生存分析在电信客户流失中的应用

近年来电信行业发展迅猛,电信市场趋于饱和,在目前的市场环境下,预测电信客户的流失及流失时间有利于挽留客户,减少客户损失。针对电信客户流失的预测,文中采用KM与Cox的电信客户生存分析模型预测电信客户流失的时间,将KM分析模型用于电信客户流失的组间比较;运用Cox风险比例模型对多因素进行分析,全面预测电信客户的生存时间。通过构建生存分析模型可实现对潜在流失客户及客户流失时间的预测,从而制定相应的有效方案挽留目标。

基于改进粒子群的随机森林优化算法客户流失预测研究

针对客户流失在电信中检测率低的问题,文章提出了一种改进粒子群的随机森林模型。首先对数据的每个属性进行分析,选取合适的特征,再用SMOTE技术处理数据不均匀问题,然后运用决策树、随机森林、支持向量机等监督算法得出其中最优模型,其中随机森林算法最优,最后用改进PSO算法中的惯性权重和学习因子优化随机森林的参数。经实验验证该模型比随机森林和粒子群优化后的随机森林数据要高,准确率高达91%,召回率高达95%。

基于遗传算法优化BP神经网络的电信客户流失预测研究

针对电信客户流失检测率较低的问题,基于遗传算法来优化BP神经网络模型。首先对客户信息进行可视化分析并选取合适的特征,使用皮尔逊系数对特征进行相关性判断,筛选出有效特征;其次运用遗传算法对BP神经网络中的初始化权值阈值进行编码,经选择、交叉以及变异等操作后得出最优的权值阈值;最后运用BP神经网络进行电信客户流失预测。经实验验证,该模型的预测结果优于传统的BP神经网络模型预测结果。

基于软件定义网络的DDoS攻击检测方案

分布式拒绝服务(distributed denial-of-service,DDoS)攻击是网络中的常见威胁,攻击者通过向受害服务器发送大量无用请求使正常用户无法访问服务器,DDoS逐渐成为软件定义网络(software-defined networking,SDN)的重大安全隐患。针对SDN中DDoS攻击检测问题,提出了一种粗粒度与细粒度相结合的检测方案,使用队列论及条件熵作为到达流的粗粒度检测模块,使用机器学习作为细粒度检测模块,从合法包中准确检测出恶意流量。实验表明,在使用Mininet模拟SDN网络的环境中,方案可准确检测出DDoS攻击。