• <tr id="yyy80"></tr>
  • <sup id="yyy80"></sup>
  • <tfoot id="yyy80"><noscript id="yyy80"></noscript></tfoot>
  • 99热精品在线国产_美女午夜性视频免费_国产精品国产高清国产av_av欧美777_自拍偷自拍亚洲精品老妇_亚洲熟女精品中文字幕_www日本黄色视频网_国产精品野战在线观看 ?

    基于深度學(xué)習(xí)的MOOC作弊行為檢測研究

    2021-02-28 02:15:54萬子云陳世偉
    信息安全學(xué)報(bào) 2021年1期
    關(guān)鍵詞:池化作弊卷積

    萬子云 ,陳世偉 ,秦 斌 ,聶 偉 ,徐 明

    1 深圳大學(xué)電子與信息工程學(xué)院 深圳 中國 518061

    2 深圳大學(xué)機(jī)電與控制工程學(xué)院 深圳 中國 518061

    3 深圳大學(xué)信息中心 深圳 中國 518061

    1 引言

    近年來,大規(guī)模開放在線課程(Massive Open Online Courses,MOOC)作為一種全新的網(wǎng)絡(luò)在線課程模式受到了廣泛的關(guān)注,但是相比于線下教學(xué),缺少了必要的監(jiān)督,導(dǎo)致學(xué)習(xí)者通過作弊手段來完成相應(yīng)的學(xué)習(xí)任務(wù)的現(xiàn)象層出不窮,例如刷課、抄襲、替考等。隨著近幾年高校對MOOC 學(xué)分認(rèn)可度的提高,對MOOC 的作弊行為進(jìn)行檢測勢在必行。

    針對MOOC 存在的作弊問題,常規(guī)的解決方法分為兩種,一種是采用被動(dòng)防護(hù)的手段來阻止學(xué)習(xí)者作弊或者增加學(xué)習(xí)者作弊的難度;另一種則是采用主動(dòng)的檢測技術(shù)來發(fā)現(xiàn)作弊行為并進(jìn)行相應(yīng)的處理,以減少作弊行為的發(fā)生。對于第一種解決方法,一般是通過技術(shù)手段禁止學(xué)習(xí)者在在線學(xué)習(xí)過程做一些違規(guī)操作。例如,采用操作系統(tǒng)內(nèi)核的API 調(diào)用技術(shù)、系統(tǒng)消息攔截技術(shù)、回調(diào)技術(shù)、鉤子技術(shù)、注冊表訪問技術(shù)等手段對一些違規(guī)操作實(shí)施禁用或者屏蔽,從而達(dá)到禁止學(xué)生進(jìn)行頁面切換、答案復(fù)制及互助抄襲的目的,但是這種通過技術(shù)的手段來限制作弊的方法往往是不夠的,因?yàn)橛?jì)算機(jī)系統(tǒng)龐大復(fù)雜,這種硬編碼的防護(hù)方法在新的作弊手段下效果欠佳,所以還是需要采用檢測技術(shù)來對作弊行為進(jìn)行檢測。

    對于MOOC 的作弊行為檢測,工程應(yīng)用上一般是通過人工檢測與規(guī)則檢測相結(jié)合的方式進(jìn)行排查,但這種方法不僅要消耗大量的人力物力,還存在著檢測效率低和檢測效果欠佳等問題。學(xué)術(shù)研究上,常永虎等人[1]基于考生在網(wǎng)絡(luò)考試中的行為數(shù)據(jù),提出了一種基于互相抄襲的作弊檢測算法,該算法通過計(jì)算考生在答題的時(shí)間和答案上的相似度來判斷作弊的可能性。Ruiperez-Valiente J A 等人[2]開發(fā)了一種算法來識(shí)別使用CAMEO(使用多個(gè)賬號(hào)復(fù)制答案)方法進(jìn)行作弊的學(xué)習(xí)者,該算法通過比較學(xué)習(xí)者、問題和提交特征對CAMEO 的影響,建立了一個(gè)不依賴IP 的隨機(jī)森林分類器,以識(shí)別CAMEO 學(xué)習(xí)者。Sangalli V A 等人[3]針對學(xué)習(xí)者互相分享答案以及使用虛假賬號(hào)獲取正確答案這兩種作弊手段,設(shè)計(jì)了一些指標(biāo)來得到相應(yīng)的特征,再利用K-means 聚類算法對其進(jìn)行聚類來識(shí)別使用這兩種作弊手段的學(xué)習(xí)者。上述研究都是針對于某種特定作弊形式,構(gòu)造相應(yīng)的特征后采用統(tǒng)計(jì)學(xué)或機(jī)器學(xué)習(xí)的方法進(jìn)行作弊檢測。本文研究一種更加通用的,可解決多種作弊形式的作弊檢測模型。

    學(xué)習(xí)者在學(xué)習(xí)過程中所執(zhí)行的學(xué)習(xí)動(dòng)作路徑是不一樣的[4],例如正常的學(xué)習(xí)者會(huì)先觀看學(xué)習(xí)視頻,再做練習(xí),最后提交答案,異常的學(xué)習(xí)者可能會(huì)直接做練習(xí)或者集中在某一個(gè)時(shí)間段進(jìn)行刷課等。從本質(zhì)上看,MOOC 的作弊行為檢測屬于一種異常行為檢測問題。

    異常行為檢測問題廣泛存在于各個(gè)領(lǐng)域,例如網(wǎng)絡(luò)入侵檢測[5-6]、信用卡欺詐檢測[7]、故障檢測[8]、居民用電檢測[9]。根據(jù)已有的文獻(xiàn)研究,異常行為檢測算法可以分為基于人工提取特征的傳統(tǒng)機(jī)器學(xué)習(xí)算法和基于自動(dòng)化提取特征的深度學(xué)習(xí)算法[10],但是傳統(tǒng)機(jī)器學(xué)習(xí)算法過度依賴于人工特征提取,且常常由于特征提取不完整,導(dǎo)致模型性能不佳等問題。因此,許多學(xué)者嘗試使用基于深度學(xué)習(xí)的方法進(jìn)行異常行為檢測。

    卷積神經(jīng)網(wǎng)絡(luò)(Convolutional Neural Networks,CNN)[11]與循環(huán)神經(jīng)網(wǎng)絡(luò)(Recurrent Neural Networks,RNN)[12]是比較常見的深度學(xué)習(xí)網(wǎng)絡(luò)模型,CNN 的優(yōu)勢在于能夠在空間維度上提取局部特征,RNN 的優(yōu)勢在于能夠在時(shí)間維度上提取時(shí)序特征。對于復(fù)雜的MOOC 學(xué)習(xí)者的學(xué)習(xí)行為數(shù)據(jù),一般是具有序列性質(zhì)的,因此,在挖掘?qū)W習(xí)行為特征時(shí),需要考慮其空間上的聯(lián)系,也需要考慮其時(shí)間維度上的關(guān)聯(lián)信息。本文嘗試將深度學(xué)習(xí)模型應(yīng)用于MOOC 作弊行為檢測中,結(jié)合CNN 和RNN 網(wǎng)絡(luò)模型來對學(xué)習(xí)者的學(xué)習(xí)行為序列進(jìn)行建模,但是,普通的RNN一方面存在著梯度消失的問題,另一方面只能學(xué)習(xí)單個(gè)方向的時(shí)序特征,為了解決這些問題,本文將RNN網(wǎng)絡(luò)替換成其變種網(wǎng)絡(luò)—雙向門控循環(huán)單元(Bidirectional Gated Recurrent Unit,BiGRU)[13],采用CNN-BiGRU 聯(lián)合網(wǎng)絡(luò)提取學(xué)習(xí)行為序列的空間及時(shí)序特征。注意力(Attention)機(jī)制[14]是一種模擬人腦注意力機(jī)制的模型,已有實(shí)驗(yàn)表明,融入注意力機(jī)制的循環(huán)神經(jīng)網(wǎng)絡(luò)比單一的網(wǎng)絡(luò)在機(jī)器翻譯、情感分類、異常檢測等問題中有更好的表現(xiàn),Brown A 等人[15]在RNN 中引入了注意力機(jī)制,明顯提高了系統(tǒng)日志異常檢測的性能。

    本文的貢獻(xiàn)包括以下三個(gè)方面的內(nèi)容:

    (1) 針對之前的MOOC作弊行為檢測方法存在的應(yīng)用場景單一化,過度依賴人工提取特征,檢測效果不穩(wěn)定等問題,本文提出了一種基于CNN-BiGRUAttention聯(lián)合網(wǎng)絡(luò)的MOOC作弊行為檢測模型,該模型融合了CNN、BiGRU、Attention三層網(wǎng)絡(luò)結(jié)構(gòu),實(shí)現(xiàn)了自動(dòng)化特征提取,可以適用于多種作弊形式的檢測,性能較好。

    (2) 針對實(shí)際情況下,MOOC作弊行為檢測中存在的數(shù)據(jù)類別不均衡問題,采用數(shù)據(jù)擴(kuò)增的方法增加少數(shù)類樣本量后再進(jìn)行模型訓(xùn)練,增強(qiáng)了模型的泛化能力。

    (3) 實(shí)現(xiàn)了原型系統(tǒng),并基于真實(shí)場景下的數(shù)據(jù)進(jìn)行了實(shí)驗(yàn)驗(yàn)證,證明了本文提出方法的有效性。

    本文后續(xù)章節(jié)安排如下:第二部分,介紹MOOC原始行為日志數(shù)據(jù)的分析及處理過程;第三部分,詳細(xì)介紹MOOC作弊行為檢測模型設(shè)計(jì)方案;第四部分,對模型的性能進(jìn)行實(shí)驗(yàn)驗(yàn)證分析;第五部分,結(jié)論。

    2 數(shù)據(jù)處理及分析

    MOOC 平臺(tái)的行為日志文件是學(xué)習(xí)者學(xué)習(xí)行為數(shù)據(jù)記錄的主要載體,每一條行為日志數(shù)據(jù)詳細(xì)記錄了學(xué)習(xí)者與MOOC 平臺(tái)的交互信息。例如訪問時(shí)間、訪問IP、訪問路徑、請求數(shù)據(jù)、響應(yīng)數(shù)據(jù)、訪問者信息等。圖1 展示的是某學(xué)習(xí)者一條完整的行為日志數(shù)據(jù),本文對行為日志數(shù)據(jù)進(jìn)行json 解析,提取與研究問題相關(guān)的數(shù)據(jù)信息。

    圖2 為經(jīng)過數(shù)據(jù)解析后某學(xué)習(xí)者在一個(gè)時(shí)間段內(nèi)的學(xué)習(xí)行為路徑數(shù)據(jù),其中,不同的Uid 表示不同的學(xué)習(xí)者,Time 表示學(xué)習(xí)者執(zhí)行該動(dòng)作的時(shí)間,Path表示動(dòng)作的類型,Mark 是對動(dòng)作進(jìn)行的統(tǒng)一標(biāo)記,Description 是對動(dòng)作進(jìn)行的描述。本文以“教學(xué)天”為單位對學(xué)習(xí)者的學(xué)習(xí)行為動(dòng)作進(jìn)行聚合處理,得到一系列的具有時(shí)間先后順序的行為序列數(shù)據(jù),如圖3 所示。通過對學(xué)習(xí)行為序列長度進(jìn)行分析可知,正常學(xué)習(xí)者一天24 小時(shí)內(nèi)產(chǎn)生的學(xué)習(xí)行為序列長度一般為幾十到幾百,而通過作弊學(xué)習(xí)的行為序列長度往往很長,極端作弊者一天產(chǎn)生的行為序列長度最長可達(dá)幾十萬。由于行為序列建模與文本序列建模的原理類似,可以把學(xué)習(xí)者一個(gè)“教學(xué)天”的行為序列數(shù)據(jù)看作一篇文章,行為序列中的學(xué)習(xí)動(dòng)作看作文章中的單詞,由此可以利用Word2Vec[16]對行為序列中的每個(gè)動(dòng)作進(jìn)行向量表示,得到表征行為序列的特征向量矩陣后,將其作為深度神經(jīng)網(wǎng)絡(luò)模型的輸入,完成最終的檢測任務(wù)。

    3 MOOC 作弊行為檢測模型

    本文研究了一種深度學(xué)習(xí)混合模型CNN-Bi-GRU-Attention 用于MOOC 作弊行為的檢測,模型結(jié)構(gòu)如圖4 所示。分為嵌入層、卷積神經(jīng)網(wǎng)絡(luò)層、雙向門控循環(huán)單元層、注意力層、輸出層。下文將對各層進(jìn)行詳細(xì)描述。

    3.1 嵌入層(Embedding)

    正如前文所提到的,先利用Word2Vec 將行為序列中的行為動(dòng)作表示成密集的實(shí)數(shù)向量,才能將其輸入到神經(jīng)網(wǎng)絡(luò)模型中,嵌入層是整個(gè)模型的輸入,假設(shè)xi∈R1*d表示行為序列中第i 個(gè)動(dòng)作的詞向量,該詞向量的維度為d,則長度為n 的行為序列可表示為實(shí)數(shù)向量矩陣,如公式(1)所示。其中,⊕符號(hào)表示連接操作.。

    獲得行為序列的向量矩陣表征后,將其作為CNN 層的輸入,對其進(jìn)行卷積與池化操作,提取行為序列中的局部空間特征。同時(shí)將其作為BiGRU 層的輸入,提取行為序列的時(shí)序特征。

    3.2 卷積神經(jīng)網(wǎng)絡(luò)層(CNN)

    CNN 最初被廣泛應(yīng)用于計(jì)算機(jī)視覺領(lǐng)域,近年來,隨著深度學(xué)習(xí)在文本領(lǐng)域的研究逐漸增多,CNN 也被應(yīng)用于文本領(lǐng)域,用于提取文本序列的局部特征??紤]到學(xué)習(xí)者學(xué)習(xí)行為序列中,相鄰的幾個(gè)行為之間具有關(guān)聯(lián)關(guān)系,因此采用CNN 挖掘行為序列的局部信息。CNN 一般包含卷積和池化兩種操作,卷積操作以滑窗的方式在不同的地方提取文本序列中的局部信息,池化操作一般接在卷積操作的后面,主要作用是減少數(shù)據(jù)特征維數(shù),降低計(jì)算復(fù)雜度。

    3.2.1 卷積(Convolution)

    本文使用30 個(gè)尺寸為3 的卷積核提取行為序列中的局部空間信息。假設(shè)一個(gè)行為序列共有n 個(gè)行為動(dòng)作,每個(gè)動(dòng)作由一個(gè)d 維的向量表示,使用一個(gè)尺寸為h 的卷積核ω與h 個(gè)連續(xù)行為動(dòng)作進(jìn)行卷積操作后得到相應(yīng)的特征映射ci,卷積操作可由公式(2)表示。

    其中:xi:i+h-1是行為序列中第i 個(gè)到第i+h-1 個(gè)連續(xù)行為動(dòng)作組成的子行為序列向量矩陣;b 是偏置項(xiàng)。通過卷積操作后,可得到特征映射向量c=[ c1, c2, …,cn-h+1]。

    3.2.2 池化(Pooling)

    池化就是對卷積之后得到的特征映射向量c 進(jìn)行下采樣,求得局部最優(yōu)解Mi,池化分為最大池化和平均池化,本文模型使用最大池化,最大池化操作可以由公式(3)表示。

    由于池化會(huì)中斷序列結(jié)構(gòu),因此將經(jīng)過池化后的Mi連接成特征向量u,如公式(4)所示。其中,K 表示卷積核的個(gè)數(shù)。

    3.3 雙向門控循環(huán)單元層(BiGRU)

    RNN 是一類用于處理序列數(shù)據(jù)的神經(jīng)網(wǎng)絡(luò)模型,通過網(wǎng)絡(luò)中的循環(huán)結(jié)構(gòu)單元記錄序列數(shù)據(jù)的歷史信息,即當(dāng)前隱藏層的輸出不僅與當(dāng)前時(shí)刻的輸入有關(guān),還與前一時(shí)刻隱藏層的輸出有關(guān)[17]。普通RNN可以有效地利用近距離的語義特征,但存在著梯度消失的問題[18],為了解決該問題,RNN 出現(xiàn)了LSTM[19],GRU[20]等變體,GRU 其實(shí)是LSTM 的一種改進(jìn),它們都通過“門機(jī)制”來記憶前面的序列信息,以彌補(bǔ)普通RNN 的不足。不過相比于LSTM 的三個(gè)門單元,GRU 只有兩個(gè)門單元,分別為更新門和重置門,其模型更簡單、參數(shù)更少,收斂速度更快。

    圖5 為GRU 單元結(jié)構(gòu)圖。zt和rt分別為GRU 的更新門和重置門,xt是t 時(shí)刻GRU 單元的輸入,ht是t時(shí)刻GRU 單元輸出的隱藏信息。GRU 單元的具體計(jì)算過程如下所示:

    其中,ωz,ωr,ωh分別為更新門,重置門以及候選隱含狀態(tài)的權(quán)重矩陣。

    雖然GRU 能夠很好地捕捉到行為序列的長距離信息,但是單向的GRU 在t 時(shí)刻只能捕捉到t 時(shí)刻之前的歷史信息,為了捕捉到前后行為之間完整的關(guān)聯(lián)信息,本文使用雙向的GRU(BiGRU)網(wǎng)絡(luò)對行為序列進(jìn)行建模,BiGRU 既考慮了t 時(shí)刻之前的行為信息,同時(shí)考慮了t 時(shí)刻之后的行為信息。

    圖6 為BiGRU 網(wǎng)絡(luò)結(jié)構(gòu)圖,從圖6 可以看出,BiGRU 網(wǎng)絡(luò)包含前向GRU 和后向GRU。t 時(shí)刻,前向GRU 的隱藏狀態(tài)由xt和決定,可以獲取到t 時(shí)刻之前的行為信息,后向GRU 的隱藏狀態(tài)由xt和決定,可以獲取到t 時(shí)刻之后的行為信息,然后再通過向量拼接的方式得到最終的隱藏狀態(tài),這樣,行為序列中的每個(gè)行為的隱層狀態(tài)都包含完整的前后關(guān)聯(lián)信息。相較于單向的GRU 而言,BiGRU可以挖掘出更為全面的特征信息。BiGRU 具體的計(jì)算過程如式(9)、(10)、(11)所示。

    3.4 注意力層(Attention)

    Attention 機(jī)制的作用是通過對模型輸入特征賦予不同的權(quán)重,加強(qiáng)重要信息對最終結(jié)果的影響。在作弊行為檢測的過程中,每個(gè)行為特征對最終檢測結(jié)果的貢獻(xiàn)度是不同的,基于此,本文引入Attention機(jī)制來對不同的特征分配不同的權(quán)重值。此前已通過CNN、BiGRU 網(wǎng)絡(luò)分別獲取了行為序列的局部特征向量、時(shí)序特征向量,為了更加完整的表征行為序列,將局部特征向量和時(shí)序特征向量進(jìn)行首尾相連得到新的行為序列特征向量zi,然后將其輸入到Attention 層得到作弊行為的最終表示。

    Attention 層的計(jì)算過程如公式(12)、(13)、(14)所示。

    其中,ω1和ω2為權(quán)重矩陣;b 為偏置項(xiàng);γ為注意力層的輸出。

    3.5 輸出層(Output)

    輸出層實(shí)際上是一個(gè)Sigmoid 分類器。經(jīng)過前面幾步,我們已經(jīng)得到了行為序列的最終表征向量,將其輸入到Sigmoid 分類器中進(jìn)行分類得到作弊檢測結(jié)果。

    4 實(shí)驗(yàn)

    本文實(shí)驗(yàn)環(huán)境為一臺(tái)高性能服務(wù)器,搭載Centos7操作系統(tǒng);CPU為Corei5-8300H,128G內(nèi)存;硬盤配置 2 塊 1TB 的 3.5 寸 SATA;GPU 為QuadroGP100,16GB 的HBM2 顯卡。本文使用Keras來實(shí)現(xiàn)模型的搭建,Keras是一個(gè)用Python編寫的高級神經(jīng)網(wǎng)絡(luò)API,它能夠以TensorFlow、CNTK 或者Theano 作為后端運(yùn)行,旨在完成深度學(xué)習(xí)的快速開發(fā)。

    4.1 數(shù)據(jù)來源

    本文從某MOOC 在線學(xué)習(xí)平臺(tái)的數(shù)據(jù)庫中獲取了210 門學(xué)分課程總計(jì)203.5GB的脫敏數(shù)據(jù),時(shí)間跨度為2018 年的9 月到2019 年的12 月,涵蓋了60 個(gè)院校共46920 名學(xué)習(xí)者的學(xué)習(xí)行為軌跡。對原始數(shù)據(jù)進(jìn)行預(yù)處理,最終提取了1788416 條學(xué)習(xí)行為序列來驗(yàn)證所提方法的有效性,選取其中75%的樣本作為訓(xùn)練集,25%的樣本作為驗(yàn)證集。

    4.2 參數(shù)設(shè)置

    參數(shù)設(shè)置會(huì)直接影響本文模型的檢測效果,模型的參數(shù)設(shè)置如表1 所示。

    表1 模型的參數(shù)設(shè)置Table 1 Parameter settings of the model

    4.3 實(shí)驗(yàn)結(jié)果與分析

    4.3.1 MOOC 作弊行為檢測模型對比

    為了評估本文模型的檢測性能,分別選用CNN、LSTM、GRU、BiGRU、CNN-BiGRU、BiGRU-Attention 等方法在驗(yàn)證集上進(jìn)行對比實(shí)驗(yàn),結(jié)果如表2 所示。從實(shí)驗(yàn)結(jié)果來看,本文提出的CNN-BiGRU-Attention 模型取得了最高的精確率、召回率、AUC 和最低的誤報(bào)率,分別為98.51%、81.35%、91.07%和0.016%,可見本文模型的檢測效果優(yōu)于其對比模型。對比前四組實(shí)驗(yàn),可以看出,相比于CNN 和LSTM 模型,GRU 的作弊檢測性能更好,另外,BiGRU 對比單向的LSTM 和GRU,模型的各個(gè)性能指標(biāo)均有提升,說明采用雙向結(jié)構(gòu)的BiGRU能更充分的提取序列的上下文信息,進(jìn)而提高了作弊行為的檢測能力。對比第一組、第四組和第五組實(shí)驗(yàn),CNN-BiGRU 聯(lián)合模型相比于單一的CNN 或者單一的BiGRU 模型,在精確率、召回率和AUC 上都有明顯的提升,主要是因?yàn)镃NN-BiGRU 聯(lián)合模型同時(shí)結(jié)合了CNN和BiGRU模型結(jié)構(gòu)的優(yōu)勢,既學(xué)習(xí)了行為序列的空間特征,又學(xué)習(xí)了行為序列的時(shí)序特征。對比第四組和第六組實(shí)驗(yàn),可以看出,在BiGRU 的基礎(chǔ)上引入注意力機(jī)制后,檢測模型的精確率、召回率和AUC 值分別提升了1.15%、0.4%和1.44%,究其原因,主要是因?yàn)橐胱⒁饬C(jī)制后,對檢測貢獻(xiàn)度大的特征給予了更高的權(quán)重,提升了重要特征對行為序列分類的影響力。本文提出的CNN-BiGRU-Attention 網(wǎng)絡(luò)模型,由于同時(shí)結(jié)合了CNN、BiGRU 以及注意力機(jī)制等網(wǎng)絡(luò)結(jié)構(gòu)的優(yōu)勢,模型的檢測性能進(jìn)一步得到了提升。

    表2 實(shí)驗(yàn)結(jié)果Table 2 Experimental results

    此外,在實(shí)驗(yàn)過程中發(fā)現(xiàn),由于數(shù)據(jù)規(guī)模較大,上述模型往往在第一個(gè)epoch 就能達(dá)到收斂,為此選取了上述模型中表現(xiàn)較好的三個(gè)模型,繪制了它們在第一個(gè)epoch 的訓(xùn)練損失曲線,如圖7 所示,可以看出,相較于CNN-BiGRU、BiGRU-Attention,CNNBiGRU-Attention 的收斂速度最慢,但是損失最低,模型擬合效果最好。

    4.3.2 數(shù)據(jù)擴(kuò)增性能提升對比

    在訓(xùn)練深度學(xué)習(xí)模型時(shí),常常會(huì)出現(xiàn)模型過擬合的現(xiàn)象,而導(dǎo)致這一現(xiàn)象出現(xiàn)的原因很可能就是訓(xùn)練樣本不足或者訓(xùn)練樣本類別不均衡。在進(jìn)行MOOC 作弊行為檢測研究時(shí),相對于正常樣本,作弊樣本往往是少之又少?;诖?本文采用序列截?cái)鄶U(kuò)增、平移擴(kuò)增這兩種數(shù)據(jù)擴(kuò)增方法來增加作弊行為序列的樣本量。截?cái)鄶U(kuò)增,具體而言就是對長度過長的作弊行為序列進(jìn)行截?cái)?將截?cái)嗪蟮男蛄写蛏献鞅椎臉?biāo)簽,從而增加作弊標(biāo)簽的樣本量。而平移擴(kuò)增是指通過時(shí)間滑窗的方式,以24 h 的固定窗口前后滑動(dòng),獲取一段新的作弊行為序列。實(shí)驗(yàn)表明,通過數(shù)據(jù)擴(kuò)增后再進(jìn)行模型訓(xùn)練,能夠提高模型的泛化能力。經(jīng)過數(shù)據(jù)擴(kuò)增前后的訓(xùn)練集樣本分布如下表3 所示。

    表3 數(shù)據(jù)擴(kuò)增前后的訓(xùn)練集樣本分布Table 3 Sample distribution of the training set before and after the data augmentation

    圖8 為采用LSTM,GRU,BiGRU 以及本文模型分別對數(shù)據(jù)擴(kuò)增前后的訓(xùn)練集進(jìn)行模型訓(xùn)練后,在驗(yàn)證集上得到的AUC 結(jié)果。本文提出的CNNBiGRU-Attention 模型在數(shù)據(jù)擴(kuò)增前,在驗(yàn)證集上獲取的AUC 為91.07%,而經(jīng)過數(shù)據(jù)擴(kuò)增后,在相同驗(yàn)證集上獲取的AUC 為92.85%,相比之前提升了1.78%。LSTM、GRU、BiGRU 經(jīng)過數(shù)據(jù)擴(kuò)增后AUC也分別提升了1.45%,1.47%,1.58%。

    5 結(jié)論

    本文研究了一種基于深度學(xué)習(xí)混合模型CNN-BiGRU-Attention 用于MOOC 作弊行為檢測。利用CNN-BiGRU 聯(lián)合網(wǎng)絡(luò)提取行為序列的空間和時(shí)序特征,并引入注意力機(jī)制對作弊檢測貢獻(xiàn)度大的特征給予更高的權(quán)重,然后利用Sigmoid 分類器進(jìn)行分類得到作弊檢測結(jié)果。此外,通過對比實(shí)驗(yàn)CNN、LSTM、GRU、BiGRU、CNN-BiGRU、BiGRU-Attention 等算法,證明了本文實(shí)驗(yàn)方法的有效性。另外,針對實(shí)際情況下,MOOC 作弊行為檢測中存在的數(shù)據(jù)類別不均衡問題,采用數(shù)據(jù)擴(kuò)增的方法增加少數(shù)類樣本量,實(shí)驗(yàn)表明,通過數(shù)據(jù)擴(kuò)增后再進(jìn)行模型訓(xùn)練,能降低模型過擬合的風(fēng)險(xiǎn),提高模型的泛化能力。

    本文討論的是有標(biāo)簽數(shù)據(jù)集情況下的MOOC 作弊行為檢測,而在實(shí)際情況下,帶有標(biāo)簽的數(shù)據(jù)是較少的,后續(xù)研究需要進(jìn)一步結(jié)合半監(jiān)督學(xué)習(xí)的MOOC 作弊行為檢測方法,提高作弊檢測的準(zhǔn)確度。

    猜你喜歡
    池化作弊卷積
    換裝等
    基于緊湊型雙線性網(wǎng)絡(luò)的野生茵識(shí)別方法研究
    無線電工程(2024年8期)2024-09-16 00:00:00
    基于Sobel算子的池化算法設(shè)計(jì)
    卷積神經(jīng)網(wǎng)絡(luò)中的自適應(yīng)加權(quán)池化
    作弊
    基于3D-Winograd的快速卷積算法設(shè)計(jì)及FPGA實(shí)現(xiàn)
    從濾波器理解卷積
    電子制作(2019年11期)2019-07-04 00:34:38
    基于卷積神經(jīng)網(wǎng)絡(luò)和池化算法的表情識(shí)別研究
    有人要你幫忙作弊怎么辦
    基于傅里葉域卷積表示的目標(biāo)跟蹤算法
    热99re8久久精品国产| 人人妻人人澡人人看| 好男人在线观看高清免费视频 | 久久久精品国产亚洲av高清涩受| 国产精品亚洲av一区麻豆| 国产单亲对白刺激| 日韩欧美国产在线观看| 国产1区2区3区精品| 国产1区2区3区精品| 老司机深夜福利视频在线观看| 亚洲色图av天堂| 一级a爱视频在线免费观看| 在线观看www视频免费| 久久久久免费精品人妻一区二区 | 中文资源天堂在线| 日本熟妇午夜| 一进一出抽搐gif免费好疼| 亚洲第一av免费看| 长腿黑丝高跟| а√天堂www在线а√下载| 一边摸一边抽搐一进一小说| 国产亚洲欧美98| 色综合欧美亚洲国产小说| 亚洲国产中文字幕在线视频| 久久精品国产综合久久久| 亚洲色图av天堂| 日韩欧美 国产精品| 久久久国产欧美日韩av| 美女高潮喷水抽搐中文字幕| 搡老妇女老女人老熟妇| 99在线视频只有这里精品首页| 欧美黄色淫秽网站| 可以免费在线观看a视频的电影网站| 久久午夜综合久久蜜桃| 欧美绝顶高潮抽搐喷水| 精品电影一区二区在线| 午夜a级毛片| 免费女性裸体啪啪无遮挡网站| 久久性视频一级片| 国产精品久久电影中文字幕| 韩国av一区二区三区四区| 少妇熟女aⅴ在线视频| av电影中文网址| 色婷婷久久久亚洲欧美| 色哟哟哟哟哟哟| 久久中文看片网| 免费看美女性在线毛片视频| 在线观看免费午夜福利视频| www.熟女人妻精品国产| 香蕉久久夜色| 女性被躁到高潮视频| 色老头精品视频在线观看| 999久久久精品免费观看国产| 国产精品影院久久| 久久精品影院6| 日韩av在线大香蕉| 欧美丝袜亚洲另类 | 久久精品91无色码中文字幕| 国产成人一区二区三区免费视频网站| 少妇的丰满在线观看| 国内久久婷婷六月综合欲色啪| 脱女人内裤的视频| 不卡一级毛片| 亚洲激情在线av| 欧美性猛交╳xxx乱大交人| 国产成人精品久久二区二区91| 久久午夜亚洲精品久久| 在线播放国产精品三级| 亚洲一区中文字幕在线| 精品久久久久久,| 亚洲av美国av| 老鸭窝网址在线观看| 国产精品美女特级片免费视频播放器 | 日本撒尿小便嘘嘘汇集6| 国产人伦9x9x在线观看| 香蕉久久夜色| 日韩精品青青久久久久久| 日韩精品免费视频一区二区三区| 国产av不卡久久| 国产成人精品久久二区二区91| 精品熟女少妇八av免费久了| 国产精品一区二区免费欧美| 国产精品98久久久久久宅男小说| 亚洲国产精品sss在线观看| 国产午夜精品久久久久久| 一级片免费观看大全| 欧美色欧美亚洲另类二区| xxx96com| 亚洲 国产 在线| 美女高潮喷水抽搐中文字幕| 男人的好看免费观看在线视频 | 国产视频内射| 高潮久久久久久久久久久不卡| 国产午夜福利久久久久久| 男女下面进入的视频免费午夜 | 可以在线观看的亚洲视频| 美女扒开内裤让男人捅视频| 欧美乱码精品一区二区三区| 国产成人精品久久二区二区免费| 日韩欧美 国产精品| 色综合亚洲欧美另类图片| 久久精品影院6| 久久久久国内视频| 婷婷丁香在线五月| 一本综合久久免费| 日韩欧美国产一区二区入口| 亚洲av日韩精品久久久久久密| 午夜福利视频1000在线观看| 午夜久久久久精精品| 欧美乱码精品一区二区三区| 欧美又色又爽又黄视频| 日韩视频一区二区在线观看| 97超级碰碰碰精品色视频在线观看| 国产在线精品亚洲第一网站| 亚洲三区欧美一区| 男女做爰动态图高潮gif福利片| 黄色视频,在线免费观看| 十八禁人妻一区二区| 在线观看午夜福利视频| 精品午夜福利视频在线观看一区| 日日摸夜夜添夜夜添小说| 少妇 在线观看| 日韩成人在线观看一区二区三区| 婷婷六月久久综合丁香| av福利片在线| 色婷婷久久久亚洲欧美| 自线自在国产av| 岛国视频午夜一区免费看| 色精品久久人妻99蜜桃| 熟女少妇亚洲综合色aaa.| 在线国产一区二区在线| 精品国产超薄肉色丝袜足j| 中文字幕人成人乱码亚洲影| 久久人妻福利社区极品人妻图片| 久久香蕉激情| 精品久久久久久久久久久久久 | 性欧美人与动物交配| 亚洲欧美日韩高清在线视频| 亚洲熟女毛片儿| avwww免费| 满18在线观看网站| 国产色视频综合| www国产在线视频色| 人妻丰满熟妇av一区二区三区| 色老头精品视频在线观看| 欧美av亚洲av综合av国产av| 久久中文字幕一级| 国产区一区二久久| 99国产精品99久久久久| 精品国产超薄肉色丝袜足j| 草草在线视频免费看| 男女之事视频高清在线观看| 成熟少妇高潮喷水视频| 婷婷精品国产亚洲av| 一级a爱片免费观看的视频| 俄罗斯特黄特色一大片| 十分钟在线观看高清视频www| 欧美日韩精品网址| 日韩欧美一区视频在线观看| 一级片免费观看大全| 校园春色视频在线观看| 亚洲精品国产区一区二| 男女床上黄色一级片免费看| 亚洲九九香蕉| 午夜老司机福利片| 欧美日本视频| 亚洲国产毛片av蜜桃av| 最近最新中文字幕大全免费视频| 午夜福利成人在线免费观看| 一进一出抽搐gif免费好疼| АⅤ资源中文在线天堂| 国产精品美女特级片免费视频播放器 | 一进一出抽搐gif免费好疼| 欧美黄色片欧美黄色片| 午夜精品在线福利| 最近最新中文字幕大全电影3 | 国产av在哪里看| 午夜福利18| 一a级毛片在线观看| 亚洲精品美女久久av网站| 丝袜美腿诱惑在线| 国产国语露脸激情在线看| 最新在线观看一区二区三区| 久久久久久久久中文| 亚洲专区中文字幕在线| 久久精品夜夜夜夜夜久久蜜豆 | 成人永久免费在线观看视频| 最好的美女福利视频网| 亚洲狠狠婷婷综合久久图片| 热99re8久久精品国产| 日日摸夜夜添夜夜添小说| 悠悠久久av| 亚洲激情在线av| 午夜免费激情av| 午夜精品久久久久久毛片777| 正在播放国产对白刺激| 中文亚洲av片在线观看爽| 一个人免费在线观看的高清视频| av福利片在线| 美国免费a级毛片| 久久香蕉精品热| 国产一区在线观看成人免费| 欧美黑人巨大hd| 久久草成人影院| 国产亚洲精品一区二区www| 伊人久久大香线蕉亚洲五| 黄色视频不卡| 别揉我奶头~嗯~啊~动态视频| 国产精品一区二区免费欧美| 日本免费一区二区三区高清不卡| 叶爱在线成人免费视频播放| 狂野欧美激情性xxxx| 老司机深夜福利视频在线观看| 日韩成人在线观看一区二区三区| 欧美黑人巨大hd| www.熟女人妻精品国产| 精品国产超薄肉色丝袜足j| 亚洲精品美女久久久久99蜜臀| 亚洲成av人片免费观看| 男男h啪啪无遮挡| 国产精品久久久久久亚洲av鲁大| 国产黄色小视频在线观看| 国产日本99.免费观看| 久久久久久久久中文| 亚洲精品一区av在线观看| 国产91精品成人一区二区三区| 国产国语露脸激情在线看| 国产亚洲精品一区二区www| 国产成人系列免费观看| 午夜福利在线观看吧| 午夜日韩欧美国产| 无遮挡黄片免费观看| 搡老妇女老女人老熟妇| 两个人看的免费小视频| 在线视频色国产色| 一级片免费观看大全| 91大片在线观看| 在线观看www视频免费| 变态另类丝袜制服| e午夜精品久久久久久久| 久久青草综合色| 国产精品久久久久久亚洲av鲁大| 国产高清有码在线观看视频 | 男女之事视频高清在线观看| 欧美另类亚洲清纯唯美| 亚洲中文日韩欧美视频| 日韩欧美国产一区二区入口| 精品久久久久久久末码| 国产精品电影一区二区三区| 免费在线观看影片大全网站| 黄色视频不卡| av片东京热男人的天堂| 国产黄片美女视频| 91麻豆精品激情在线观看国产| 丝袜人妻中文字幕| 50天的宝宝边吃奶边哭怎么回事| 欧美亚洲日本最大视频资源| 天天添夜夜摸| 99久久综合精品五月天人人| 亚洲专区字幕在线| 99热只有精品国产| 黄色片一级片一级黄色片| 在线观看舔阴道视频| 免费看a级黄色片| 成人午夜高清在线视频 | 亚洲精品在线美女| 亚洲中文av在线| 在线看三级毛片| 一级毛片女人18水好多| 国产一级毛片七仙女欲春2 | 免费在线观看亚洲国产| 久久 成人 亚洲| 精品福利观看| 老汉色av国产亚洲站长工具| 国产成人一区二区三区免费视频网站| 欧美绝顶高潮抽搐喷水| 久久天堂一区二区三区四区| 国产亚洲av嫩草精品影院| 国产激情欧美一区二区| 久久精品人妻少妇| 国产亚洲精品久久久久5区| 国产亚洲欧美98| 免费在线观看视频国产中文字幕亚洲| 午夜两性在线视频| videosex国产| 日本三级黄在线观看| 免费无遮挡裸体视频| 国产精品久久久av美女十八| 国产精品久久视频播放| 人妻丰满熟妇av一区二区三区| 亚洲精品在线观看二区| 亚洲性夜色夜夜综合| 国内久久婷婷六月综合欲色啪| 麻豆久久精品国产亚洲av| 人成视频在线观看免费观看| 欧美一级a爱片免费观看看 | 亚洲av成人不卡在线观看播放网| 黑丝袜美女国产一区| 亚洲国产中文字幕在线视频| 亚洲 国产 在线| 国产三级黄色录像| 欧美人与性动交α欧美精品济南到| 韩国av一区二区三区四区| 日韩精品免费视频一区二区三区| 免费在线观看黄色视频的| 亚洲午夜理论影院| 草草在线视频免费看| 亚洲成a人片在线一区二区| 激情在线观看视频在线高清| 欧美午夜高清在线| e午夜精品久久久久久久| 亚洲中文字幕日韩| 极品教师在线免费播放| 亚洲欧洲精品一区二区精品久久久| 黄网站色视频无遮挡免费观看| 黄色女人牲交| 俺也久久电影网| 国产激情久久老熟女| 老熟妇乱子伦视频在线观看| 男女做爰动态图高潮gif福利片| 久久久国产成人精品二区| 国产乱人伦免费视频| 国产黄a三级三级三级人| 国产成人欧美在线观看| 黑人巨大精品欧美一区二区mp4| 免费在线观看完整版高清| 欧洲精品卡2卡3卡4卡5卡区| ponron亚洲| 免费女性裸体啪啪无遮挡网站| 成人18禁高潮啪啪吃奶动态图| 少妇 在线观看| 久久精品aⅴ一区二区三区四区| 亚洲成人久久爱视频| 欧美精品啪啪一区二区三区| 99在线人妻在线中文字幕| 99久久综合精品五月天人人| 精品国产超薄肉色丝袜足j| av有码第一页| 午夜久久久久精精品| 成人av一区二区三区在线看| 黄频高清免费视频| 免费在线观看日本一区| 两个人免费观看高清视频| 给我免费播放毛片高清在线观看| netflix在线观看网站| 色在线成人网| 成年人黄色毛片网站| 亚洲av中文字字幕乱码综合 | 国产亚洲av嫩草精品影院| 国产精品电影一区二区三区| 日韩精品免费视频一区二区三区| 99在线视频只有这里精品首页| 亚洲自偷自拍图片 自拍| 韩国精品一区二区三区| 免费看十八禁软件| 欧美绝顶高潮抽搐喷水| 丁香欧美五月| 老司机福利观看| 国产精品久久久av美女十八| 1024手机看黄色片| 欧美激情久久久久久爽电影| av视频在线观看入口| 高潮久久久久久久久久久不卡| 大型黄色视频在线免费观看| 高清毛片免费观看视频网站| 久久久久国产精品人妻aⅴ院| 黄频高清免费视频| 亚洲色图av天堂| 夜夜爽天天搞| 变态另类成人亚洲欧美熟女| 亚洲国产欧美一区二区综合| 在线观看66精品国产| 99久久无色码亚洲精品果冻| 黄色成人免费大全| 免费看十八禁软件| 国产99白浆流出| 91国产中文字幕| 成人特级黄色片久久久久久久| 一边摸一边抽搐一进一小说| 亚洲中文字幕一区二区三区有码在线看 | 婷婷精品国产亚洲av| 色播亚洲综合网| 女性被躁到高潮视频| 亚洲无线在线观看| 九色国产91popny在线| 午夜福利18| 久99久视频精品免费| 免费无遮挡裸体视频| 黑丝袜美女国产一区| netflix在线观看网站| www.999成人在线观看| 亚洲avbb在线观看| 国产av在哪里看| 97超级碰碰碰精品色视频在线观看| 在线观看66精品国产| 亚洲国产毛片av蜜桃av| 美女扒开内裤让男人捅视频| 免费电影在线观看免费观看| 久久国产精品人妻蜜桃| 丰满的人妻完整版| 久久久久久亚洲精品国产蜜桃av| 亚洲国产毛片av蜜桃av| 很黄的视频免费| 又紧又爽又黄一区二区| 成年人黄色毛片网站| 亚洲欧美精品综合一区二区三区| 美女高潮到喷水免费观看| 国内久久婷婷六月综合欲色啪| 1024香蕉在线观看| 午夜久久久在线观看| 一级黄色大片毛片| 青草久久国产| 女同久久另类99精品国产91| 免费看美女性在线毛片视频| 女性被躁到高潮视频| 嫩草影院精品99| 免费观看精品视频网站| 亚洲国产毛片av蜜桃av| 欧美丝袜亚洲另类 | 国产熟女xx| 19禁男女啪啪无遮挡网站| 级片在线观看| 国产主播在线观看一区二区| 一进一出抽搐动态| 国语自产精品视频在线第100页| 亚洲精品粉嫩美女一区| 国产单亲对白刺激| 99国产极品粉嫩在线观看| 国产亚洲av嫩草精品影院| 国语自产精品视频在线第100页| 中文字幕另类日韩欧美亚洲嫩草| 男女那种视频在线观看| 香蕉av资源在线| 久久久久国产一级毛片高清牌| 大型黄色视频在线免费观看| 欧美人与性动交α欧美精品济南到| 一级黄色大片毛片| 国产成人精品无人区| 天堂动漫精品| 美女扒开内裤让男人捅视频| 婷婷精品国产亚洲av在线| 制服诱惑二区| 老司机深夜福利视频在线观看| 国产一区二区在线av高清观看| 九色国产91popny在线| 国产主播在线观看一区二区| 国产97色在线日韩免费| 久久婷婷成人综合色麻豆| 丝袜人妻中文字幕| 啦啦啦韩国在线观看视频| 国产蜜桃级精品一区二区三区| 99久久精品国产亚洲精品| 妹子高潮喷水视频| 亚洲精华国产精华精| 国产在线精品亚洲第一网站| 少妇被粗大的猛进出69影院| 免费看日本二区| 韩国精品一区二区三区| 一级作爱视频免费观看| 午夜两性在线视频| av超薄肉色丝袜交足视频| 免费一级毛片在线播放高清视频| 国产精品久久久久久精品电影 | 岛国在线观看网站| 久久久久久大精品| 在线播放国产精品三级| 日韩欧美一区视频在线观看| 校园春色视频在线观看| 99re在线观看精品视频| 久久久国产成人精品二区| 欧美+亚洲+日韩+国产| 一本一本综合久久| 黄网站色视频无遮挡免费观看| 成人午夜高清在线视频 | 欧美又色又爽又黄视频| 在线观看免费午夜福利视频| 亚洲一区二区三区色噜噜| 欧美成人一区二区免费高清观看 | 女性被躁到高潮视频| 露出奶头的视频| 中出人妻视频一区二区| 国产视频一区二区在线看| 免费看美女性在线毛片视频| 亚洲 欧美一区二区三区| 免费电影在线观看免费观看| 十分钟在线观看高清视频www| 精品不卡国产一区二区三区| 国产av又大| 久久婷婷成人综合色麻豆| 两性夫妻黄色片| 国产成人精品久久二区二区免费| 亚洲欧美一区二区三区黑人| 婷婷亚洲欧美| 亚洲黑人精品在线| 在线观看舔阴道视频| 极品教师在线免费播放| netflix在线观看网站| 天堂√8在线中文| 99久久99久久久精品蜜桃| 精品久久久久久久毛片微露脸| 99国产精品99久久久久| 91成年电影在线观看| 亚洲一区中文字幕在线| 欧美黑人巨大hd| 777久久人妻少妇嫩草av网站| 51午夜福利影视在线观看| 日韩中文字幕欧美一区二区| 国产日本99.免费观看| 婷婷精品国产亚洲av在线| 免费在线观看亚洲国产| 麻豆成人av在线观看| 国产欧美日韩一区二区精品| 久久久久久九九精品二区国产 | 午夜福利一区二区在线看| 国产亚洲欧美98| 亚洲国产毛片av蜜桃av| 99久久综合精品五月天人人| 国产三级在线视频| 高清在线国产一区| 欧美午夜高清在线| 精品第一国产精品| 欧美激情 高清一区二区三区| 亚洲国产日韩欧美精品在线观看 | 亚洲精品美女久久av网站| 亚洲人成伊人成综合网2020| 国产av一区二区精品久久| www.精华液| 国产蜜桃级精品一区二区三区| 国产片内射在线| av欧美777| 久久久国产成人精品二区| 美女大奶头视频| 美女扒开内裤让男人捅视频| 两个人免费观看高清视频| av片东京热男人的天堂| 在线视频色国产色| 欧美中文综合在线视频| 一区福利在线观看| 国产97色在线日韩免费| 欧美在线黄色| svipshipincom国产片| 午夜免费成人在线视频| 精品无人区乱码1区二区| 日韩免费av在线播放| 日本撒尿小便嘘嘘汇集6| 神马国产精品三级电影在线观看 | 欧美黄色片欧美黄色片| 波多野结衣巨乳人妻| 少妇裸体淫交视频免费看高清 | 99国产极品粉嫩在线观看| 日韩欧美在线二视频| 国产午夜精品久久久久久| 老司机在亚洲福利影院| 可以在线观看的亚洲视频| 亚洲精品久久成人aⅴ小说| 男男h啪啪无遮挡| 免费看十八禁软件| 午夜影院日韩av| 91老司机精品| 亚洲欧美一区二区三区黑人| 国产高清视频在线播放一区| 国产成人啪精品午夜网站| 91成年电影在线观看| 亚洲色图av天堂| 免费在线观看黄色视频的| 久久婷婷人人爽人人干人人爱| 亚洲国产欧美网| 男人的好看免费观看在线视频 | 99国产精品一区二区蜜桃av| 大型黄色视频在线免费观看| 国产片内射在线| 精品国产乱码久久久久久男人| 色哟哟哟哟哟哟| 国产激情久久老熟女| 一个人免费在线观看的高清视频| 亚洲熟女毛片儿| 久久久久国产一级毛片高清牌| 亚洲精品国产精品久久久不卡| 亚洲精品一卡2卡三卡4卡5卡| 午夜激情福利司机影院| 国产精品久久久久久精品电影 | 久久久久九九精品影院| 色在线成人网| 可以在线观看毛片的网站| 久久精品91无色码中文字幕| 久久久国产欧美日韩av| 成人一区二区视频在线观看| 国产精品久久视频播放| 午夜福利18| 国产精品电影一区二区三区| 18美女黄网站色大片免费观看| 女人高潮潮喷娇喘18禁视频| 午夜免费鲁丝| 国产精品 国内视频| 久久人人精品亚洲av| 免费观看精品视频网站| 午夜福利在线观看吧| 欧美av亚洲av综合av国产av| 免费一级毛片在线播放高清视频| 日韩高清综合在线| 亚洲欧美日韩无卡精品| 丁香六月欧美| 午夜免费激情av| 一a级毛片在线观看| 精品国产国语对白av| 青草久久国产| 国产高清激情床上av| 国产亚洲精品综合一区在线观看 | 我的亚洲天堂| 日韩av在线大香蕉| 2021天堂中文幕一二区在线观 | 亚洲七黄色美女视频| 亚洲av成人不卡在线观看播放网| 亚洲在线自拍视频| 亚洲黑人精品在线|