Page 128 - 大数据背景下网络安全问题研究

大数据背景下网络安全问题研究
Research on Network Security Issues under the Background of Big Data

贝叶斯算法允许我们使用概率给出一组特征来预测一个类。与其他常见的分类方法相
比，朴素贝叶斯算法需要的训练很少。在进行预测之前必须完成的唯一工作是找到特
征的个体概率分布的参数，这通常可以快速且确定地完成。这意味着即使对于高维数
据点或大量数据点，朴素贝叶斯分类器也可以表现良好。
（三）支持向量机算法

基本思想可概括如下：要先利用一种变换将空间高维化，当然这种变换是非线性
的，然后在新的复杂空间取最优线性分类表面。由此种方式获得的分类函数在形式上
类似于神经网络算法。支持向量机是统计学习领域中一个代表性算法，但它与传统方

式的思维方法很不同，输入空间、提高维度从而将问题简短化，使问题归结为线性可
分的经典解问题。支持向量机应用于垃圾邮件识别，人脸识别等多种分类问题。
（四）随机森林算法
控制数据树生成的方式有多种，根据前人的经验，大多数时候更倾向选择分裂属

性和剪枝，但这并不能解决所有问题，偶尔会遇到噪声或分裂属性过多的问题。基于
这种情况，总结每次的结果可以得到袋外数据的估计误差，将它和测试样本的估计误
差相结合可以评估组合树学习器的拟合及预测精度。此方法的优点有很多，可以产生

高精度的分类器，并能够处理大量的变数，也可以平衡分类资料集之间的误差。
（五）人工神经网络算法
人工神经网络与神经元组成的异常复杂的网络此大体相似，是个体单元互相连接
而成，每个单元有数值量的输入和输出，形式可以为实数或线性组合函数。它先要以
一种学习准则去学习，然后才能进行工作。当网络判断错误时，通过学习使其减少犯

同样错误的可能性。此方法有很强的泛化能力和非线性映射能力，可以对信息量少的
系统进行模型处理。从功能模拟角度看具有并行性，且传递信息速度极快。
（六）Boosting 与 Bagging 算法

Boosting是一种通用的增强基础算法性能的回归分析算法。不需构造一个高精度
的回归分析，只需一个粗糙的基础算法即可，再反复调整基础算法就可以得到较好的
组合回归模型。它可以将弱学习算法提高为强学习算法，可以应用到其他基础回归算
法，如线性回归、神经网络等，来提高精度。Bagging和前一种算法大体相似但又略

有差别，主要想法是给出已知的弱学习算法和训练集，它需要经过多轮的计算，才可
以得到预测函数列，最后采用投票方式对示例进行判别。
（七）关联规则算法
关联规则是用规则去描述两个变量或多个变量之间的关系，是客观反映数据本身

性质的方法。它是机器学习的一大类任务，可分为两个阶段，先从资料集中找到高频
项目组，再去研究它们的关联规则。其得到的分析结果是对变量间规律的总结。

• 116 •