基于半监督学习的物联网用户识别模型分析与研究

孙静 冯锋

摘 要：随着物联网技术在多个领域的大规模应用，终端用户数量呈快速上升趋势。在享受通信便利的同时，也有个别用户利用物联网特性生成大量虚假用户，不利于行业的健康发展。针对以上现象，文中采用半监督学习的方法，通过研究相关样本数据的特征，建立用户识别模型，对异常用户行为做出及时判断，帮助相关部门、人员采取相应的措施，避免产生较大的损失，节省了大量人力物力，具有广泛的应用前景。

关键词：物联网;用户识别;半监督学习;识别模型;朴素贝叶斯分类;随机森林

中图分类号：TP391文献标识码：A文章编号：2095-1302（2020）11-0-03

0 引 言

伴随着LoRa、NB-IoT、5G等物联网通信技术的发展，我国物联网终端用户猛增。在日益增加的用户数量中，若出现大量恶意的虚假用户，则会影响物联网平台正常的工作运行。这些虚假用户占用了大量资源，使物联网平台无法充分利用，既影响用户的自身利益，也不利于物联网行业的健康发展。

仅凭人力识别、用户举报等传统方法监督用户行为，具有一定的局限性和缺陷，监督及识别效果并不理想。本文对于物联网用户识别模型进行研究，针对不同的识别方法及分类器进行分析，帮助相关人员尽早发现用户的异常行为，及时采取措施，避免造成更大损失。

1 物联网平台概述

物联网的工作流程为传感器收集数据，通过网络连接向云端发送数据，进行数据处理，筛选有用的数据后再向终端用户传递有用信息[1-2]。物联网平台主要分为服务管理器和控制中心两部分，物联网平台组成如图1所示。

物联网卡和5G技术在未来的物联网行业拥有绝对的优势。现阶段物联网卡具有资费便宜、无实名制等特点，依托物联网应用于智能服务领域，如智能家居、智能穿戴、智慧安防等[3]。在物联网平台上，用户群体被分为不同的身份与类型，为不同的用户提供不同的平台数据视图、权限等。

2 识别模型概述

用户识别实质上是根据用户的特征数据对其进行分类的过程，将异常数据与正常数据拆分开来。用户数据中既有少量的已确定虚假用户的信息，也有占大部分的正常用户。基于以上特征，本文建立了基于未标记样本以及正样本的半监督学习模型[4-5]，用于识别物联网用户的类型。

解决这类问题主要有两种方法。第一种方法是直接在正样本中进行训练，训练出的分类器可以判别测试数据是否属于训练样本类别。但实际情况是，现实数据远比实验复杂，且模型只会输出“是”或“不是”两种结果，容易出现被认定为“不是”的样本并不属于正样本相对的另一类，出现误判的情况。

第二种方法是将其分为两步，将分类与预测分开。第一步是根据已标注的样本，在大量未标注样本中通过训练找出可靠的负样本集;第二步是通过迭代训练得到一个分类器进行用户识别工作。识别模型工作流程如图2所示。

3 用户数据处理

在处理关于用户的原始数据时，首先进行数据核查，通过计算数据的均值、期望值、中位数、方差等了解原始数据的大致分布。根据用户识别业务的需求遍历所有重要字段，所需数据字段见表1～表4所列。转换部分数据类型，便于后续处理，并利用上文得到的统计数据进行空值填充。将处理好的数据进行打标签操作后随机排序，分为训练集和测试集，再將测试集中的一小部分数据分离出可靠的正样本，用于训练分类器。

4 模型选择与搭建

4.1 两步法

在本文所研究的两步法模型中，第一步使用的模型为朴素贝叶斯分类器，其优势在于算法数学模型稳定、学习简单，分类效果较理想[6-7]。该分类器所需参数很少，对于缺失的数据不太敏感，比较符合实际数据情况，可解释性强。理论上来说，相较于其他模型，它的误差率最小。

贝叶斯基本公式为：

假设数据的每个样本有m维特征向量，描述其m个属性的值，即A={x1， x2， ...， xm}。数据类别可分为n类，即n={y1， y2， ...， yn}。给定未知样本集X，使用朴素贝叶斯分类方法将样本按类别n={y1， y2， ...， yn}分开。

代入贝叶斯理论，可得给定的某用户A属于某分类yn的概率为：

对于给定用户A属于某一分类yn的概率，可由A在每个给定的分类yn的概率得出，需要计算每个分类用户A在其中的概率。即

假设集合T为正样本集合，集合U为未标记样本集合。模型训练过程如下：

（1）将集合T、U中的样本类别标记为1、0;

（2）分别使用数据集T和U进行训练，得到理想的分类器;

（3）使用上述分类器将未标记样本进行分类。

第二步使用的模型为随机森林算法。“森林”由多个决策树组成，采用随机有放回的选择模式训练数据模型，引入随机属性选择，通过组合模型来提升学习效果[8]。“森林”中的每一棵树都会根据自己分类选择进行“投票”，最终的结果是“票数”最多的属性。其计算公式如下：

式中：H（x）表示随机森林分类模型最终结果;hi（x）表示每棵决策树的单独分类结果;Y表示需要分类的对象。通过投票策略将得票数最多的分类结果进行输出[9]。

模型搭建需要根据数据进行特征选择，本文主要针对一周之内的操作行为、流量、短信等信息进行统计。对数据首先进行数据清洗预处理，过滤掉某些异常的数据，并根据后期的需求对关键字段进行处理。根据其用户ID找到对应的

SIM ID，并关联其操作记录表、流量表、信息表。物联网卡的流量监控为重要指标，根据时间记录对最近七天的短信使用量和数据流量使用量求和。对操作行为表进行预处理，根据操作时间及SIM ID对最近七天的操作次数求和。将七天的数据以第一天为基准进行内关联，最终得到每一张卡在七天中的操作行为、短信、流量的情况。对于已标注的虚假用户数据的处理与以上流程一致。

将30%数据作为测试集，70%数据作为训练集。在训练集上建立模型，第一步使用朴素贝叶斯模型，第二步使用随机森林模型。调整模型参数，找到在训练集上表现结果最优的模型，最后使用测试集进行测试。对预测结果的评判不能只按照传统的精确率、召回率等，因为除已标记的虚假用户外，对于未知用户类型并没有确切的判断。这里的判断标准采用，其中代表样本为正样本的概率，r代表召回率，p代表精确率。使用这个公式来判断分类器的性能。两步法模型预测结果见表5所列。

4.2 一步法

上文提到的直接法是在正样本上进行训练，比較经典的单分类方法为one-class SVM模型。 在识别一个新的“点”（用户数据）时，若落在该超平面内，说明属于正样本集，若不是则属于其他类，但无法判断出具体属于哪一类[10]。one-class SVM模型的训练样本只有一类，与二分类问题有一定差别，本文只对物联网用户的正样本数据进行训练，最终训练结果中挑出不属于正常用户的数据即可。

5 结 语

本文从物联网角度出发分析了用户识别模型，根据物联网的特性使用机器学习方法建立模型，并进行分类操作。通过实验可以看出一步法的准确率远低于两步法。尽管理论上现有模型可以达到较好的效果，但还有继续改善之处：两步法分类模型尝试使用更多不同分算法组合进行训练，以达到更为精准的结果;对于字段的提取，根据实际情况增加或减少，调整不同特性的权重比例，不断完善，提高预测准确率。

参考文献

[1]胡向东.物联网研究与发展综述[J].数字通信，2010，37（2）：17-21.

[2]李荣.物联网用户界面如何工作[J].计算机与网络，2019，45（12）：38-39.

[3]王晓菊，田立勤，赵竞雄.基于物联网的用户行为认证机制与分析[J].南京理工大学学报，2015，39（1）：70-77.

[4]张溶芳，许丹丹，王元光，等.机器学习在物联网虚假用户识别中的运用[J].电信科学，2019，35（7）：136-144.

[5]谭侃，高旻，李文涛，等.基于双层采样主动学习的社交网络虚假用户检测方法[J].自动化学报，2017，43（3）：441-460.

[6]张步良.基于分类概率加权的朴素贝叶斯分类方法[J].重庆理工大学学报（自然科学），2012，26（7）：81-83.

[7]张璠.多种策略改进朴素贝叶斯分类器[J].微机发展，2005，15（4）：35-36.

[8]徐少成，李东喜. 基于随机森林的加权特征选择算法[J]. 统计与决策，2018，34（18）：25-28.

[9]方匡南，吴见彬，朱建平，等.随机森林方法研究综述[J].统计与信息论坛，2011，26（3）：32-38.

[10]丁世飞，齐丙娟，谭红艳.支持向量机理论与算法研究综述[J].电子科技大学学报，2011，53（1）：2-10.