資源描述：
《基于特征加權(quán)樸素貝葉斯分類(lèi)算法的網(wǎng)絡(luò)用戶識(shí)別》由會(huì)員上傳分享，免費(fèi)在線閱讀，更多相關(guān)內(nèi)容在工程資料-天天文庫(kù)。
1、基于特征加權(quán)樸素貝葉斯分類(lèi)算法的網(wǎng)絡(luò)用戶識(shí)別要:基于網(wǎng)絡(luò)用戶的訪問(wèn)記錄，提出了采用特征加權(quán)的樸素貝葉斯分類(lèi)算法對(duì)用戶進(jìn)行識(shí)別。首先利用基于winpcap框架的數(shù)據(jù)采集系統(tǒng)對(duì)用戶訪問(wèn)記錄進(jìn)行采集，通過(guò)分析記錄從5個(gè)方面對(duì)用戶特征進(jìn)行統(tǒng)計(jì)，并經(jīng)過(guò)篩選后對(duì)特征進(jìn)行選取，最后采用特征加權(quán)的樸素貝葉斯分類(lèi)算法對(duì)3300個(gè)測(cè)試樣本進(jìn)行識(shí)別，識(shí)別率達(dá)到了85.73%o戶身份的識(shí)別c■■用戶識(shí)別；樸素貝葉斯分類(lèi)器；特征加權(quán)；特征選擇；數(shù)據(jù)采集abstract:basedontheaccesslogsofnetworkusers,featureweightingnaivebayesianclassifica
2、tion(fwnbc)algorithmwasusedtoidentifyusers?firstly,thedataacquisitionsystembasedonwinpcapframeworkwasusedtocol1ecttheaccesslogsofnetworkusers,featureswerecountedfromfiveaspectsbyanalyzingtheseaccesslogs,andthenselectedafterfiltering,atlastthefwnbcalgorithmwasusedtoidentifythe3300samples,andthereco
3、gnitionratereached85.73%?theexperimentalresultsshowthatthisalgorithmiseffectivetoidentifythenetworkusers?keywords:useridentification;naivebayesianclassifier;featureweighting;featureselection;dataacquisitiono引言隨著我國(guó)網(wǎng)民數(shù)量的不斷增多，與網(wǎng)絡(luò)應(yīng)用相關(guān)的問(wèn)題也日益凸顯出來(lái)，如利用網(wǎng)絡(luò)發(fā)布淫穢、反動(dòng)信息等等。如何對(duì)網(wǎng)絡(luò)用戶行為進(jìn)行有效監(jiān)管已成為一大熱點(diǎn)問(wèn)題。用戶識(shí)別作為網(wǎng)絡(luò)監(jiān)管的一種手段
4、，對(duì)于用戶行為追蹤、網(wǎng)絡(luò)責(zé)任人認(rèn)定等有著重要的意義。網(wǎng)絡(luò)用戶識(shí)別就是通過(guò)分析網(wǎng)絡(luò)用戶的特點(diǎn)、構(gòu)成及其在網(wǎng)絡(luò)應(yīng)用過(guò)程中行為活動(dòng)上所表示出來(lái)的規(guī)律，通過(guò)離線學(xué)習(xí)、提取相關(guān)特征后對(duì)用戶身份進(jìn)行鑒別或者識(shí)別的過(guò)程1]為學(xué)、知識(shí)發(fā)現(xiàn)、數(shù)據(jù)挖掘等范疇的內(nèi)容，也可以將其簡(jiǎn)化為用戶行為的分類(lèi)問(wèn)題。冃前有許多分類(lèi)方法用于構(gòu)造分類(lèi)模型，常見(jiàn)的機(jī)、遺傳算法、貝葉斯網(wǎng)和樸素貝葉斯等4-5]6]數(shù)學(xué)基礎(chǔ)以及穩(wěn)定的分類(lèi)效率。由于其假設(shè)屬性集中各屬性相對(duì)于決策屬性獨(dú)立且重要性相等，這使得冗余的、與分類(lèi)無(wú)關(guān)的、相互影響的以及被噪聲污染的特征和其他特征具有相同的地位，致使分7]harry等人提出了加權(quán)樸素貝葉斯分類(lèi)器8]7
5、]基于特征加權(quán)的樸素貝葉斯分類(lèi)算法，張明衛(wèi)等人9]提出了基于相關(guān)系數(shù)的加權(quán)樸素貝葉斯(weightednaivebayesian,wnb)算法等。實(shí)驗(yàn)表明，上述改進(jìn)都能在一定條件下提高樸素貝葉斯分類(lèi)性能。本文采用特征加權(quán)的樸素貝葉斯分類(lèi)算法對(duì)用戶身份進(jìn)行識(shí)別。通過(guò)對(duì)網(wǎng)絡(luò)用戶行為特征的分析，采用卡方檢驗(yàn)(chisquaretest,chi)算法對(duì)特征進(jìn)行了提取，并采用文本頻率與反文本頻率(termfrequencyinversedocumentfrequency,tfidf)算法對(duì)特征進(jìn)行加權(quán)計(jì)算，最后利用加權(quán)的樸素貝葉斯分類(lèi)算法對(duì)用戶身份進(jìn)行識(shí)別，實(shí)驗(yàn)表明該算法可以有效地對(duì)用戶身份進(jìn)行識(shí)別
6、。1樸素貝葉斯用戶識(shí)別模型基于樸素貝葉斯分類(lèi)器的用戶身份識(shí)別算法，是對(duì)樸素貝葉斯分類(lèi)算法的一種全新應(yīng)用嘗試，但在實(shí)現(xiàn)方法及原理上都是相同的，其目標(biāo)就是通過(guò)給定的樣本特征值(x1,x2,…,xn),map=argmaxp(ci
7、xn)(1)根據(jù)貝葉斯公式，式(1)可展開(kāi)為:map=argmaxp(x1,xi)p(ci)p(x1,x2,???,xn)(2)其中p(xl,x2,-,xn)值是相互獨(dú)立的，所以有：ci)二LEnj二lp(xi)(3)p(x1,x2,…，xn因此利用樸素貝葉斯公式可進(jìn)一步將式（1）簡(jiǎn)化為：vmap=argmaxTlnj二lp（xj
8、ci）p（ci）（4）其中條件概率P
9、（X1
10、ci）,p（x2
11、ci）,???,p（xn
12、ci）和先驗(yàn)概率P（ci）分類(lèi)算法的用戶行為識(shí)別模型可簡(jiǎn)化如圖1所示。2預(yù)處理及特征提取2.1數(shù)據(jù)預(yù)處理預(yù)處理是用戶身份識(shí)別的基礎(chǔ)。在眾多的網(wǎng)絡(luò)行為中用戶的訪問(wèn)行為是最直接的，也是最能體現(xiàn)用戶行為的特征。通過(guò)對(duì)訪問(wèn)記錄的分析，本文將利用記錄中的以下字段對(duì)數(shù)據(jù)進(jìn)行預(yù)處理：傳輸層協(xié)議號(hào)、應(yīng)用層協(xié)議號(hào)、源ip地址、目的ip地址、通信開(kāi)始時(shí)間、通信結(jié)束時(shí)間、數(shù)據(jù)包數(shù)、請(qǐng)求方式、
