基于特征加权朴素贝叶斯算法的网络用户识别

计算机应用 ›› 2011, Vol. 31 ›› Issue (12): 3268-3270.

基于特征加权朴素贝叶斯算法的网络用户识别

刘磊¹,陈兴蜀¹,尹学渊¹,段意²,吕昭¹

1. 四川大学计算机学院，成都 610065
2. 四川大学计算机学院，四川成都610065

收稿日期:2011-06-24 修回日期:2011-08-08 发布日期:2011-12-12 出版日期:2011-12-01
通讯作者: 刘磊
基金资助:
国家973计划项目;国家242信息安全专项

Network User Identify On Feature Weighting Naive Bayes Classification Algorithm

LIU Lei,CHEN Xing-shu,YIN Xue-yuan,DUAN Yi,LV Zhao

College of Computer Science, Sichuan University, Chengdu Sichuan 610065, China

Received:2011-06-24 Revised:2011-08-08 Online:2011-12-12 Published:2011-12-01
Contact: LIU Lei

摘要/Abstract

摘要： 基于网络用户的访问记录，提出了采用特征加权的朴素贝叶斯分类算法对用户进行识别。首先利用基于WinPcap框架的数据采集系统对用户访问记录进行采集，通过分析记录从5个方面对用户特征进行统计，并经过筛选后对特征进行选取，最后采用特征加权的朴素贝叶斯分类算法对3300个测试样本进行识别，识别率达到了85.73%。实验结果表明该算法能够有效实现对网络用户身份的识别。

关键词: 用户识别, 朴素贝叶斯分类器, 特征加权, 特征选择, 数据采集

Abstract: Based on the access logs of network users, Feature Weighting Naive Bayes Classification(FWNBC) algorithm is used to identify users. Firstly, the data acquisition system based on WinPcap framework was used to collect the access logs of network users, characteristics are counted from five aspects by analyzing these access logs, and then selected after filtering, at last the FWNBC algorithm is used to identify the 3300 samples, and the recognition rate reached 85.73%.The experiment results show that this algorithm is effective to identify the identity of network users.

Key words: user identification, Naive Bayes Classifier, feature weighting, feature selection, data acquisition

刘磊陈兴蜀尹学渊段意吕昭. 基于特征加权朴素贝叶斯算法的网络用户识别[J]. 计算机应用, 2011, 31(12): 3268-3270.

LIU Lei CHEN Xing-shu YIN Xue-yuan DUAN Yi LV Zhao. Network User Identify On Feature Weighting Naive Bayes Classification Algorithm[J]. Journal of Computer Applications, 2011, 31(12): 3268-3270.

[1]	湛航, 何朗, 黄樟灿, 李华峰, 张蔷, 谈庆. 改进的基于层次距离的基因表达式编程特征选择分类算法[J]. 计算机应用, 2021, 41(9): 2658-2667.
[2]	祝承, 赵晓琦, 赵丽萍, 焦玉宏, 朱亚飞, 陈建英, 周伟, 谭颖. 基于谱聚类半监督特征选择的功能磁共振成像数据分类[J]. 计算机应用, 2021, 41(8): 2288-2293.
[3]	李蒙蒙, 秦伟, 刘艺, 刁兴春. 结合头脑风暴优化的混合蚁群优化算法[J]. 计算机应用, 2021, 41(8): 2412-2417.
[4]	林筠超, 万源. 基于图结构优化的自适应多度量非监督特征选择方法[J]. 计算机应用, 2021, 41(5): 1282-1289.
[5]	贾鹤鸣, 姜子超, 李瑶, 孙康健. 基于改进斑点鬣狗优化算法的同步优化特征选择[J]. 计算机应用, 2021, 41(5): 1290-1298.
[6]	张志浩, 林耀进, 卢舜, 郭晨, 王晨曦. 缺失标记下基于类属属性的多标记特征选择[J]. 计算机应用, 2021, 41(10): 2849-2857.
[7]	黄学雨, 徐浩特, 陶剑文. 具有特征选择的多源自适应分类框架[J]. 计算机应用, 2020, 40(9): 2499-2506.
[8]	顾桐, 许国良, 李万林, 李家浩, 王志愿, 雒江涛. 基于集成LightGBM和贝叶斯优化策略的房价智能评估模型[J]. 计算机应用, 2020, 40(9): 2762-2767.
[9]	肖跃雷, 张云娇. 基于特征选择和超参数优化的恐怖袭击组织预测方法[J]. 计算机应用, 2020, 40(8): 2262-2267.
[10]	刘丹, 姚立霜, 王云锋, 裴作飞. 面向类不平衡流量数据的分类模型[J]. 计算机应用, 2020, 40(8): 2327-2333.
[11]	汪志远, 降爱莲, 奥斯曼·穆罕默德. 基于正则互表示的无监督特征选择方法[J]. 计算机应用, 2020, 40(7): 1896-1900.
[12]	谢琪, 徐旭, 程耕国, 陈和平. 基于新的森林优化算法的特征选择算法[J]. 计算机应用, 2020, 40(5): 1266-1271.
[13]	曹堉, 王成, 王鑫, 高悦尔. 基于时空节点选择和深度学习的城市道路短时交通流预测[J]. 计算机应用, 2020, 40(5): 1488-1493.
[14]	曾元鹏, 王开军, 林崧. 面向二类区分能力的干扰熵特征选择方法[J]. 计算机应用, 2020, 40(3): 626-630.
[15]	章夏杰, 朱敬华, 陈杨. Spark下的分布式粗糙集属性约简算法[J]. 计算机应用, 2020, 40(2): 518-523.