基于支持向量机和阈值筛选的恶意用户识别方法及装置与流程

技术特征：

1.一种基于支持向量机和阈值筛选的恶意用户识别方法，其特征在于，包括如下步骤：

融合中心接收并存储二级用户提交的对主用户进行检测的能量值以及每个回合结束后的主用户实际在线状态；

融合中心每隔设定的执行间隔进行恶意用户筛选，包括：取指定样本数量的最新历史回合能量值，以主用户实际状态作为标签进行支持向量机分类，获得各二级用户的状态分类正确率；根据各二级用户提交的信噪比和给定的正常用户误筛概率计算出状态分类正确率阈值，将状态分类正确率低于所述阈值的判断为恶意用户。

2.根据权利要求1所述的基于支持向量机和阈值筛选的恶意用户识别方法，其特征在于，所述状态分类正确率阈值的计算方法为：

其中，ui为二级用户i的状态分类正确率阈值，p(γi)为主用户状态的理论分类精度，R为样本数量，erfc^-1表示高斯互补误差函数的逆函数，τ为给定的正常用户误筛概率。

3.根据权利要求2所述的基于支持向量机和阈值筛选的恶意用户识别方法，其特征在于，所述主用户状态的理论分类精度表示为：

其中，γi为二级用户i的检测信噪比，Yi为二级用户i提交的能量值，s为能量值Yi到主用户状态判决结果的能量判决阈值，H0和H1分别表示主用户占用和不占用的情况，P(Yi>s|H0)表示在假设H0分布情况下，能量值Yi大于s的概率，P(Yi<s|H1)表示在假设H1分布情况下，能量值Yi小于s的概率，P0和P1分别为主用户占用信道和不占用信道的先验概率。

4.根据权利要求1所述的基于支持向量机和阈值筛选的恶意用户识别方法，其特征在于，采用支持向量机得到的二级用户的状态分类正确率表示为：

其中，为根据线性核支持向量机计算得到的二级用户i的状态分类正确率，R为样本数量，PU(k)∈{0，1}为第k个回合的主用户实际状态，⊕表示异或运算，s为能量值Yi到主用户状态判决结果的能量判决阈值，Yi(k)为第k个回合二级用户i提交的能量值，

5.一种实现根据权利要求1-4任一项所述的基于支持向量机和阈值筛选的恶意用户识别方法的基于支持向量机和阈值筛选的恶意用户识别装置，其特征在于，包括：

数据存储模块，用于接收并存储二级用户提交的对主用户进行检测的能量值以及每个回合结束后的主用户实际在线状态；

以及，恶意用户筛选模块，用于每隔设定的执行间隔进行恶意用户筛选，包括：

支持向量机单元，用于获取指定样本数量的最新历史回合能量值，以主用户实际状态作为标签进行支持向量机分类，获得各二级用户的状态分类正确率；

以及，阈值筛选单元，用于根据各二级用户提交的信噪比和给定的正常用户误筛概率计算出状态分类正确率阈值，将状态分类正确率低于所述阈值的判断为恶意用户。