基于正态云模型的网络异常交易风险评价仿真.pdf

286第40 卷第6 期2023年6 月真机一仿算文章编号：10 0 6-9348（2 0 2 3）0 6-0 2 8 6-0 5基于正态云模型的网络异常交易风险评价仿真桑振，胡建（河北农业大学，河北保定0 7 10 0 0）摘要：以为企业制定合理的降低异常交易风险，提供科学依据为目的，设计了基于正态云模型的网络异常交易风险的评价算法。构建包含目标层与两级指标层的网络异常交易风险价指标体系，将指标层作为自变量输人、目标层作为因变量输出，创建正态云模型并估计出模型参数。利用上述模型综合评价网络异常交易的风险。结果表明，信息传送风险和质量控制风险两方面对各企业网络异常交易风险的综合水平的影响最高，产品识别风险的影响最小；网络异常交易风险水平排名最高的为护肤彩妆类企业E和D，排名最后的为家居类企业A，护肤彩妆类企业的网络异常交易风险水平高于家居类企业。经实验可知；所提算法的评价结果较为准确，所得评价结果可信度高，可作为企业制定降低网络异常交易风险战略的科学依据。关键词：正态云模型；网络异常交易；风险评价；因变量；自变量；参数估计中图分类号：TP399文献标识码：BSimulation of Network Anomalous Transaction RiskEvaluation Based on Normal Cloud ModelSANG Zhen,HU Jian(Agricultural University of Hebei Province,BaodingHebei 071000,China)ABSTRACT:In order to reduce the risk of abnormal transaction and provide scientific basis,this paper designed analgorithm of evaluating abnormal network transaction risk based on normal cloud model.Firstly,we constructed an in-dex system of abnormal transaction risk containing target layer and two-level index layer.Secondly,we took the indexlayer as an independent variable input and used the target layer as a dependent variable output.And then,we built anormal cloud model and estimated model parameters.Based on the model above,we comprehensively evaluated therisk of abnormal network transaction.Following conclusions can be drawn from results.Information transmission andquality control have the highest impact risks on the comprehensive level of abnormal network transaction of enterprise,and the lowest impact risk on product identification;The skincare and color cosmetic enterprises(E and D)rank thehighest in the risk level of abnormal transaction,and the household enterprise(A)ranks last.The risk level of abnor-mal transactions of skincare and color cosmetic enterprises is higher than that of household enterprises.The experi-ment result shows that the evaluation results of this algorithm are relatively accurate and reliable,which can be usedas a scientific basis for enterprises to reduce the risk of abnormal network transaction.KEYWORDS:Normal cloud model;Abnormal network transaction;Risk assessment;Dependent variable;Inde-pendent variable;Parameter estimation1引言网络交易即在信息网络中在企业之间、企业与消费者之间以及消费者个人与个人之间，通过网络通讯手段进行的交易，网络交易的实现得利于对计算机、网络以及远程通信技术的使用,实现了交易过程的电子与数字化1-3。网络交易收稿日期：2 0 2 1-0 6-0 8 修回日期：2 0 2 1-11-2 6的出现打破了传统的面对面交易的模式，只需要通过网络就可以完成各种商品的购买，同时网络交易还配备了完善的物流配送系统以及方便高效的资金的结算系统4。网络交易过程中也容易出现交易异常的情况，相关学者针对网络异常交易作了相应的研究，文献5 提出基于模糊层次分析法对交易风险进行评价，采用层次分析法以及模糊综合评价进行风险权重确定与评价，该方法对风险评价的准确性不够高,且较复杂；文献6 提出基于模糊物元法对交易287风险进行评价，采用模糊物元法对风险管理的流程进行梳理，准确把握交易过程的风险源，此方法比较简单，但是评价结果的精度较低因此本文提出基于正态云模型的网络异常交易风险评价方法，正态云模型是一种新型的风险评价算法，它通过将随机性和模糊性相结合，实现定量描述待评价目标，并采取定性与定量映射的方式，通过数值描述转换概念性自然语言7.8 。该模型应用范围较广，已涉及评价预测、数据挖掘及智能控制等多个领域，普适性较高9,其创新性在于通过选取恰当的指标构建三层评价指标体系，以体系内目标层与指标层分别作为因变量和自变量，创建正态云模型并估计模型参数，运用该模型实现对网络异常交易风险的综合评价，为企业管理层合理制定符合自身企业减低网络异常交易风险的科学战略提供有效帮助。基于正态云模型的网络异常交易风险评价算法以网络交易的发展趋势与网络异常交易风险种类为依据，选取产品识别风险、电子支付风险、质量控制风险以及信息传送风险作为评价网络异常交易风险的主要指标，由于风险评估相关专家均具备主观偏好，故而在指标量化处理四个影响指标时，需通过非确准数据或者定性语言值形容评估值，并采用正态云模型对此类语言值实施定量化表示，获得网络异常交易风险评价结果，实现对网络异常交易的风险评价。基于正态云模型的网络异常交易评价整体过程见图1。构建网络异常开始交易风险评价指标体系确定自变量与因变量创建正态云正态云模型模型参数估计结束输出风险综网络异常交易合评价结果风险综合评价图1网络异常交易风险评价过程图2.1构建网络异常交易风险评价指标体系选用包含目标层、准则层及指标层的三层指标结构，其中目标层为网络异常交易风险评价度y，准则层为所选取出的四个关键影响因素产品识别风险1、电子支付风险x2、质量控制风险x3及信息传送风险4，同时该层也属于一级指标，指标层属于二级指标，对应准则层各影响因素共包含8个二级指标，构建网络异常交易风险评价指标体系，如表1所示。表1网络异常交易风险评价指标体系目标层准则层指标层网络异常交易产品识别风险x1商品基本信息的丢失率x11风险评价度y商品的真实率x12电子支付风险x2支付平台的安全性x25电子支付的效率x31质量控制风险x3产品包装的完好性x35产品运输的效率x36信息传送风险x4网站的安全性x45信息更新频率x462.2正态云模型构建及参数估计2.2.1正态云模型网络异常交易评先评价度y作为因变量，准则层各影响因素作为自变量，以自变量作为样本输入，因变量作为输出，二者均属于正态云数据，同时以实数表示的广义正态云线性回归模型即为回归参数，即y()=Co+Ci+C2x2i+.+Cg(1)qqi式(1)中,i=1,2,n,回归参数以c,表示,且j=0,1,9,此参数属于实数值；因变量y与自变量x均属于正态云表示的样本数据。继续通过正态云x=（Ex i，En j i t，H e;t）表示自变量，其中(Ex,En,He)代表三个数字特征，因此式（1)可调整成：y(x,)=c(1,0,0)+ci(Ex,Eni,He)+c2(Ex2i,En2i,He2i)+.+c,(Exgi,Engi,Hegi)(2)设定系数k;R与n个正态云模型C,=（Ex;,En i，H e.）均在论域U内，通过软和运算n个正态云模型C，可将全新的综合正态云C,=（Ex,En，,H e,）获取到,其表达式为C,=(Ex,Ens,He,)nkC.Exk,En;k,He(3)2i=1=1i=1以综合正态云的设定为依据，可得出式（2）中正态云线性回归模型（x）的合成云模型y(x:)=(Ex,En,He):c,En元c,He(4)CFj=0=0=0通过式（4）能够得出，模糊线性回归模型与经典线性回归模型二者的推广模式即为正态云线性回归模型，若此式模型内的云因变量y（）与云自变量对全部ij均有He=0，那么该模型即向具备正态模糊数模式的模糊线性回归模型转化；若此式模型内的云因变量y（x；）与云自变量x对全部i，j 均有En=He=O,那么该模型即向经典线性回归模型转化。2.2.2模型参数估计为了确定式（4)中正态云回归模型的参数c，需通过广义回归方程实现最小因变量拟合值y同实际值y：偏差。设288定定性概念正态云Ci=（E，En H e）与C2=（Ex 2，En 2，He,）均存在于论域U内，二者间的期望曲线间距可表示为D(Ci,C,)=(Ex-Ex2)?+(En;+Hej-En;+Hes)?(5)以式（5）及最小二乘法原理为依据得知，需令正态云因变量拟合值y同实际值y之间的间距均方误差E最低，也就是需要得出minZD(y:-y.)(6)由式（6）可得出间距均方误差E为2D(-i)=2(-22E=CEx=1i=1j=0(En,+He-2c,Eni-2c.He)*(7)2=1=0i=0结合微积分得知，为对模型中的回归参数c,实施估计，应使间距均方误差E对全部回归参数c，的一阶偏导数均达到零，如下式aE=-2(Ex-20Ea)=0i=1j=0(8)aE=-22(Ex-2c,Exg)c设定X,=Exm,X,=En2g+He2g,Y,=Exm,Y,=En,+Hemyn，c=c。，那么式（8）线性方程组所转化成的矩阵可表示为(XX,+X2X,)c=XY,+X2Y2(9)式(9）中,因XX,+XX2具有可逆性，故该式两侧均与（X,X,+X 2 X,）-相乘之后，能够将正态云回归模型的参数估计值获取到，即为c=(X,X,+X2X,)-I(XX,+X,X,)(10)针对正态云回归模型的评价效果，可通过合成云，和现实值y二者间的云期望曲线间距之差E，实施检验，该值与间距均方误差E越低，则表明现实定性概念值和正态云回归模型的误差预估值之间期望曲线距离越小，代表位于期望曲线附近的各云滴越靠近，此时正态云回归模型的评价结果越准确10 2.3基于正态云模型的综合评价算法由于网络异常交易风险评价指标集U内具备定量与定性两类指标，为符合所构建正态云模型的需求，应分别对两类指标实施处理，同时运用量化方式数值化处理其中的定量指标。设定论域上具备评价指标集U=ui，u z，,u,），与其相对的评价结果等级集合以V=u1,2，,m表示，假设网络异常交易风险评价指标集内的定量与定性指标数量分别为p个与a个,则总评价指标数量n=p+a,基于正态云模型的网络异常交易风险评价过程为：1)确定定性指标等级隶属度：以论域U评价结果的等级集合V为依据，将群决策专家所决策出的定性指标等级决策值u获取到；在此基础上，将评价隶属于；等级的指标u；的专家总数表示为n;，则其隶属度为;=n;/n，a 个定性指标的等级隶属度矩阵为R,=（g）a x m2)确定定量指标等级隶属度：定量指标值以X=x1,*2，,x,l表示,划分评价结果为m个等级,也就是V=1,u2，m;设划分完等级的指标以u；表示，与其相对的等级概念值，的上限值与下限值依次以与表示，以所构建正态云模型的需求为依据，需云化处理u，即U+LEx2(11)ULEni6超熵He,可经由试验等方式取值，故u；与等级概念值u;相对的云模型以C，（Ex g，En g，H e g）表示，与其对应的定量指标等级标准矩阵为C=C,(Ex,Eny,He,)pxm(12)依据式（12)向隶属度矩阵内代人定量指标的云化值，可得Rz=（g）p x m，基于此将每个指标值及其等级隶属度确定。当所构建正态云模型反复N次运行后，各隶属度的平均综合值为(13)3)排序评价：对定性与定量指标的等级隶属度矩阵R1与R2实施综合后，将整个指标体系的等级隶属度矩阵获取到，即为R=（u g）n x m，本研究中依据实际所需划分最终评价等级为较优、优、一般及较差四个等级；指标权重向量以W表示，且W=W（Ex，En，H e）1x，结合W与R可得综合评价向量B,表示为B=WR=B,(Ex,En,He,)1xm(14)以综合评价向量B与各熵值的大小为依据，同时与隶属度相应的评价等级相结合，按照从优到劣的顺序排列次序后，实现对评价目标的网络异常交易风险的评价。3丝结果分析选取AE5个网络营销企业作为实验对象，运用本文算法对各个实验企业的网络异常交易的风险进行评价，检验本文算法的评价效果。5个实验企业中，A企业为家居类产品进行网络交易的企业，B、C 企业的销售产品为服饰类，D、E企业的销售产品为护肤彩妆类。通过本文算法对5个实验企业（AE）的异常交易风险展开评价，获取到各实验企业一级评价指标与网络异常交易风险优度的正态云数据，详见表2。表2正态云数据统计网络异常交编号一级指标正态云数据易风险优度A产品识别风险x1(47,4.01,0.78)(21,3.94,0.75)电子支付风险x2(62,3.44,0.67)质量控制风险x3(77,1.44,0.33)289网络异常交编号一级指标正态云数据易风险优度y信息传送风险x4(30,2.78,0.55)B产品识别风险x1(67,2.94,0.58)(46,3.78,0.72)电子支付风险x2(80,2.61,0.53)质量控制风险x3(63,3.28,0.64)信息传送风险x4(61,2.78,0.55)C产品识别风险x1(65,2.94,0.58)(44,3.44,0.67)电子支付风险x2(86,2.61,0.53)质量控制风险x3(61,3.28,0.64)信息传送风险x4(60,2.78,0.55)D产品识别风险x1(30,4.11,0.78)(69,3.28,0.64)电子支付风险x2(81,2.78,0.55)质量控制风险x3(79,2.61,0.53)信息传送风险x4(95,2.44,0.50)E产品识别风险x1(30,4.28,0.80)(76,3.28,0.64)电子支付风险x2(31,3.44,0.67)质量控制风险x3(52,2.94,0.58)信息传送风险x4(95,1.94,0.42)通过matlab软件向本文算法内的式（12）代人表2 中正态云数据，可获取到各项评价指标的正态云回归系数，见表3。表3各项评价指标的正态云回归系数评价指标正态云回归系数c产品识别风险x10.0267电子支付风险x20.1072质量控制风险x30.2318信息传送风险x41.0093分析表3能够得知，四个评价指标的正态云回归系数由大到小排序依次为c4c3c2C1，说明对于各个实验企业网络异常交易风险的影响程度而言，由高到低排序各评价指标均为信息传送风险一质量控制风险一电子支付风险一产品识别风险，由此可见，信息传送风险对网络异常交易风险的影响最大，而产品识别风险的影响相对较小。依据表2 内正态云数据，通过本文算法得出各实验企业网络异常交易风险评价指标的等级隶属度及综合评价向量值，则各实验企业网络异常交易风险评价结果如表4所示。表4名各实验企业网络异常交易风险评价结果编号较优优一般较差A(0.062,0.018,0.014)(0.166,0.043,0.033)(0.264,0.062,0.041)(0.160,0.039,0.029)B(0.082,0.033,0.024)(0.193,0.046,0.033)(0.360,0.063,0.035)(0.073,0.034,0.042)C(0.165,0.064,0.037)(0.219,0.038,0.032)(0.205,0.063,0.042)(0.134,0.043,0.032)D(0.294,0.062,0.041)(0.228,0.050,0.036)(0.240,0.048,0.029)(0.065,0.042,0.038)E(0.063,0.024,0.019)(0.160,0.042,0.029)(0.262,0.053,0.029)(0.270,0.049,0.038)依据表4内所得数据对各实验企业的网络异常交易风险按由高到低实施排序，所得排序结果详见表5。表5各实验企业网络异常交易风险评价水平排序编号加权绩效绩效排序A(2.619 0.323 0.230)5B(5.331 0.564 0.319)3C(4.8420.459 0.286)4D(6.189 0.738 0.375)2E(6.370 0.779 0.405)1由表5能够得出，5个实验企业中，企业E的网络异常交易风险位于首位，企业D的网络异常交易风险水平与E较为接近，企业A的网络异常交易风险水平排在最末位，其它两个企业的网络异常交易风险水平居中，可见，在所选取的5个实验企业中，护肤彩妆类企业的网络异常交易风险相对较高，服饰类企业居中，而家居类企业的网络异常交易风险水平相对较低，需要重点关注网络异常水平较高的企业，并重点针对网络异常交易风险中的信息传送风险与质量控制风险方面的风险予以降低为了进一步检验本文算法的评价效果，选取基于模糊分析法的风险评价算法与基于模糊物元法的风险评价算法作为本文算法的对比方法,两个对比算法分别出自文献5 与文献6 。对比三种算法的评价误差情况，对比结果如图2 所示。本文算法文献5 算法文献6 算法1815129630ABCDE企业编号图2各算法评价结果误差情况对比290上接第2 7 3页）通过图2 能够得出，三种算法中，文献6 算法的评价结果误差最高，本文算法虽存在误差，但误差相对于其它两种算法较低，由此可见，本文算法评价结果可信度较高，可用于实际网络异常教育风险评价中，为企业有效减低其网络网络异常交易风险提供科学依据。4结论本文针对基于正态云模型的网络异常交易风险评价算法实施仿真分析，构建包含两级指标层与目标层的网络异常交易风险评价指标体系，以目标层作为因变量，指标层作为自变量，构建正态云模型并对模型参数实施估计，运用参数估计后的正态云模型对网络异常交易风险实施综合评价。通过实验验证可知，本文算法的评价结果误差低，所得结果准确可靠，可为企业制定有效地降低网络异常交易风险提供依据。参考文献：1孟科学，魏霄，侯贵生。网络社交场景中金融活动的风险治理J.改革,2 0 2 0,(2)：116-12 4.2王理。网络交易风险及防范机制研究J.经济研究导刊，2018,(31):93-94.3孙莉娜.企业关联交易风险管理及其防范【J.现代商业，2021,(18):112-114.12Ren Haoran et al,A Novel Cardiac Auscultation MonitoringSystem Based on Wireless Sensing for Healthcare.J.IEEEjournal of translational engineering in health and medicine,2018,6.13P Lubaib,K V Ahammed Muneer.The Heart Defect AnalysisBased on PCG Signals Using Patterm Recognition TechniquesJ.Procedia Technology,2016,24.14Stein Paul D.Understanding heart sounds and murmurs,third edi-tion J.Clinical Cardiology,2010,17(8):458-459.15张恒，潘仲明.平稳小波去噪算法中的参数选择J.国防科技大学学报,2 0 19,41（4)：16 5-17 0.16 何思源，李贵元，刘华姣，董立杰.最优小波基选择法在测震数据干扰处理中的研究与应用J.华南地震，2 0 19,39(3)：49-56.17王新房.第一、第二心音产生机制方面观点的改变J.武汉医学院学报,197 7(2）：11-14.18徐方辰，邢炜宁.基于端点检测的光纤振动信号识别J.智能计算机与应用,2 0 2 1,11(5):6 5-6 8,7 6.19姚如苹，孙静，潘家华，王威廉。基于变值逻辑与深度学习模型的心音分类研究J.云南大学学报（自然科学版），2 0 2 1，43(5):859-867.4李莉.集团企业关联交易风险及其防范研究J.大众投资指南,2 0 2 1,(9):2 1-2 2.5张恒，卜祥雅，丁华军，唐根丽.基于模糊层次分析法的蚌埠公共资源交易平台招投标风险评价研究J.辽宁工业大学学报（社会科学版）,2 0 2 0,2 2（2)：59-6 2.6米喆.基于模糊物元法的公共资源交易风险评价研究J.科技资讯,2 0 17,15(9)：2 0 7,2 11.7何刚，王雯雯，夏业领，等.基于正态云模型的区域生态安全评价J.安全与环境学报，2 0 18，18（2）：8 0 7-8 13.8朱会娟，陈锦富，李致远，殷尚男.基于多特征自适应融合的区块链异常交易检测方法J.通信学报，2 0 2 1,42（5）：41-50.9龚艳冰，巢妍.基于不确定正态云组合权重的综合评价方法研究J.统计与信息论坛，2 0 2 0,35（5）：3-8.10龙伟芳，叶绪国.未知误差分布下线性回归模型的非参数自适应估计J.西北师范大学学报（自然科学版），2 0 19，55(1):26-34.作者简介桑振（198 7-），男（汉族），河北保定人，博士，讲师，研究方向：服务营销、企业社会责任、消费者行为、内部影响等。胡建（198 1-），男（汉族），河北吴桥人，博士研究生，副教授，研究方向：农业经济和土地经济。20A K DwivedI,et al.Algorithms for Automatic Analysis and Classi-fication of Heart Sounds-A Systematic ReviewJ.in IEEE Ac-cess,2019,7:8316-8345.21Liu C et al.An open access database for the evaluation of heartsound algorithms J.Physiological Measurement,2016,37(12):2181-2213.作者简介沈伊（1998-），女（回族），云南省昆明市人，硕士研究生，主要研究领域为信号处理、生物医学信号处理等。孙静（196 4-），女（汉族），云南省昆明市人，硕士，副教授，硕导，主要研究领域为数字电视及通信电路集成、宽带无线通信、生物医学信号处理。杨宏波（198 5-），男（汉族），云南省昆明市人，博士，云南省阜外心血管病医院主治医师，主要研究领域为心脏内科。王威廉（1947-），男（汉族），云南省昆明市人，教授，主要研究领域为信号处理与模式识别、生物医学信号处理、数模混合IC及ASIC设计(通讯作者)。