基于隐马尔科夫模型的移动应用端行为模式识别
人脸识别综述
人脸识别综述摘要:首先介绍了人脸识别的发展历程及基本分类；随后对人脸识别技术方法发展过程中一些经典的流行的方法进行了比较详细的阐述。
最后介绍了人脸识别的应用及发展现状，总结了人脸识别所面临的困难。
关键词:人脸识别1引言人脸是人类最重要的生物特征之一，反映了很多重要的生物信息，如身份，性别，种族，年龄，表情等等。
随着计算机技术的飞速发展，基于人脸图像的计算机视觉和模式识别问题也成为近些年研究的热点问题。
其中包括人脸检测，人脸识别，人脸表情识别等各类识别问题。
对于人脸识别问题的研究已有几十年的时间，在理论研究和实际开发方面都取得了一定的进展，并且目前已有一些电子产品配备了人脸识别系统。
但是，对于人脸性别和种族识别的研究却比较少，但研究这个问题的意义和实际价值却是不可忽视的。
在实际公共场所的安检系统中，大多数情况下都是将多种模式识别系统结合在一起，以尽量提高检测识别的准确度，性别识别系统也是其中不可缺少的一部分。
对它的研究不仅有助于提供更多个性化的人机交互方式，还可以应用于各种监控系统、电子产品的用户身份鉴别和信息采集系统。
从理论意义上来说，也丰富了原有的人脸识别方法，使得人脸识别系统不但可以识别出被识别者是谁，还能自动给出其性别和种族，从而提高人脸识别的准确率和图像检索效率。
所谓人脸识别,就是利用计算机分析人脸视频或者图像,并从中提取出有效的识别信息,最终判别人脸对象的身份。
人脸与人体的其他生物特征(指纹、虹膜等)一样与生俱来,它们所具有的唯一性和不易被复制的良好特性为身份鉴别提供了必要的前提；同其他生物特征识别技术相比,人脸识别技术具有操作简单、结果直观、隐蔽性好的优越性。
因此,人脸识别在信息安全、刑事侦破、出入口控制等领域具有广泛的应用前景。
2人脸识别的发展历程及方法分类关于人脸识别的研究最早始于心理学家们在20世纪50年代的工作，而真正从工程应用的角度来研究它则开始于20世纪60年代。
最早的研究者是Bledsoe,他建立了一个半自动的人脸识别系统,主要是以人脸特征点的间距、比率等参数为特征。
HMM-简介
P(O | λ) = ∑ β1 (i) i =1
解码问题—Viterbi算法
Viterbi算法采用动态规划算法。复杂度为O(K 2L) 。其中 K和 L分别为状态个数和序列长
度。
定义δ t (i )
=
max
q1,q2 ,...qt−1
P[q1 q2 ...qt−1 , qt
=
i, O1,O2,…Ot ,
3） 终止：
N
P(O | λ ) = ∑α T (i) i=1
其中递推是整个算法的核心。 后向算法和前向算法性质上是一样的，只是递推方向不同。定义后向变量：
β t (i) = P(Ot +1Ot +1...OT | qt = Si ,λ )
也就是给定模型参数，当时刻 t的状态是Si 的时候，从时刻 t＋1到序列结束的输出观察序
对于 HMM 模型，其的状态转换过程是不可观察的，因而称之为“隐”马尔可夫模型。
HMM定义
1) X代表一组状态的集合,其中 X = {S1, S2,..., SN } ，状态数为 N,并用qt 来表示 t时刻的 状态。虽然状态是隐藏的，但对于很多应用来说，有一些物理的意义都和状态或者状态 集相关。状态内部的联系就是从一个状态可以到其它状态。
集合的元素作为混合高斯模型的分量，实现的是带隐变量的
最大似然估计。
的 HMM，可能有aij ＝0（对于一对或多对 i，j）。
4) 状态 j的观察概率分布 B = {b j (k)} ，表示状态 j输出相应观察值的概率，其中
bj (k )
=
P{O t
= Vk
|q t
=
S },1 ≤ j
j
≤
N
1≤k ≤ M 。
【计算机应用研究】_模式识别_期刊发文热词逐年推荐_20140722
1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1
53 54 55 56 57 58 59 60 61 62 63
2011年 科研热词 推荐指数 模式识别 2 人脸识别 2 韵律间断 1 韵律 1 非参数回归 1 集成分类回归树 1 随机投影 1 酉子空间 1 速度估算 1 近邻传播聚类 1 语音识别 1 识别率 1 计算复杂度 1 自适应 1 突发特征 1 确定性学习 1 盲解码 1 电子信息产业 1 生物识别 1 状态识别 1 特征轨迹 1 特征提取 1 深度报文检测 1 沃尔什-哈达马变换 1 模式匹配 1 核典型相关分析 1 智能交通 1 时钟同步 1 时钟偏移 1 无人地面车辆 1 指纹 1 层级结构 1 局部线性回归 1 局部特征描述 1 局部保持投影 1 学术会议 1 多空间概率分布隐马尔可夫模型(msd-hmm) 1 多核并行计算 1 多尺度分析 1 多姿态 1 基频 1 图像聚类 1 图像模式识别 1 图像文本区域 1 图像处理 1 哈希 1 合作策略 1 可编程控制器 1 印刷套准 1 协同系统 1 删除卷积码 1 内存占用量 1
2008年 序号 1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 19 20 21 22 23 24 25 26 27 28 29 30 31 32 33 34 35 36 37 38 39 40 41 42 43 44 45
科研热词 推荐指数 模式识别 2 模式匹配 2 隐马尔可夫模型 1 遥感图像 1 遗传算法 1 道路提取 1 运动分析 1 轨迹识别 1 语义异构 1 语义信息集成 1 行为模式 1 网络入侵检测系统 1 统计分析系统 1 竞争-径向基函数神经网络 1 研究和实现 1 独立分量分析 1 特征发现 1 正则表达式 1 检测过滤 1 桥接模式 1 本体 1 智能交通系统 1 文档对象模型结构分析 1 数字信号处理器 1 径向基网络 1 径向基函数神经网络 1 小波变换 1 多条件加权 1 博客网页 1 协议识别 1 创新设计 1 分类器 1 内容安全 1 伪肯定率 1 伪否定率 1 人工免疫学 1 交通特征参数 1 交通信息采集系统 1 云模型 1 主成分分析 1 串匹配技术 1 个体识别 1 上下文仲裁 1 web用户行为 1 gabor 滤波器 1
【计算机应用】_隐马尔科夫模型_期刊发文热词逐年推荐_20140724
推荐指数 1 1 1 1 1 1 1
2010年 序号 1 2 3 4 5 6 7 8
科研热词 聚类 特征复原 汉语 条件随机域 多权值神经网络 声调识别 垃圾信息 仿生模式识别
推荐指数 1 1 1 1 1 1 1 1
2011年 序号 1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 19
2013年 序号 1 2 3 4 5 6 7 8
科研热词 隐马尔科夫模型 非平稳信源 身体倾角 跌倒识别 后向算法 参数估计 前向算法 三轴加速度传感器
推荐指数 2 1 1 1 1 1 1 1
Hale Waihona Puke 2014年 序号 1 2 3 4 5 6 7 8
2014年 科研热词 隐马尔科夫模型 邻居信息 误检率 词性标注 生词处理 无线传感器网络 故障诊断 准确率 推荐指数 2 1 1 1 1 1 1 1
2011年 科研热词 隐马尔科夫模型 驾驶员疲劳 音素语音语料库 音素自动切分 隐马尔科夫 语音合成 语义鸿沟 表情识别 自动图像标注 维吾尔语 状态空间隐射 智能汽车空间 扩展c型hmm模型 共生关系 免疫克隆 事件检测 上下文推理 perclos hmm 推荐指数 2 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1
2012年 序号 1 2 3 4 5 6 7 8 9 10 11 12 13 14 15
科研热词 隐马尔科夫模型 非线性幂函数 词性标注 自然语言处理 神经网络 环境声音识别 混合特征 混合模型 大词表连续语音识别 多路径 哈萨克语 双层模型 入侵检测 人工神经网络模型 中间能量偏差
推荐指数 3 1 1 1 1 1 1 1 1 1 1 1 1 1 1
HMM介绍及其在语音识别中的应用(新)
N
State 1(N) N
2(N) 3(N)
T(N)
3 2 1 1
1(3)
2(3)
T(3)
3(3) 3(2) 3(1) 3 T(1) T T(2)
1(2)
1(1) 2
2(2)
2(1)
估计问题—后向算法
定义后向变量： t (i) P(ot 1ot 2 ...oT | qt i, )
特征的多样性
– 通过训练数据，覆盖音段特征的变化，进而用于模型参数训练，通过模 型参数的统计分布加以反映 对应于两个随机过程 – 状态与音段特征间的统计关系 – 状态转移统计描述平稳段间的如何转移
4.模型定义
L个有限状态Sj构成状态集；任意时刻n所处状态为的xn；任意时刻n的
特征矢量（输出观察）为yn。对应于三个模型参数（离散概率） – 初始状态概率矢量
2.动态模型
形成过程 – 连续语音切分为识别单元—音段 – 每个音段采用一组数量有限的状态加以刻画 – 状态的变化反应了语音特征的变化 – 各时刻所处状态依概率而存在
1
2
3
1
1 2
1 2 2
三状态自左到右无跳转HMM模型
自左到右无跳转HMM模型 – 转移概率矩阵A=[aij], i+1>=j>=i – 观察概率矩阵B=[bi]
问题三：给定观测序列，如何调整参数 使条件概率 P(O | ) 最大？
——学习问题
如何解决三个基本问题
估计问题: 前向算法和后向算法 解码问题: Viterbi算法 学习问题：Baum-Welch算法
估计问题—前向算法
t (i) P(o1o2 ...ot , qt i | ) 定义前向变量：
【国家自然科学基金】_人体动作识别_基金支持热词逐年推荐_【万方软件创新助手】_20140803
2012年 序号 1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 19 20 21 22 23 24 25 26 27 28 29 30 31 32 33 34 35 36 37 38 39 40 41 42 43 44 45 46 47 48 49 50 51 52
1 1 1 1 1
2013年 序号 1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 19 20 21 22 23 24 25 26 27 28 29 30 31 32 33 34 35 36 37 38 39 40 41 42 43 44 45 46 47 48 49 50 51 52
科研热词 推荐指数 动作识别 7 行为识别 4 神经网络 3 特征提取 3 计算机视觉 2 时空兴趣点 2 加速度传感器 2 人体动作识别 2 主题模型 2 隐条件随机场 1 阈值选择 1 部件检测器 1 连续空间关系模型(crm) 1 轮廓 1 跌倒检测 1 超兴趣点 1 谱聚类 1 触电电流 1 触电信号识别 1 角度传感器 1 视觉特征提取 1 表面特征 1 自回归滑动平均动态模型 1 能量有效 1 背景差分 1 肌电控制 1 聚类 1 结构融合 1 粒子群算法 1 类内类间距离 1 窗函数 1 空间分布特征 1 留一法 1 特征融合 1 泄漏电流 1 步态识别 1 模式识别 1 模式分类 1 梯度直方图 1 朴素贝叶斯分类器 1 有限状态机 1 最小二乘法 1 时空距离 1 无线体域网 1 故障检测 1 支持向量机 1 抓取分类学 1 慢特征分析 1 微惯性传感器 1 径向基函数 1 康复训练 1 广度优先搜索邻居 1
2008年 序号 1 2 3 4 5 6 7 8 9 10 11
【计算机应用研究】_行为识别_期刊发文热词逐年推荐_20140723
推荐指数 2 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1
2013年 序号 1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 19 20 21 22 23 24 25 26 27 28 29 30 31 32 33 34
推荐指数 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1
2009年 序号 1 2 3 4 5 6 7 8
科研热词 运动目标检测 签名匹配 空间分割法 流量识别 时间分割法 哈希映射表 协议签名 p2p
推荐指数 1 1 1 1 1 1 1 1
推荐指数 2 2 2 2 2 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 5
2014年 科研热词 数据预处理 引用启发式 会话识别 web日志挖掘 url语义 推荐指数 1 1 1 1 1
科研热词 输入参数 恶意软件检测 基于行为检测 信息增益值 api调用名 隐马尔科夫模型 隐马尔可夫模型 隐私保护 通用可用性 身体倾角 跌倒识别 语义 认知负荷 角点 视频监控 行为识别 行为分析 能量特征 群体异常 类型笔触 理解 概念设计 手绘 恶意入侵 去身份识别 动能方向距离 分布式认知理论 几何 光流 交互设计 交互界面 主动防御 三轴加速度传感器 api hook
2008年 序号 1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 19 20 21 22 23 24
科研热词 高层行为与场景理解 隐马尔可夫模型 通信 运动表征 运动分析 轨迹识别 视频识别网络 视频图像理解 视频图像分割 行为识别 行为理解 行为模式 统计分析系统 研究和实现 目标识别 特征选择 消息中间件 最佳步长 径向基函数神经网络 场景理解 发布订阅系统 人脸表情识别 人工鱼群算法 web用户行为
《复杂背景下的声音信号识别技术研究》
《复杂背景下的声音信号识别技术研究》一、引言在现今科技高度发展的时代，声音信号识别技术已经成为人工智能、物联网等领域中重要的研究方向。
尤其是在复杂背景下，如何准确地识别和提取声音信号中的信息，已成为当前研究的热点和难点。
本文将针对复杂背景下的声音信号识别技术进行深入研究，旨在探讨其原理、方法及实际应用。
二、复杂背景下的声音信号识别技术概述复杂背景下的声音信号识别技术是指在不考虑噪声、干扰、背景等复杂因素的影响下，利用现代信号处理技术和人工智能算法，对声音信号进行有效地提取、分析和识别的技术。
其涉及领域广泛，包括语音识别、音频监控、语音交互等多个方面。
三、复杂背景下的声音信号识别技术的原理复杂背景下的声音信号识别技术主要依赖于数字信号处理技术、语音信号处理技术和机器学习算法。
首先，通过数字信号处理技术对原始声音信号进行预处理，包括降噪、滤波等操作；其次，利用语音信号处理技术对预处理后的声音信号进行特征提取和参数估计；最后，通过机器学习算法对提取的特征进行训练和分类，实现声音信号的识别。
四、复杂背景下的声音信号识别技术的方法针对复杂背景下的声音信号识别，目前常用的方法包括基于模板匹配的方法、基于隐马尔可夫模型（HMM）的方法、基于深度学习的方法等。
其中，基于深度学习的方法在近年来得到了广泛的应用和关注。
该方法通过构建深度神经网络模型，对声音信号进行特征学习和表示，从而实现对声音信号的准确识别。
五、复杂背景下的声音信号识别技术的应用复杂背景下的声音信号识别技术在多个领域得到了广泛的应用。
首先，在智能语音交互领域，该技术可以实现人机交互的自然化、智能化和高效化；其次，在音频监控领域，该技术可以实现对各种异常声音的实时监测和预警；此外，在医疗、安防等领域也得到了广泛的应用。
六、复杂背景下的声音信号识别技术的挑战与展望尽管复杂背景下的声音信号识别技术已经取得了显著的进展，但仍面临着诸多挑战。
首先，如何有效地抑制噪声和干扰的影响，提高识别的准确性；其次，如何对不同领域的声音信号进行有效地特征提取和表示；此外，如何设计更加高效和准确的机器学习算法等问题仍需进一步研究和探索。
《模式识别》课程标准精选全文完整版
可编辑修改精选全文完整版《模式识别》课程标准一、课程概述1.课程性质《模式识别》是人工智能技术服务专业针对人工智能产业及其应用相关的企事业单位的人工智能技术应用开发、系统运维、产品营销、技术支持等岗位，经过对企业岗位典型工作任务的调研和分析后，归纳总结出来的为适应人工智能产品开发与测试、数据处理、系统运维等能力要求而设置的一门专业核心课程。
2.课程任务《模式识别》课程通过与各类特征识别应用案例开发相关的实际项目学习，增强学生对本专业智能感知与识别算法知识的认识，训练他们养成良好的解析思维习惯，在理解理论知识的基础之上，根据实现情况分析与设计出最优解决方案，再用编程方式实现特征提取和识别算法并加以应用的能力，从而满足企业对相应岗位的职业能力需求。
3.课程要求通过课程的学习培养学生智能感知与识别算法应用方面的岗位职业能力，分析问题、解决问题的能力，养成良好的职业道德，为后续课程的学习打下坚实的基础。
二、教学目标（一）知识目标（1）了解模式识别的概念，掌握通过编程实现模板匹配算法来解决简单的模式识别问题的能力；（2）了解常用模式识别算法的原理，能初步利用该类算法解决具体模式识别问题的一般方法；（3）理解特征提取与降维的概念及主要方法，并能够在解决模式识别问题的过程中加以应用；（4）详细了解BP神经网络的原理，熟练掌握利用该算法解决手写体识别问题的方法；（5）详细了解朴素贝叶斯分类器算法的原理，熟练掌握利用该算法解决打印体文字识别问题的方法；（6）详细了解基于隐马尔可夫模型的语音识别原理，熟练掌握利用该模型解决语音识别问题的方法；（7）详细了解基于PCA和SVM模型的人脸识别原理，熟练掌握利用该模型解决人脸识别问题的方法。
（二）能力目标（1）会识读程序流程图，能看懂案例程序代码；（2）会使用Python语言实现“模式识别”常规算法；（3）能按照任务要求，设计程序流程图，编写程序代码；（4）能够根据系统功能要求对程序进行调试；（5）能够对所编写的程序故障进行分析，提出解决方案并进行故障排除：（6）能根据系统工作情况，提出合理的改造方案，组织技术改造工作、绘制程序流程图、提出工艺要求、编制技术文件。
【国家自然科学基金】_连续隐马尔可夫模型_基金支持热词逐年推荐_【万方软件创新助手】_20140730
推荐指数 2 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1
2011年 序号 1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17
2011年 科研热词 推荐指数 隐马尔可夫模型 2 速度插补 1 连续隐马尔可夫模型 1 谱相关密度 1 计算机视觉 1 自动控制技术 1 电子凸轮 1 滚动轴承 1 故障诊断 1 振动信号 1 字符识别 1 多层感知器 1 图像处理 1 区分性训练 1 区分性模型组合:语音识别 1 前瞻预测 1 pvt 1
推荐指数 4 3 3 2 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1
2010年 序号 1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 19
科研热词 隐马尔可夫模型 隐马尔可夫树-3s模型 隐马尔可夫(hmm) 语音识别 语言模型 词性标注 表情识别 维吾尔语连续语音识别 维吾尔语 最大期望值算法 支持向量机 多线程 多尺度融合 声学模型 命名实体 信息抽取 sar图像分割 k近邻距离分类器 ddbhmm
2008年 序号 1 2 3 4 5 6 7 8 9 10 11
科研热词 隐马尔可夫模型 语音识别 马尔可夫族模型 音频信号 随机模型 轴承 段长 模式识别 动态贝叶斯网络 token传递模型 mel频率倒谱系数
推荐指数 2 2 1 1 1 1 1 1 1 1 1
2009年 序号பைடு நூலகம்1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 19 20 21 22 23 24 25 26 27 28 29 30 31 32 33 34 35 36 37
- 1、下载文档前请自行甄别文档内容的完整性，平台不提供额外的编辑、内容补充、找答案等附加服务。
- 2、"仅部分预览"的文档,不可在线预览部分如存在完整性等问题,可反馈申请退款(可完整预览的文档不适用该条件!)。
- 3、如文档侵犯您的权益，请联系客服反馈,我们会尽快为您处理(人工客服工作时间：9:00-18:30)。
摘要：随着移动应用的普及，作为恶意行为识别的基础，移动应用端的行为模式分析也成为
当前研究热点。本文创新地从系统环境数据入手，通过对系统多方面数据的监控，建立隐马
尔可夫模型，使用该模型对后续行为产生的系统环境数据进行隐马尔科夫估值计算，从而实
现对后续行为模式的识别，同时在后续识别过程中不断优化模型。本文通过实验证明该方式
具有一定有效性，为移动应用端行为模式识别提供了更多可能。
关键词：移动应用端；隐马尔可夫模型；行为模式
中图分类号：tp311.5 文献标识码：a 文章编号：1006-4311（2016）19-0173-03
0 引言
在移动设备迅速普及的今天，开展移动安全性研究势在必行。目前针对移动应用端恶意
行为检测的方式主要是对移动应用端的应用程序进行反编译，分析其源码是否存在于恶意行
为代码特征库，以此作为评判标准。但随着恶意行为代码特征库的不断增加会导致系统开销
增大，检测速度变慢。另外，随着黑客们使用的代码混淆技术的发展，也使之能够逃避这种
静态分析手段[1]。
因为程序的运行会造成系统环境数据变化，所以系统环境数据可以反映系统运行情况。
本文提出一种基于隐马尔可夫模型的行为模式识别方式，通过对移动应用端系统运行环境的
cpu使用率、内存使用率、进程数、服务数、流量数监测获得时间序列数据，对特定行为进
行隐马尔科夫建模，以待测行为的时间序列与特定的模型之间相似度为评判标准，并在每次
评判之后优化模型[2]。该方法目的在于有效识别行为模式，对移动端恶意行为分析的后续研
究提供前提，丰富了行为检测的手段，具有一定的实用价值。
1 马尔可夫模型介绍
2 隐马尔可夫模型介绍
2.1 隐马尔可夫模型
在马尔可夫模型中，每一个状态代表一个可观察的事件。而在隐马尔科夫模型中观察到
的事件是状态的随机函数，因此隐马尔科夫模型是一双重随机过程，其中状态转移过程是不
可观察的，而可观察的事件的随机过程是隐蔽的状态转换过程的随机函数（一般随机过程）
[3]。对于一个随机事件，有一观察值序列：o=o1，o2，…ot，该事件隐含着一个状态序列：
q=q1，q2，…qt。
2.2 隐马尔科夫模型使用前提
假设1：马尔可夫性假设（状态构成一阶马尔可夫链）p（qi|qi-1…q1）=p（qi|qi-1）
假设2：不动性假设（状态与具体时间无关）p（qi+1|qi）=p（qj+1|qj），对任意i，j
成立。
假设3：输出独立性假设（输出仅与当前状态有关）p（o1，…ot|q1，…，qt）=∏p（ot|qt）
隐马尔科夫模型在解决实际问题的过程中，需要事先知道从前一个状态st-1，进入当前
状态st的概率p（st|st-1），也称为转移概率，和每个状态st产生相应输出符号ot的概率
p（ot|st），也称为发射概率。描述它的数学表达式为：λ={n，m，a，b，∏}，下面对各个
参数逐一描述：
n表示隐状态s的个数，其取值为{s1，s2，…，sn}，
m表示显状态o的个数，其取值为{o1，o2，…，on}，
2.3 隐马尔科夫可以解决的三个问题
①评估问题：已知一个显状态序列o={o1，o2，…，on}，并且有确定的λ={n，m，a，b，
∏}组成的hmm参数，求发生此显状态的概率p（o|hmm）有效的解决算法是前向算法。
3 基于隐马尔科夫的移动应用端行为模式识别
3.1 获取时间序列
本文以android平台为例，获取运行环境的cpu使用率、内存使用率、进程数、服务数、
流量使用情况等五方面信息的时间序列。具体实现是在固定时间间隔，通过平台api调用访
问和解析相关系统文件来获取android平台运行环境的cpu使用率、内存使用率、进程数量、
服务数量、流量数等信息[6，7]。
3.2 时间序列归一化处理及综合编码
3.3 隐马尔可夫模型初始化及训练
本文hmm模型初始参数设置为：λ={n，m，a，b，∏}，其中，n=8（八个隐状态，即本
文考虑的7个行为外加一个混合行为），m=25（可能出现的25种显状态，即输入的编码序列
所能看到的25个码元状态），根据对实验数据各状态转换频率占比的统计，可以设置a为：
而b由于是在25个显状态时背后所处的8个隐状态概率，所以可以暂且设置元素为
1/25=0.04的25阶矩阵：
分别使用3.2节获得的7种行为和1种在混合行为下所监控得到的归一化序列作为上述
初始化模型的输入值，分别训练可以得到8个隐马尔科夫模型，分别用ⅰ、ⅱ、ⅲ、ⅳ、ⅴ、
ⅵ、ⅶ、ⅷ来表示。
3.4 行为模式识别
对于待识别的行为模式，依然是按照3.2节的方式产生隐马尔科夫模型的输入序列。计
算该待测序列与3.3节训练出的8个隐马尔科夫模型之间的相似度，即2.3.1所述参数评估
问题。取8个相似度中最大值所对应的隐马尔科夫模型的行为模式作为该待测序列的识别结
果。
为了每一次识别的准确性，本文还采取了隐马尔可夫模型的优化处理。具体方式：在每
一次识别后，使用待测序列去更新其对应的隐马尔科夫模型参数，即2.3.3节所述模型优化
问题。图1是隐马尔科夫训练模型的流程。
4 实验以及结果
5 小结