计算机研究与发展
計算機研究與髮展
계산궤연구여발전
JOURNAL OF COMPUTER RESEARCH AND DEVELOPMENT
2015年
5期
1005-1013
,共9页
张虎%谭红叶%钱宇华%李茹%陈千
張虎%譚紅葉%錢宇華%李茹%陳韆
장호%담홍협%전우화%리여%진천
欺骗%欺骗检测%集成学习%样本划分%最小最大模块化支持向量机
欺騙%欺騙檢測%集成學習%樣本劃分%最小最大模塊化支持嚮量機
기편%기편검측%집성학습%양본화분%최소최대모괴화지지향량궤
deception%deception detection%ensemble learning%cutting samples%min-max modular support vector machine (M3-SVM)
欺骗信息检测是信息安全领域中的重要研究内容.现有的研究表明,三分之一的人际交往中会涉及到潜在的欺骗,大量的欺骗信息充斥在各种各样的通信媒介中,在海量的网络信息中欺骗性数据的规模通常远小于非欺骗性数据的规模,已有方法还不能很好地适应于准确高效地欺骗检测,迫切期望提出一种能高效地检测欺骗信息的方法.针对具有非平衡性的海量网络信息,提出了一种基于集成学习的欺骗行为检测方法.通过改进的二分k-means划分方法对训练样本集进行分解,分别在每对正负样本集上学习各自独立的分类器,然后利用每个独立分类器分别计算待测样本的类别输出值,并采用结合个体分类器分类正确率的最小最大模块化方法集成每个判别结果.实验结果验证了该方法的有效性.
欺騙信息檢測是信息安全領域中的重要研究內容.現有的研究錶明,三分之一的人際交往中會涉及到潛在的欺騙,大量的欺騙信息充斥在各種各樣的通信媒介中,在海量的網絡信息中欺騙性數據的規模通常遠小于非欺騙性數據的規模,已有方法還不能很好地適應于準確高效地欺騙檢測,迫切期望提齣一種能高效地檢測欺騙信息的方法.針對具有非平衡性的海量網絡信息,提齣瞭一種基于集成學習的欺騙行為檢測方法.通過改進的二分k-means劃分方法對訓練樣本集進行分解,分彆在每對正負樣本集上學習各自獨立的分類器,然後利用每箇獨立分類器分彆計算待測樣本的類彆輸齣值,併採用結閤箇體分類器分類正確率的最小最大模塊化方法集成每箇判彆結果.實驗結果驗證瞭該方法的有效性.
기편신식검측시신식안전영역중적중요연구내용.현유적연구표명,삼분지일적인제교왕중회섭급도잠재적기편,대량적기편신식충척재각충각양적통신매개중,재해량적망락신식중기편성수거적규모통상원소우비기편성수거적규모,이유방법환불능흔호지괄응우준학고효지기편검측,박절기망제출일충능고효지검측기편신식적방법.침대구유비평형성적해량망락신식,제출료일충기우집성학습적기편행위검측방법.통과개진적이분k-means화분방법대훈련양본집진행분해,분별재매대정부양본집상학습각자독립적분류기,연후이용매개독립분류기분별계산대측양본적유별수출치,병채용결합개체분류기분류정학솔적최소최대모괴화방법집성매개판별결과.실험결과험증료해방법적유효성.
