软件项目的风险评价模型

软件风险的控制在当今软件开发过程中显得越来越重要,而软件评价的好坏直接影响到管理者对风险的管理。该文提出了一个三级风险评价体系,并基于该体系提出了一种定量风险评价模型。该模型可以预测各风险发生的可能性以及分别计算出各种风险对进度、成本、范围和质量的综合影响。     

基于神经网络的软件模块风险性预测模型

采用学习矢量量化神经网络对软件质量进行预测,提出基于学习矢量量化神经网络的软件模块风险性预测模型,与BP神经网络预测模型相比,实验结果表明提出的模型获得更精确的预测效果。     

基于标签噪声鲁棒学习的疾病风险预测

疾病风险预测能够筛查易患人群, 并在早期进行预防干预措施以降低疾病的发生率及死亡率. 随着机器学习技术的快速发展, 基于机器学习的疾病风险预测得到了广泛应用. 然而, 机器学习十分依赖于高质量的标注信息, 医疗数据中存在的标签噪声会给构建高性能的疾病风险预测算法带来严峻挑战. 针对这一问题, 本文提出了一种基于深度神经网络和动态截断损失函数的噪声鲁棒学习方法用于疾病风险预测. 该方法引入动态截断损失函数, 融合了传统交叉熵函数的隐式加权特性和均方差损失函数的标签噪声鲁棒性; 通过构造训练损失下界, 并引入样本动态加权机制减小可疑样本的梯度, 限制可能的带噪样本在训练过程中的权重, 进一步增强模型的鲁棒性. 以脑卒中筛查数据集为例进行实验, 结果表明本文算法在各个标签噪声比例下均能取得良好的预测性能, 可降低疾病风险预测中标签噪声的负面影响, 实现了带有标签噪声数据的鲁棒学习.     

基于抗体浓度的实时网络风险控制系统的设计与实现

系统采用人工免疫理论,通过对传统入侵检测系统Snort的实时检测结果进行分析,根据抗体浓度随网络入侵强度动态变化的特点,计算出当前网络风险值,反映出当前网络所面临的各类攻击和整体风险状况;Snort依赖规则匹配对数据包进行检测,由于检测过程未考虑当前的网络风险状况,对所有的匹配都发出报警,存在误报率过高的问题,系统针对不同攻击的危险程度设定报警阈值和丢包阈值,降低Snort的误报率;并根据风险值大小,采取通过、报警、丢包阻断等响应措施。实验表明,该系统能够准确计算出主机和网络所面临的实时风险,降低Snort误报率,并能根据风险值大小制定有效的响应措施     

基于模糊理论的脑中风风险预报模型

针对传统脑中风先兆诊断指标多,且诊断过程完全依赖医生临床经验的弊端,提出一种新的计量诊断方法。利用关联规则Apriori算法,挖掘与脑中风高度相关的16项诊断指标,并依据这些指标的重要性和支持度,确定其权重。在此基础上,利用提取的指标,构建了基于模糊理论的脑中风风险预报模型。将该模型应用于100例门诊患者的脑中风预报,其灵敏度和特异度分别为94.7%和88.7%。与BP神经网络判别结果的比较进一步表明,建立的模型能更客观地评价受检人群的脑中风风险等级,为脑中风的早期发现提供了一种新的计量诊断方法。同时,借助模型给出的诊断建议,可为受检人群提供科学的防治措施。     

数据链路层安全研究

数据链路层安全风险的大小和发生的概率决定了整个数据链路层的安全.有效的安全风险评估有助于检测系统的安全防护,降低数据链路层的安全风险,并提高检测系统的抵御安全风险的能力.在贝叶斯网络和D-S证据理论的基础上,结合这两种方法,对数据链路层影响因素进行了量化,得到数据链路层的风险值.然后构建了系统的节点模型和进程模型.最后...     

一种基于马尔科夫模型的网络安全风险实时分析方法

针对网络风险实时分析的迫切需求,研究并设计了适用于实时风险概率预测的马尔科夫时变模型,提出了一种网络安全实时风险概率预测方法。该方法鲁棒性较强,能够反应波动数据变化规律,起到了进行实时风险分析的作用。用DRAPA2000数据集进行了仿真,结果表明该方法具有较高的实时性和准确性。     

基于遗传算法的网络安全态势感知研究

对网络安全态势准确感知能实现对网络攻击的提前拦截和防范,针对传统的匹配检测方法对网络安全态势预测的精度不好的问题,提出一种基于遗传算法的网络安全态势感知模型,首先构建复杂网络环境下的病毒入侵的安全状态分布模型,进行网络安全态势的特征信息提取,然后采用遗传算法对提取的病毒入侵信息流进行相关性检测,实现安全态势预测和准确感知。仿真实验结果表明,该方法进行网络病毒入侵的准确检测概率较高,对安全态势预测的精度较高,保障了网络安全。     

结合期望风险的极限学习机的研究

对极限学习机的模型进行了研究,提出了一种结合期望风险最小化的极限学习机的预测模型。其基本思想是同时考虑结构风险和期望风险,根据期望风险和经验风险之间的关系,将期望风险转换成经验风险,进行最小化期望风险的极限学习机预测模型求解。利用人工数据集和实际数据集进行回归问题的数值实验,并与极限学习机（ELM）和正则极限学习机（RELM）两种算法的性能进行了比较,实验结果表明,所提方法能有效提高了泛化能力。     

基于灰色关联熵的煤与瓦斯突出概率神经网络预测模型*

煤与瓦斯突出是严重威胁矿井安全生产的重大自然灾害之一。为解决煤与瓦斯突出影响因素、突出危险性关联预测问题,在综合分析煤与瓦斯突出影响因素的基础上,利用灰色关联熵理论分析影响因素与突出危险性的关联度,得到各影响因素的权重及关联度排序,并结合概率神经网络（PNN）原理,构建基于灰色关联熵的煤与瓦斯突出PNN预测模型。用煤与瓦斯突出样本数据,对影响因素加权的PNN模型进行训练和测试。结果表明：用灰色关联熵分析可获得影响因素与突出危险性的关系,量化输入变量的重要性;瓦斯放散初速度、开采深度对于煤与瓦斯突出危险性的影响程度最大,可重点对瓦斯放散初速度、开采深度进行预处理以产生更为理想的预测效果;该预测模型能更好地考虑影响因素对突出危险性的综合影响,改善煤与瓦斯突出危险性预测的准确性。