(19)国家知识产权局 (12)发明 专利申请 (10)申请公布号 (43)申请公布日 (21)申请 号 202211029599.2 (22)申请日 2022.08.25 (71)申请人 国网安徽省电力有限公司信息通信 分公司 地址 230000 安徽省合肥市包河区黄山路9 号 (72)发明人 张亮　方圆　李明　盛剑桥　 许静萱　丁鑫　沈越欣　张冠男　 程航　武秋阳　尹晓宇　曹弯弯　 董小菱　 (74)专利代理 机构 合肥市浩智运专利代理事务 所(普通合伙) 34124 专利代理师 叶濛濛 (51)Int.Cl. H04L 41/14(2022.01)G06N 3/04(2006.01) G06K 9/62(2022.01) H04L 9/40(2022.01) (54)发明名称 一种基于融合模型的移动应用可持续信任 评估方法及装置 (57)摘要 本发明公开了一种基于融合模型的移动应 用可持续信任评估方法及装置， 所述方法包括： 建立多属性模 型， 所述建立多属性模 型的监控结 果包括情感分析结果、 prop模块监控结果、 重要 端口监控结果、 网页浏览监控结果以及文件管理 器监控结果； 利用残差网络设计残差网络模型实 现信任评估以及利用GMM聚类设计GMM聚类模型 实现信任评估； 融合残差网络模型和GMM聚类模 型的评估结果， 得出最终的移动应用信任评估结 果； 本发明的优点在于： 设计的多属性模 型完整， 信任评估结果较为真实可靠 。 权利要求书4页 说明书11页 附图3页 CN 115460097 A 2022.12.09 CN 115460097 A 1.一种基于融合模型的移动应用可持续信任评估方法， 其特 征在于， 所述方法包括： 步骤一： 建立多属性模型， 所述建立多属性模型的监控结果包括情感分析结果、 prop模 块监控结果、 重要 端口监控结果、 网页浏览监控结果以及文件管理器监控结果； 步骤二： 利用残差网络设计残差 网络模型实现信任评估以及利用GMM聚类设计GMM聚类 模型实现信任评估； 步骤三： 融合残差网络模型和GMM聚类模型的评估结果， 得出最终的移动应用信任评估 结果。 2.根据权利要求1所述的一种基于融合模型的移动应用可持续信任评估方法， 其特征 在于， 所述 步骤一包括： 步骤1.1： 使用word2vec对输入语句进行特征向量提取， 提取后的特征向量输入加自注 意力机制的LSTM网络， 每次输入的语句的长度n， 输入到网络的张量为x， shape为[n,225]， 在LSTM网络的输出层设置3个神经元， 后使用softmax函数进行预测值归一化， 分类得该样 本x的类别标签y∈{1,2,3}， 计算是i类型的计算公式如下： 其中， W为接在LSTM与softmax间隐藏层的权重矩阵， 表示隐藏层的第i行权重， 第i分 类的值为xi， 表示隐藏层的第k行权 重， 第k分类的值 为xk； 获得输出层的张量[p1,p2,p3]后， 通过交叉熵损失函数 获得当前损失值， 其中， rj表示该类型的实际标签， pj表示该类型的预测概 率； 步骤1.2： 通过反向传播实现对网络各层的和权值和偏置的更新， 直到损失值最小， 完 成模型的训练， 然后实时采集语句转换为特征向量后输入训练好的LSTM网络， 通过正向传 播来生成情感分析 结果； 步骤1.3： 收集数据并打上标签转为one ‑hot格式， 主要对prop模块的注册表监控， 共30 项， 转为one ‑hot格式[x1,x2,,,x30]， 其中xi标记为0和1表示是否对该注册表内对应的子表 项改动， 同时对重要端口监控共计为30项， 对网页浏览监控分为两项： 外网浏览和 内网浏 览， 以及对文件管理器各文件夹的监控 共计21项， 均转换成o ne‑hot格式； 步骤1.4： 针对步骤1.3中标记好的属性， 对2s的记录按照情感分析结果、 prop模块监控 结果、 重要端口监控结果、 网页浏览监控结果以及文件管理器监控结果的顺序横向进行拼 接， 然后对10s内的数据进行纵向拼接， 组成的张量的shape为[5,106]， 每次选取1个批次的 数据做为后续残差网络模型以及GM M聚类模型的输入。 3.根据权利要求1所述的一种基于融合模型的移动应用可持续信任评估方法， 其特征 在于， 所述利用残差网络设计残差网络模型实现信任评估， 包括：权　利　要　求　书 1/4 页 2 CN 115460097 A 2步骤2.1.1： 残差网络包括输入层和两个子卷积层， 设置残差网络的输入层作为初始权 重层， 输入的多属性数据的每一个属性都配置不同的权 重； 步骤2.1.2： 初始权重层的输出数据输入残差网络的两个子卷积层， 设残差网络的第一 个子卷积层的输入为a[l]， 则残差网络的计算过程 为 z[l+1]＝W[l+1]a[l]+b[l+1] a[l+1]＝g(z[l+1]) z[l+2]＝W[l+2]a[l+1]+b[l+2] a[l+2]＝g(z[l+2]+a[l]) 其中， z[l+1]为第一个子卷积层的输出， z[l+2]为第二个子卷积层的输出， W[l+1]和W[l+2]分 别为第一个子卷积层、 第二个子卷积层的权重， b[l+1]和b[l+2]分别为第一个子卷积层、 第二 个子卷积层的偏置， g为relu函数。 步骤2.1.3： 设置残差网络的学习率， 对残差网络进行训练， 达到预设次数后， 训练完 成， 将实时采集的多属性模型的输出结果输入训练好的残差网络的得到残差网络模型的信 任评估结果。 4.根据权利要求3所述的一种基于融合模型的移动应用可持续信任评估方法， 其特征 在于， 所述步骤2.1.3还包括： 在训练初始， 未进行迁移学习， 因此在前期使用较大的学习 率， 加快模型的训练， 在训练后 期由于训练点集中在地形的凸点， 使用较小的学习率更容易 逼近凸点， 故残差网络整个训练过程中学习率衰减， 学习率衰减计算公式为 其中， decayrate表示初始学习率， epoc h_num表示当前训练次数， a0表示初始学习率。 5.根据权利要求3所述的一种基于融合模型的移动应用可持续信任评估方法， 其特征 在于， 所述利用GM M聚类设计GM M聚类模型实现信任评估， 包括： 步骤2.2.1:多属性模型输出的张量输入GMM聚类， 多属性模型输出的张量中shape为 [5,106],分为5条子记录， 每条子记录中有106个采样点， 计算每个点的在各子类别中的概 率， 计算公式如下： N为子高斯概率模型的个数， αk为各采样点属于模型K的概率， 为第k个子高斯概 率模型的分布概率， 其中， θk为第k个子高斯概率模型， μk为第k子高斯概率模 型的数学期望， σk为第k个子高斯概率模型的标准 方差， θk由αk， μk和σk来决定， 故使用EM 算法 进行模型 的该3个参数 的更新， 直到最终|θk‑θk‑1|≤ε， 则停止更新， 得到训练好的GMM聚类 模型， 将实时采集的多属性模 型的输出结果输入训练好的GMM聚类模型的得到GMM聚类模 型 的信任评估结果， ε是 预设的正数。 6.根据权利要求5所述的一种基于融合模型的移动应用可持续信任评估方法， 其特征 在于， 所述 步骤三包括： 采用Blending方法产生多个GMM聚类模型G1,G2,G3， 在输入张量中共五条记录， 每次从 中选出3条记录， 丢入对应的GMM聚类模型， 再经过训练后， 进行正向传播得到对应的评分权　利　要　求　书 2/4 页 3 CN 115460097 A 3