陳小永

(安徽電子信息職業(yè)技術(shù)學(xué)院 信息與智能工程系，安徽 蚌埠 233000)

0 引 言

社交網(wǎng)絡(luò)中存在大量溝通時(shí)產(chǎn)生的JPEG圖像敏感數(shù)據(jù)，此類敏感數(shù)據(jù)有可能包含用戶性別、地區(qū)、職業(yè)、興趣愛(ài)好、身份證及年齡等信息，涉及到用戶的個(gè)人信息及隱私等[1]，若不重視此類敏感數(shù)據(jù)，將導(dǎo)致用戶個(gè)人信息與隱私的泄露，嚴(yán)重危害用戶個(gè)人財(cái)產(chǎn)安全的問(wèn)題[2]。故需對(duì)社交網(wǎng)絡(luò)JPEG圖像敏感數(shù)據(jù)實(shí)施有效的保護(hù)，避免用戶個(gè)人信息泄露，保障社交網(wǎng)絡(luò)溝通的安全性，而保護(hù)此類敏感數(shù)據(jù)的基礎(chǔ)即對(duì)其實(shí)施有效的數(shù)據(jù)挖掘[3]，數(shù)據(jù)挖掘算法可通過(guò)某對(duì)象的先驗(yàn)概率，運(yùn)算出此對(duì)象的后驗(yàn)概率，魯棒性較高[4]。

綜合以上分析，研究一種基于最優(yōu)學(xué)習(xí)的社交網(wǎng)絡(luò)JPEG圖像敏感數(shù)據(jù)挖掘方法，將樸素貝葉斯算法作為該挖掘方法的核心算法，深入、有效地挖掘出社交網(wǎng)絡(luò)數(shù)據(jù)中的JPEG圖像敏感數(shù)據(jù)，并提升挖掘的精度與實(shí)時(shí)性。

1 最優(yōu)學(xué)習(xí)的社交網(wǎng)絡(luò)JPEG圖像敏感數(shù)據(jù)挖掘方法

1.1 基于樸素貝葉斯算法的數(shù)據(jù)挖掘平臺(tái)構(gòu)建

以樸素貝葉斯算法作為社交網(wǎng)絡(luò)JPEG圖像敏感數(shù)據(jù)挖掘方法的核心算法[5]，基于此算法構(gòu)建社交網(wǎng)絡(luò)JPEG圖像敏感數(shù)據(jù)挖掘平臺(tái)。樸素貝葉斯算法定理如下：

樸素貝葉斯算法屬于一類分類算法的總稱，此類分類算法的基礎(chǔ)均為樸素貝葉斯定理，所以也可統(tǒng)稱為樸素貝葉斯分類[6]。樸素貝葉斯定量能夠合理解決實(shí)際生活中時(shí)常發(fā)生的事件，假如兩事件分別以C和D表示，其中事件C和事件D出現(xiàn)的概率分別以Q(C)、Q(D)表示，兩事件同時(shí)出現(xiàn)的概率以Q(CD)表示，在事件C已經(jīng)出現(xiàn)的情況下，事件D出現(xiàn)的概率以Q(D/C)表示，同時(shí)有：

Q(D/C)=Q(CD)/Q(C)

(1)

事件C與事件D無(wú)論是否屬于彼此獨(dú)立的事件，均有：

Q(CD)=Q(D)Q(C/D)=Q(C)Q(D/C)

(2)

設(shè)樣本空間Ω的一個(gè)劃分為D1,D2,…,Dn，能夠符合Di兩兩互斥，且DiDj=φ(i≠j)，∑Di=Ω(i=1,2,...,n)，那么有全概率公式：

Q(C)=Q(C∩Ω)=Q(C∩∑Di)=

Q(∑CDi)=∑Q(CDi)=∑Q(Di)Q(C/Di)

(3)

假設(shè)Y∈Ω屬于一個(gè)未知類型的數(shù)據(jù)樣本，aj屬于某個(gè)類型，如果數(shù)據(jù)樣本Y為一個(gè)特定的類型aj，則分類問(wèn)題即為確定Q(aj|Y)，也就是在獲取數(shù)據(jù)樣本Y時(shí)，將數(shù)據(jù)樣本Y的最佳分類確準(zhǔn)。在給定數(shù)據(jù)集B內(nèi)各類型aj先驗(yàn)概率的條件下可能性最大的分類即為最佳分類。運(yùn)算此種可能性的一種較為直接的方法可通過(guò)貝葉斯定理提供?；诩僭O(shè)的先驗(yàn)概率、設(shè)定假設(shè)下所觀察到的各類數(shù)據(jù)概率，貝葉斯定理提供一種運(yùn)算假設(shè)概率的方法[7]，可表示為：

Q(aj|Y)=Q(Y|aj)Q(aj)/Q(Y)

(4)

式(4)屬于貝葉斯公式，其中先驗(yàn)概率、后驗(yàn)概率及聯(lián)合概率分別以Q(aj)、Q(aj|Y)、Q(Y|aj)表示。

(1)先驗(yàn)概率Q(aj)：aj的先驗(yàn)概率即為Q(aj)，有關(guān)aj屬于準(zhǔn)確分類機(jī)會(huì)的背景知識(shí)可通過(guò)先驗(yàn)概率反映出。若無(wú)此先驗(yàn)知識(shí)，則可將同等的先驗(yàn)概率賦予給各個(gè)待選類型，但一般而言，可通過(guò)樣例內(nèi)屬于aj的樣例數(shù)|aj|與總樣例數(shù)|B|的比值實(shí)施近似運(yùn)算，也就是：

(5)

(2)聯(lián)合概率Q(Y|aj)：聯(lián)合概率也成為條件概率，即在已知為aj類型的情況下，數(shù)據(jù)樣本Y所出現(xiàn)的概率。如果設(shè)定Y=〈c1,c2,...,cm〉，那么有：

Q(Y|aj)=Q(c1,c2,…,cm/aj)

(6)

(3)后驗(yàn)概率Q(aj|Y)：aj的后驗(yàn)概率即為Q(aj|Y)，是指當(dāng)數(shù)據(jù)樣本Y給定時(shí)，aj成立的概率，可反映出數(shù)據(jù)樣本Y出現(xiàn)之后aj的成立置信度。

邏輯性較強(qiáng)的數(shù)據(jù)挖掘平臺(tái)，由特征數(shù)據(jù)萃取層與概率數(shù)據(jù)構(gòu)建層共同構(gòu)成。其中特征數(shù)據(jù)萃取層是在樸素貝葉斯算法的特征涵蓋性基礎(chǔ)上創(chuàng)建而成，概率數(shù)據(jù)構(gòu)建層是基于樸素貝葉斯算法的概率條件引入廣泛性而創(chuàng)建的，通過(guò)創(chuàng)建兩個(gè)層面，實(shí)現(xiàn)數(shù)據(jù)挖掘平臺(tái)的構(gòu)建，產(chǎn)生立體化社交網(wǎng)絡(luò)JPEG圖像敏感數(shù)據(jù)挖掘平臺(tái)。數(shù)據(jù)挖掘平臺(tái)整體結(jié)構(gòu)圖見(jiàn)圖1。

圖1 數(shù)據(jù)挖掘平臺(tái)整體結(jié)構(gòu)圖

1.2 平臺(tái)功能層設(shè)計(jì)

1.2.1 特征數(shù)據(jù)萃取層設(shè)計(jì)

在互聯(lián)網(wǎng)空間中建立社交網(wǎng)絡(luò)數(shù)據(jù)模型，可以提高對(duì)社交網(wǎng)絡(luò)JPEG圖像敏感數(shù)據(jù)的數(shù)據(jù)類別和數(shù)據(jù)趨勢(shì)的理解，為特定類型數(shù)據(jù)的概率深度挖掘提供方便，從而提高數(shù)據(jù)挖掘的速度和準(zhǔn)確性。通過(guò)基于樸素貝葉斯算法優(yōu)化的tbht拓?fù)涮卣鬟壿嬎惴?，該層可以根?jù)數(shù)據(jù)之間的拓?fù)潢P(guān)系實(shí)現(xiàn)特征捕獲，并通過(guò)概率邏輯轉(zhuǎn)換各種數(shù)據(jù)特征，從而形成數(shù)據(jù)挖掘的必要條件，提高了社會(huì)網(wǎng)絡(luò)JPEG圖像敏感數(shù)據(jù)挖掘的準(zhǔn)確性。Tbht拓?fù)涮卣鬟壿嬎惴ɡ^承了樸素貝葉斯算法的概率運(yùn)算，也具有獨(dú)立的邏輯處理性能。故TBHT拓?fù)涮卣鬟壿嬎惴ǖ年P(guān)系式為雙子集合式，可表示為：

(7)

(8)

式(7)、式(8)中，社交網(wǎng)絡(luò)JPEG圖像敏感數(shù)據(jù)類型集合以c表示，數(shù)據(jù)類型系數(shù)與特征類型量系數(shù)分別以i和m表示，概率常量與數(shù)據(jù)挖掘特征限制要素集合分別以k和d表示。當(dāng)式(7)能夠滿足以式(8)為引入常量時(shí)，表示完成特征數(shù)據(jù)萃取層的數(shù)據(jù)模型構(gòu)建。特征數(shù)據(jù)萃取層結(jié)構(gòu)見(jiàn)圖2。

圖2 特征數(shù)據(jù)萃取層結(jié)構(gòu)圖

為了提升數(shù)據(jù)挖掘的精度，需創(chuàng)建更加優(yōu)質(zhì)的數(shù)據(jù)模型，而優(yōu)質(zhì)數(shù)據(jù)模型的創(chuàng)建則需通過(guò)優(yōu)質(zhì)精準(zhǔn)歸類的特征數(shù)據(jù)實(shí)現(xiàn)。所抓取的社交網(wǎng)絡(luò)特征數(shù)據(jù)中包含文字記錄數(shù)據(jù)、出錯(cuò)記錄數(shù)據(jù)、請(qǐng)求記錄數(shù)據(jù)以及JPEG圖像敏感數(shù)據(jù)等各類數(shù)據(jù)，且數(shù)據(jù)質(zhì)量不一致，故為提升之后分析歸類的精度、可伸縮性及有效性，應(yīng)對(duì)抓取的特征數(shù)據(jù)實(shí)施預(yù)處理。

1.2.2 概率數(shù)據(jù)構(gòu)建層設(shè)計(jì)

為實(shí)現(xiàn)對(duì)各種特征關(guān)系下社交網(wǎng)絡(luò)JPEG圖像敏感數(shù)據(jù)的有效挖掘，需提升引入的特征量，令初始社交網(wǎng)絡(luò)JPEG圖像敏感數(shù)據(jù)挖掘邏輯具備衍生性和包容性。OWF-RV集列算法具有龐大的數(shù)據(jù)邏輯量，其關(guān)系式內(nèi)包含數(shù)組概率邏輯式，對(duì)相應(yīng)概率邏輯式的調(diào)用及運(yùn)行可采用邏輯對(duì)接觸發(fā)關(guān)系式實(shí)現(xiàn)。在此以六組概率邏輯式及邏輯對(duì)接觸發(fā)式為例，實(shí)施集合式運(yùn)算。具體如下：

六組概率邏輯式為：

(9)

式(9)中的六組概率邏輯式相互之間為邏輯條件遞增關(guān)系，各關(guān)系式均可單獨(dú)成立，同時(shí)均包括上個(gè)關(guān)系式引入的特征條件值。集合化運(yùn)算六組概率邏輯式能夠獲得集合式為：

Q(ie)

(10)

邏輯對(duì)接觸發(fā)式為：

(11)

動(dòng)態(tài)概率分離器可以快速調(diào)用由概率特征條件檢索到的數(shù)據(jù)流，提高下游挖掘數(shù)據(jù)的潛力，并與大數(shù)據(jù)社交網(wǎng)絡(luò)JPEG圖像敏感數(shù)據(jù)中的深層數(shù)據(jù)源相關(guān)聯(lián)，從而實(shí)現(xiàn)對(duì)社交網(wǎng)絡(luò)JPEG圖像敏感數(shù)據(jù)的深度挖掘。

在業(yè)務(wù)資源有限的情況下，動(dòng)態(tài)概率分離器可以自動(dòng)提取其運(yùn)行資源的5%，從而建立大數(shù)據(jù)資源的交互通道規(guī)則。社會(huì)網(wǎng)絡(luò)JPEG圖像敏感數(shù)據(jù)挖掘通過(guò)獲取小資源的大數(shù)據(jù)來(lái)提高挖掘精度。利用數(shù)據(jù)本身的特征信息，比較數(shù)據(jù)對(duì)接的挖掘精度，自動(dòng)偏移挖掘誤差數(shù)據(jù)的節(jié)點(diǎn)信息，保留準(zhǔn)確的節(jié)點(diǎn)信息，快速生成數(shù)據(jù)挖掘返回信號(hào)。實(shí)現(xiàn)了JPEG社交網(wǎng)絡(luò)圖像敏感數(shù)據(jù)的高精度深度挖掘。動(dòng)態(tài)概率分離器中分離算法為：

X|m|=e|q(c)|∑g/?(q(c))?

(12)

概率數(shù)據(jù)構(gòu)建層結(jié)構(gòu)圖見(jiàn)圖3。

圖3 概率數(shù)據(jù)構(gòu)建層結(jié)構(gòu)圖

2 實(shí)驗(yàn)結(jié)果分析

以某微博平臺(tái)內(nèi)的歷史大數(shù)據(jù)資源集作為檢驗(yàn)本方法性能的實(shí)驗(yàn)數(shù)據(jù)集，大數(shù)據(jù)資源集內(nèi)包含文字記錄數(shù)據(jù)、出錯(cuò)記錄數(shù)據(jù)、請(qǐng)求記錄數(shù)據(jù)以及JPEG圖像敏感數(shù)據(jù)等各類數(shù)據(jù)共88546條，分別采用本文方法、全局相似度的社交網(wǎng)絡(luò)數(shù)據(jù)挖掘方法(文獻(xiàn)[5]方法)以及基于影響力的社交網(wǎng)絡(luò)數(shù)據(jù)挖掘方法(文獻(xiàn)[6]方法)挖掘?qū)嶒?yàn)數(shù)據(jù)集內(nèi)的社交網(wǎng)絡(luò)JPEG圖像敏感數(shù)據(jù)，對(duì)比并分析各方法的挖掘性能及效果。

2.1 整體可靠性對(duì)比分析

2.1.1 分類結(jié)果對(duì)比分析

在實(shí)驗(yàn)數(shù)據(jù)集的JPEG圖像敏感數(shù)據(jù)中，實(shí)際包含五種不同類別的敏感數(shù)據(jù)，分別為性別、職業(yè)、興趣愛(ài)好、社交情況及所在地區(qū)五種類別，現(xiàn)將各方法挖掘過(guò)程中對(duì)實(shí)驗(yàn)數(shù)據(jù)集實(shí)施預(yù)處理并分類之后所獲得的JPEG圖像敏感數(shù)據(jù)模型內(nèi)的數(shù)據(jù)類別分別與實(shí)際數(shù)據(jù)類別進(jìn)行對(duì)比，檢驗(yàn)各方法的分類性能，對(duì)比結(jié)果如表1所示。

表1 各方法分類性能對(duì)比情況

由表1能夠看出，對(duì)比實(shí)驗(yàn)數(shù)據(jù)集內(nèi)JPEG圖像敏感數(shù)據(jù)實(shí)際所包含的五種類別數(shù)據(jù)，文獻(xiàn)[5]方法分類后所得的數(shù)據(jù)模型內(nèi)存在職業(yè)類別數(shù)據(jù)的缺失，而文獻(xiàn)[6]方法與本方法分類后所得的數(shù)據(jù)模型內(nèi)五種類別數(shù)據(jù)均包含在內(nèi)，未出現(xiàn)缺失問(wèn)題，可見(jiàn)文獻(xiàn)[6]方法與本方法挖掘過(guò)程中的分類性能更優(yōu)越。

2.1.2 挖掘結(jié)果對(duì)比分析

在各方法的分類結(jié)果基礎(chǔ)上，繼續(xù)運(yùn)用三種方法分別對(duì)各自分類后所得的數(shù)據(jù)模型內(nèi)各類別JPEG圖像敏感數(shù)據(jù)實(shí)施挖掘，依據(jù)挖掘結(jié)果對(duì)比各方法的挖掘性能，對(duì)比結(jié)果如表2所示。

三種方法的整體JPEG圖像敏感數(shù)據(jù)挖掘結(jié)果誤差中，文獻(xiàn)[5]方法的誤差顯著高于其它兩種方法，原因是文獻(xiàn)[5]方法在挖掘過(guò)程中實(shí)施分類時(shí)缺失職業(yè)類別數(shù)據(jù)，由此導(dǎo)致此方法最終挖掘結(jié)果誤差大大降低；而本方法與文獻(xiàn)[6]方法對(duì)比，本方法的JPEG圖像敏感各類別數(shù)據(jù)挖掘結(jié)果誤差均低于文獻(xiàn)[6]方法，由此可見(jiàn)，本方法的挖掘結(jié)果誤差最低，結(jié)果更加精準(zhǔn)可靠，具有較高的挖掘性能。

綜合以上兩組實(shí)驗(yàn)結(jié)果分析可知，相比其它兩種方法，本方法的整體性能更優(yōu)越，挖掘結(jié)果更可信，實(shí)際應(yīng)用價(jià)值更高。

3 結(jié) 論

提出一種基于最優(yōu)學(xué)習(xí)的社交網(wǎng)絡(luò)JPEG圖像敏感數(shù)據(jù)挖掘方法，以樸素貝葉斯算法最為最優(yōu)學(xué)習(xí)方法，構(gòu)建社交網(wǎng)絡(luò)JPEG圖像敏感數(shù)據(jù)挖掘平臺(tái)，通過(guò)平臺(tái)內(nèi)兩個(gè)功能層實(shí)現(xiàn)對(duì)社交網(wǎng)絡(luò)數(shù)據(jù)中JPEG圖像敏感數(shù)據(jù)的深入挖掘，并通過(guò)實(shí)驗(yàn)檢驗(yàn)了本方法的整個(gè)挖掘過(guò)程，驗(yàn)證了本方法的分類精度、挖掘精度及較高的時(shí)效性，能夠精準(zhǔn)高效地挖掘出社交網(wǎng)絡(luò)數(shù)據(jù)中的JPEG圖像敏感數(shù)據(jù)，為社交網(wǎng)絡(luò)用戶的安全溝通提供有效保障。