大數據環境下的Web網絡風險估計

陳曉燕+唐年慶

摘 要： 針對傳統大數據評估過程中的Web網絡風險評估結果不精準并且速度較慢的問題，提出一種大數據環境下的Web網絡風險估計方法。采用特定的風險評估因子進行有效的評估，避免了傳統方法中評定項目繁雜、計算量大等因素造成的評估不準的問題。評估過程中使用了特定的評估模型，把傳統的加權平均的風險估計方法轉變成為非線性映射評估方法，這樣能夠更加準確的進行風險評估。為了驗證設計的大數據環境下的Web網絡風險估計的有效性，設計了對比仿真實驗。實驗結果表明，設計的大數據環境下的Web網絡風險估計方法能夠有效地解決風險評估過程中的評估結果不準確問題。

關鍵詞： Web網絡風險估計； 大數據環境； 風險評估因子； 評估模型

中圖分類號： TN711?34； TP469 文獻標識碼： A 文章編號： 1004?373X（2017）24?0056?03

Abstract： In view of the inaccurate results and slow rate of Web network risk estimation in the traditional big data estimation process， a method of Web network risk estimation in the big data environment is proposed. The specific risk estimation factors are utilized to perform effective estimation， which avoids inaccurate estimation caused by the complexity of the estimation item and big amount of computation in the traditional method. In the evaluation process， the specific estimation model is used to transform the traditional weighted average risk estimation method into the nonlinear mapping estimation method so that the risk estimation can be more accurate. In order to verify the validation of the designed Web network risk estimation in big data environment， the contrast simulation experiment was designed. The experimental results show that the designed Web network risk estimation in big data environment can effectively resolve the problem of inaccurate estimation results in the risk estimation process.

Keywords： Web network risk estimation； big data environment； risk estimation factor； estimation model

伴隨著現代科技的不斷推進革新，現代科技的項目也越來越多，能夠涵蓋的領域也越來越廣泛[1]。在進行科技領域的研發過程中，會使用許多沒有經過完善體系認證的現代技術以及新興技術，在使用過程中會存在許多未知的可能性，這些可能性會造成一定的系統失誤以及系統偏離，或者是達不到預想的使用效果。有時候會造成工期延誤，或者是資金的浪費，這些情況給研制過程帶來了極大的不便[2?3]。

采用傳統的評估方法進行Web網絡風險估計過程中，使用數據模型綜合判斷法和引入特征因子參數法進行大數據環境下的Web網絡風險評估是最簡單、直接、有效的方法[4]。數據模型綜合判斷法需要進行一定的數據測量，在測量過程中數據量極其龐大，并且調查時間較長，還受到一定的條件限制，但是數據模型綜合判斷法的數據處理能力很強[5?6]。引入的特征因子參數法是方便進行數據測量的方法，這種方法的數據測量采集的準確度高，但是計算能力較弱，并且不能進行自我檢驗[7]。本文設計的大數據環境下的Web網絡風險估計方法，把上述的兩種方法有機的進行融合，這樣既能夠進行快速的數據分析又能夠進行準確的數據采集，降低了影響評估風險的因素，提高了在大數據下的Web網絡風險估計準確度[8]。

1 Web網絡風險估計模型設計

1.1 數據快速采集

Web網絡是一種雙線記錄的網絡，Web網絡是通過反饋以及應答法方式對數據進行記錄的。所以在大型數據下的網絡風險評估是必須通過特定因子進行數據的采集，否則很難在網絡的一端進行全數據的采集。特定風險特征因子法使用流程如圖1所示。

進行數據采集前需要進行屬性的定量分析，對大量數據的屬性認定能夠更加適合Web網絡的結構模型如下：

式中：x，y分別為數據的集中屬性以及數據的次屬性；j，k分別表示Web網絡模型和屬性節點；w和Q是對應的關系，分別是數據的輸入以及輸出非線性傳輸函數。通過式（1）便可以對數據進行屬性的衡量。針對大量的數據還需要進行一定的數據標記，這樣才能更加快速地進行數據采集，標記過程為：

Web網絡通過命令篩選進行標記，P為標記過程值，當屬性滿足一定條件時，進行標記。通過標記后的數據為示意串符號字符，需要轉化為能被識別的十六進制代碼，公式為：endprint

式中：T表示統計序列的編號數；η表示限定的條件；r是序列值。為了能夠進行快速的風險評估，還需要進行最大連接授權與最小連接授權的計算，計算公式為：

式中：d表示授權能力；H表示數據的屬性指標，這樣便于進行識別，保證風險評估過程的準確性；是最大的授權值，最小授權值為1。

通過鑒定屬性的H平均識別率進行屬性的大量采集，平均識別過程為：

式中：pej為Web網絡的第j個模板屬性中第k標記元素；u是一個限制的值域方便數據的采集；k只能進行1和2的取值，當k為2時，風險評估的數據是0，當k為1時，對應的屬性提取值為：

Web網絡進行風險評估是需要進行數據的特征提取，本文使用的是特定因子數據采集方法，通過上述標記過后便可進行快速的提取，如下：

Web網絡主要的作用是進行數據聯想寄存，相當于服務器中的一個運存模塊，想要對其進行系統的風險評估，需要對采集的數據進行評估運算。本文通過對Web網絡進行特征因子的采集，能夠輔助之后的風險評估模型的運算，為風險評估模型提供充足的理論數據。

1.2 使用風險估計模型進行風險評估

在使用風險評估模型之前需要進行供應數據的選擇，選定的供應鏈方便進行屬性匹配和估值，其計算公式為：

式中：表示風險影響因子數；E表示理想因子數；A表示數據的充分性因子數。在大數據的情況下，進行風險評估還要考慮到進度風險影響因子，因為數據本身不是沒有變化的。進度風險影響因子數：

式中：e為進度風險影響因子參數；b為數據使用進度；a表示本質系數。通過式（8）可反映出數據的流動程度，方便進行數據風險評估。

影響風險評估結果的還有準確性因子數，準確性因子數計算式為：

式中：λ=5.86是一個常值；Q和M分別代表數據的基本屬性和非基本屬性；e為進度風險因子參數；P為影響風向因子數。通過函轉變系數可以得到：

式中：L為風險評估精準系數；D為不確定因子。其是對風險評估的結果進行檢驗，在確定上述能夠影響風險結果的因素時，還存在一些不確定因素，通過式子可以進行不確定因數的評估，使結果更加的精準。通過上述計算完成整體的大數據環境下的Web網絡風險估計。

2 試驗驗證

2.1 參數的設定

為了方便進行大數據環境下Web網絡的風險評估，需要對參數進行一定的設置。設置屬性指標H值為6；標記坐標系數x，y分別取100，150；平均識別率的k值選擇1。為了使計算結果更佳準確，k值參數如下，選擇不同系數對應不同關聯數：

2.2 風險評估過程

本文使用的是用特定風險特征因子法進行數據的采集，由于設置的標記參數為100，150，因此使用公式進行標記的過程會非常迅速。試驗時間對比見圖2。

本文使用的特定風險特征因子法進行數據的標記，這樣的標記方式可以使用式（6）進行實際計算。其中i≠j∈{0，1，2，…，9}， 由于Web網絡采用編碼算子進行網絡運行，結合本文設計其錯誤率減小、識別能力得到了很大提升。

為了驗證試驗的有效性，選定三種方案同時進行試驗：第一種方案使用傳統方法的專家評估方法；第二種方法采用統計的方法進行風險評估；第三種使用本文設計的方法進行風險評估。表1為三種風險評估結果。

2.3 試驗結果分析

通過圖2可以看出本文設計的大數據環境下的Web網絡風險估計方法能夠在大數據下使用較少的時間進行數據的采集。通過表1結果可以看出，本文對Web網絡平均風險評估的準確度更好，同時不需要修正。綜上所述，本文設計的大數據環境下的Web網絡風險估計方法能夠解決傳統方法中評估結果不精確以及速度慢的問題。

3 結 語

本文設計的大數據環境下的Web網絡風險估計方法能夠有效地解決傳統方法中評估精準度不足以及速度慢的問題。通過本文的設計，希望能夠對大數據環境下的Web網絡風險估計領域提供更好的評估方法。

參考文獻

[1] 趙星，李石君，余偉，等.大數據環境下Web數據源質量評估方法研究[J].計算機工程，2017（2）：48?56.

[2] 鄭宏，蔡宇翔.大數據環境下入侵風險評估優化模型仿真分析[J].計算機仿真，2016，33（9）：292?295.

[3] 杜永紅，石買紅，史慧敏.大數據環境下P2P網貸平臺的風險評估與防范[J].會計之友，2016（22）：90?92.

[4] 王閃，譚良.Web大數據環境下的相似重復數據清理[J].計算機工程與設計，2017，38（3）：646?651.

[5] 林漢川，張萬軍，楊柳.基于大數據的個人信用風險評估關鍵技術研究[J].管理現代化，2016，36（2）：95?97.

[6] 李勇，孟小峰，劉繼，等.基于小數據的在線用戶興趣長程演化研究[J].計算機研究與發展，2015，52（4）：779?788.

[7] 胡亞慧，李石君，余偉，等.大數據環境下的電子商務商品實體同一性識別[J].計算機研究與發展，2015，52（8）：1794?1805.

[8] 林海倫，楊曉剛，熊錦華，等.Deep Web數據采集查詢構造方法研究[J].計算機科學與探索，2015，9（9）：1025?1033.

[9] 李廣水，鄭滔，宋丁全.面向服務數據挖掘的關鍵技術在.NET下的實現研究[J].計算機工程與設計，2009，30（20）：4654?4657.endprint