基于改进深度学习的网络敏感信息快速过滤研究

朴承哲

(辽宁民族师范高等专科学校 民族文化与职业教育系，辽宁 沈阳 110032)

随着社区网络的快速发展，社区网络的重叠特性越来越突出，尤其是在社区网络中，需要对网络敏感信息进行有效监测和识别，提取网络敏感信息特征量，通过参数识别和大数据分析方法实现网络敏感信息的识别和优化特征提取，通过网络敏感信息快速过滤，以此保障网络的安全性，因此研究一种新的网络敏感信息快速过滤方法对于提高网络的安全监管能力方面具有重要意义[1].

对网络敏感信息过滤方法的设计是建立在对敏感信息的特征提取和大数据分析基础上，构建网络敏感信息的参数融合模型，以此通过模糊信息聚类分析，进行网络敏感信息融合和挖掘[2]，实现网络敏感信息过滤.传统方法中，对网络敏感信息过滤方法主要有基于PID的网络敏感信息过滤方法、粒子群寻优的网络敏感信息过滤方法、基于遗传算法的网络敏感信息过滤方法等，这些方法大都是通过构建网络敏感信息的特征提取模型，结合检测统计特征分析的方法实现对网络敏感信息的快速过滤[3]，但传统方法进行网络敏感信息过滤的计算开销较大，实时性不好.

针对传统方法存在的问题，本文提出基于改进深度学习的网络敏感信息快速过滤方法.首先构建网络敏感信息的传感信息融合识别模型，通过多尺度的特征分解方法实现对网络敏感信息的三维空间分布式重构和信息融合，提取网络敏感信息的边缘分布特征量.然后构建网络敏感信息的空间重构模型，采用最近邻测度检测方法，进行网络敏感信息的冗余信息特征过滤，通过改进深度学习方法，实现对网络敏感信息的快速检测和信息快速过滤.最后进行仿真测试分析，展示了本文方法在提高网络敏感信息快速过滤能力方面的优越性能.

1 网络敏感信息采集和信息预处理

1.1 网络敏感信息采集

为了利用改进深度学习实现对于网络敏感信息的快速过滤，构建网络敏感信息的传感信息融合识别模型，通过多尺度的特征分解方法实现对网络敏感信息的三维空间分布式重构和信息融合采用模糊差分调度方法，对网络敏感信息融合参数解析过程进行控制[4]，得到网络敏感信息的存储结构模型，如图1所示.

图1 网络敏感信息的数据存储结构模型

根据图1所示的网络敏感信息分布模型，采用量化参数分析的方法[5]，得到网络敏感信息的分布相似度特征量

(1)

式中，(xi,xj)表示网络敏感信息数据样本的统计特征值，b为网络敏感信息分布的关联系数，结合主成分融合方法，得到网络敏感信息的邻居节点分布分量

(2)

采用冗余参数检测，构建网络敏感信息的主成分数据检测模型，表示为

(3)

采用最大概率密度泛函进行网络敏感信息的回归解析控制[6]，网络敏感信息特征辨识的判决等价条件表达式

(4)

其中，SR，SS和SE分别表示网络敏感信息参数调度集.结合自适应的主成分检测方法[7]，得到网络敏感信息感知模型为

(5)

对于网络敏感信息的离散样本x(t)，采用显著性检测，得到网络敏感信息采集模型为

(6)

其中，ωj=(ω0j,ω1j,…,ωk-1,j)T表示敏感信息重叠相似度.

1.2 网络敏感信息融合处理

通过多尺度的特征分解方法实现对网络敏感信息的三维空间分布式重构和信息融合.假设网络敏感信息的冗余数据的聚类中心为ωij(t)，对网络敏感信息的离散特征点为Nj*进行自适应加权控制，得到分布几何邻域内网络敏感信息的仿射不变矩NEj*(t)为

(7)

其中，网络敏感信息的相似度特征解为Nj∈Ej*(t)，从而得到网络敏感信息的关联规则向量集为

(8)

采用奇异分解方法对网络敏感信息特征值进行特征分解，得到网络敏感信息的邻居相似度分布向量

(9)

对L+1到2L维进行网络敏感信息的分区调度，得到网络敏感信息输出的均衡负载参数为：

(10)

式中，网络敏感信息的测试集V=[V1,V2,…,Vm]∈Rm×m是正交的，即网络敏感信息的自相关统计特征量VVT=IM.采用特征解析和负载均衡控制方法[8]，得到网络敏感信息过滤的融合模型为

(11)

其中，RTR表示网络敏感信息的模糊关联规则分布向量集，且满足类间平衡性.由此可见，以上述结果为基础过滤网络敏感信息的冗余分量，下一步则需要通过高维空间重构进行敏感信息过滤[9-11]，从而利用负载均衡控制，实现网络敏感信息的快速过滤处理.

2 网络敏感信息过滤优化

2.1 网络敏感信息特征检测

采用副本相关性检测的方法，构建网络敏感信息过滤的副本特征分析模型[12-14]，以实现网络敏感信息过滤的特征检测.分析网络敏感信息过滤的统计特征量，得到社区网络敏感信息的连续属性集合满足

(12)

结合自相关融合聚类分析，得到网络敏感信息的相关信息检验结果

(13)

其中，网络敏感特征分布的关联规则系数为Ss.结合样本特征聚类和统计分析方法，得到网络敏感信息聚类的特征融合矩阵Q′，更新网络敏感信息的统计周期[15]，结合融合聚类，得到网络敏感信息的K均值聚类集合Ss中有n个样本，则

(14)

建立基于最小二乘规划模型的网络敏感信息寻优控制模型，提取网络敏感信息数据的包络特征量，得到特征矩阵Q正定，存在Q的逆矩阵Q-1使得网络敏感信息过滤的概率模型满足正定条件，得到

(15)

综上，采用包络分析方法实现对网络敏感信息数据融合和资源调度，可得网络敏感信息的模糊属性分布特征向量满足

(16)

通过阈值判断和模糊大数据信息聚类，实现对网络敏感信息的回归分析，可得网络敏感信息特征检测输出为

(17)

其中，∀i∈Ss表示在网络敏感信息特征的分布区域.综上所述有效实现信息特征检测，结合数据滤波方法，从而进行网络敏感信息的快速过滤优化设计[16].

2.2 信息快速过滤优化

在上述进行数据特征检测的基础上，提取网络敏感信息数据的包络参数，采用最近邻测度检测方法，进行网络敏感信息的冗余信息特征过滤，数据过滤的测试样本集的特征分解式描述为

(18)

式中，I为单位矩阵，通过改进深度学习方法，得到网络敏感信息的迭代函数式描述为

(19)

(20)

采用交换概率密度分析方法，构建网络敏感信息的特征解析控制模型，其表示为

(21)

根据上述分析，实现网络敏感信息过滤检测，具体过程如图2所示.

图2 网络敏感信息过滤实现过程

3 仿真测试分析

为了验证本文所设计的基于改进深度学习的网络敏感信息快速过滤方法在实现网络敏感信息快速过滤的应用性能，采用SPSS统计分析软件进行敏感信息过滤的仿真分析，设定网络敏感信息的初始采样样本序列长度为1200，模糊度检测序列长度为24，测试样本数为56，对网络敏感信息采样的周期为1.58，特征干扰强度为15 dB，根据上述仿真参数设定，得到采集的网络信息如图3所示.

图3 网络信息采集结果

以图3的数据为研究对象，进行网络信息的敏感部分过滤，将文献[3]方法设置为对照方法，利用不同方法进行网络敏感信息过滤，测试敏感信息过滤结果的可靠性，得到对比结果如图4所示.

图4 网络敏感信息过滤可靠性结果

分析图4得知，本文方法进行网络敏感信息过滤的可靠性较高，信息过滤的抗干扰性较好.

利用以上两种方法进行网络敏感信息过滤，测试敏感信息过滤结果的收敛误差，得到对比结果如图5所示.

图5 网络敏感信息过滤收敛性结果

分析图5得知，本文方法进行网络敏感信息过滤的收敛性较好，网络敏感信息过滤能力较强.

4 结语

对于网络的敏感信息进行有效监测、识别以及过滤，可以更好地保障网络的安全性，因此本文提出基于改进深度学习的网络敏感信息快速过滤方法.构建网络敏感信息融合参数解析控制，采用交换概率密度分析方法构建网络敏感信息的特征解析控制模型，通过阈值判断和模糊大数据信息聚类，实现对网络敏感信息的回归分析.在此基础上通过改进深度学习方法实现对网络敏感信息的快速检测和快速过滤.实验测试结果表明，采用本文方法进行网络敏感信息过滤的精度较高，收敛性较好.