[发明专利]一种信任模型的训练方法及装置

说明书

本申请提供了一种信任模型的训练方法及装置，属于通信技术领域和人工智能技术领域。该方法包括：根据多个网络设备的特征数据和阈值条件，确定多个网络设备中每个第一网络设备的标签数据；多个网络设备包括至少一个第一网络设备和多个第二网络设备；将多个第二网络设备划分为预设数目的聚类组，并获取每个聚类组对应的标签数据，作为每个聚类组中每个第二网络设备的标签数据；根据多个网络设备的特征数据和标签数据更新信任模型的参数。该方法结合阈值和聚类两种方法确定多个网络设备的标签数据，可以减少对网络设备打标签的人工成本。

技术领域

本申请涉及通信技术领域和人工智能技术领域，尤其涉及一种信任模型的训练方法及装置。

背景技术

随着通信技术的快速发展，为了满足用户多样性的需求，通信网络中配置的网络设备越来越多。当网络设备与其他网络设备进行通信时，网络设备可能会受到其他网络设备的恶意攻击，导致网络设备无法使用。或者，网络设备自身的隐私数据可能会被其他网络设备通过非法的手段获得，导致网络设备的隐私数据被泄露。

为此，现有技术通常采用基于机器学习的信任模型对各个网络设备的安全性进行评估，从而获得各个网络设备的信任级别。网络设备可以根据其他网络设备的信任级别确定是否与其进行通信。但是，基于机器学习的信任模型需要通过大量的标签数据进行训练获得，而且标签数据一般需要人工进行标注获得。因此，获取标签数据时，需要耗费很高的人工成本。

发明内容

本申请提供了一种信任模型的训练方法及装置，采用阈值判决和算法聚类相结合的方法对网络设备进行打标签，从而减少获取训练信任模型的标签数据的人工成本。

第一方面，本申请提供了一种信任模型的训练方法。该方法包括：获取多个网络设备的通信数据；特征模型根据多个网络设备的通信数据，确定多个网络设备的特征数据；根据阈值条件和多个网络设备的特征数据，确定多个网络设备中每个第一网络设备的标签数据；多个网络设备包括至少一个第一网络设备和多个第二网络设备；标签数据指示网络设备的信任级别；将多个第二网络设备划分为预设数目的聚类组，并获取每个聚类组对应的标签数据作为每个聚类组中每个第二网络设备的标签数据；预设数目与信任级别的数量对应；根据多个网络设备的特征数据和标签数据更新信任模型的参数。

信任模型的训练样本包括多个网络设备的标签数据。网络设备的标签数据一般是通过人工对网络设备进行打标签获得。在网络设备较多，数量量较大的情况中，获取标签数据的成本增加，耗费的时间也比较长，导致训练模型的效率较低。

本申请信任模型的训练方法，首选使用阈值条件确定多个网络设备中的第一网络设备的标签数据。然后，在将多个网络设备中的第二网络设备进行聚类获得聚类组，将人工对每一个聚类组打的标签作为聚类组中各第二网络设备的标签数据。由此，可以减少人工打标签的操作量，节省人工成本提高训练模型的效率。

在一种可能的实施方式中，根据阈值条件和多个网络设备的特征数据，确定多个网络设备中每个第一网络设备的标签数据包括：当多个网络设备中网络设备的特征数据满足阈值条件时，确定网络设备为第一网络设备；获取阈值条件对应的标签数据作为第一网络设备的标签数据。

使用阈值条件确定第一网络设备的标签，可以减少后续聚类过程中的数据处理量。

在一种可能的实施方式中，阈值条件包括：特征数据小于第一阈值，和/或特征数据大于第二阈值。

对网络设备进行聚类时，希望尽可能将信任级别相似的网路设备成为一个聚类组，同时希望避免一个聚类组中的设备数量较少。上述示出的阈值条件则可以避免一个网络设备的特征数据由于太大或者太小，而在聚类的过程中独立成为一个聚类组的情况出现，影响聚类结果。

在一种可能的实施方式中，通信数据包括：数据传输成功次数和数据传输失败次数，所述特征数据包括：数据传输成功率。