CN109614794A - 基于信息增益的特征选择方法、装置及存储介质 - Google Patents

基于信息增益的特征选择方法、装置及存储介质 Download PDF

Info

Publication number
CN109614794A
CN109614794A CN201811514752.4A CN201811514752A CN109614794A CN 109614794 A CN109614794 A CN 109614794A CN 201811514752 A CN201811514752 A CN 201811514752A CN 109614794 A CN109614794 A CN 109614794A
Authority
CN
China
Prior art keywords
feature
information gain
initial characteristics
assessment value
target signature
Prior art date
Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
Pending
Application number
CN201811514752.4A
Other languages
English (en)
Inventor
魏金侠
龙春
万巍
赵静
杨帆
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Computer Network Information Center of CAS
Original Assignee
Computer Network Information Center of CAS
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by Computer Network Information Center of CAS filed Critical Computer Network Information Center of CAS
Priority to CN201811514752.4A priority Critical patent/CN109614794A/zh
Publication of CN109614794A publication Critical patent/CN109614794A/zh
Pending legal-status Critical Current

Links

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F21/00—Security arrangements for protecting computers, components thereof, programs or data against unauthorised activity
    • G06F21/50—Monitoring users, programs or devices to maintain the integrity of platforms, e.g. of processors, firmware or operating systems
    • G06F21/55—Detecting local intrusion or implementing counter-measures
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/24—Classification techniques
    • G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
    • G06F18/2411—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches based on the proximity to a decision surface, e.g. support vector machines

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Data Mining & Analysis (AREA)
  • Software Systems (AREA)
  • Computer Security & Cryptography (AREA)
  • General Physics & Mathematics (AREA)
  • General Engineering & Computer Science (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Evolutionary Computation (AREA)
  • Evolutionary Biology (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Artificial Intelligence (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Computer Hardware Design (AREA)
  • Alarm Systems (AREA)

Abstract

本发明实施例公开了一种基于信息增益的特征选择方法、装置及存储介质，涉及网络安全领域。本发明的方法包括：计算初始特征集中的信息增益值；按照信息增益值由大到小的顺序对所述各特征进行排序；根据所述排序结果，利用支持向量机SVM分类器依次获得特征测评值；基于各特征测评值，在所述初始特征集中选择满足预设条件的至少一个特征作为目标特征。本发明能够降低特征处理的计算复杂度。

Description

基于信息增益的特征选择方法、装置及存储介质
技术领域
本发明涉及网络安全领域，尤其涉及一种基于信息增益的特征选择方法、装置及存储介质。
背景技术
随着移动终端的使用普及，对移动终端进行高效迅速的网络安全分析及潜在风险隐患分析，成为目前亟待实现的技术手段。目前，在入侵检测系统中通过对移动数据进行特征提取及分析，以实现对移动终端的网络安全及潜在风险隐患进行分析。然而，目前进行网络安全分析所考虑的移动数据的特征量大，计算分析的复杂度高。
发明内容
本发明的实施例提供一种基于信息增益的特征选择方法、装置及存储介质，能够降低特征处理的计算复杂度。
为达到上述目的，本发明的实施例采用如下技术方案：
第一方面，本发明的实施例提供一种基于信息增益的特征选择方法，包括：
计算初始特征集中的信息增益值；
按照信息增益值由大到小的顺序对所述各特征进行排序；
根据所述排序结果，利用支持向量机SVM分类器依次获得特征测评值；
基于各特征测评值，在所述初始特征集中选择满足预设条件的至少一个特征作为目标特征。
结合第一方面，在第一方面的第一种可能的实现方式中，所述根据所述排序结果，利用SVM分类器依次获得特征测评值之前，还包括：
基于样本数据集中的特征测评值和已选取的目标特征之间的信息相关性，构建所述SVM分类器。
结合第一方面，在第一方面的第二种可能的实现方式中，所述基于各特征测评值，在所述初始特征集中选择满足预设条件的至少一个特征作为目标特征，包括：
在所述初始特征集中，选择特征测评值最大的一个特征作为所述目标特征；或，
在所述初始特征集中，选择特征测评值最大的多个特征作为所述目标特征；或，
在所述初始特征集中，选择特征测评值大于或等于预设阈值的特征作为所述目标特征。
结合第一方面的第二种可能的实现方式，在第一方面的第三种可能的实现方式中，在所述初始特征集中，选择特征测评值最大的多个特征作为所述目标特征，包括：
在所述初始特征集中，选择特征测评值最大的3个特征或6个特征，作为所述目标特征。
结合第一方面，在第一方面的第四种可能的实现方式中，所述特征测评值为检测率与误报率之间的比值；
所述方法还包括：
基于所述目标特征，对当前网络进行入侵检测分析。
第二方面，本发明的实施例提供一种基于信息增益的特征选择装置，包括：
计算模块，用于计算初始特征集中的信息增益值；
排序模块，用于按照信息增益值由大到小的顺序对所述各特征进行排序；
测评模块，用于根据所述排序结果，利用支持向量机SVM分类器依次获得特征测评值；
选择模块，用于基于各特征测评值，在所述初始特征集中选择满足预设条件的至少一个特征作为目标特征。
结合第二方面，在第二方面的第一种可能的实现方式中，所述装置还包括：
构建模块，用于基于样本数据集中的特征测评值和已选取的目标特征之间的信息相关性，构建所述SVM分类器。
结合第二方面，在第二方面的第二种可能的实现方式中，
所述选择模块，还用于在所述初始特征集中，选择特征测评值最大的一个特征作为所述目标特征；或，在所述初始特征集中，选择特征测评值最大的多个特征作为所述目标特征；或，在所述初始特征集中，选择特征测评值大于或等于预设阈值的特征作为所述目标特征。
结合第二方面的第二种可能的实现方式，在第二方面的第三种可能的实现方式中，
所述选择模块，还用于在所述初始特征集中，选择特征测评值最大的3个特征或6个特征，作为所述目标特征。
结合第二方面，在第二方面的第四种可能的实现方式中，
所述测评模块获得的所述特征测评值为检测率与误报率之间的比值；
所述装置还包括：
分析模块，用于基于所述目标特征，对当前网络进行入侵检测分析。
第三方面，本发明的实施例提供一种计算机可读存储介质，其上存储有计算机程序，其特征在于，所述程序被处理器执行时实现第一方面提供的方法的步骤。
本发明实施例提供的基于信息增益的特征选择方法、装置及存储介质，通过计算初始特征集中的信息增益值；按照信息增益值由大到小的顺序对所述各特征进行排序；根据所述排序结果，利用支持向量机SVM分类器依次获得特征测评值；基于各特征测评值，在所述初始特征集中选择满足预设条件的至少一个特征作为目标特征。能够基于信息增益在庞大的特征数据中进行特征选择，即利用信息增益进行特征过滤，可以在考虑到特征测评值与已选取特征子集之间的信息相关性的同时，降低特征处理的计算复杂度。
附图说明
为了更清楚地说明本发明实施例中的技术方案，下面将对实施例中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其它的附图。
图1是本发明实施例的基于信息增益的特征选择方法的流程示意图；
图2是本发明实施例的基于信息增益的特征选择方法的另一流程示意图；
图3是本发明实施例的基于信息增益的特征选择装置结构示意图；
图4是本发明实施例的基于信息增益的特征选择装置的另一结构示意图；
图5是本发明实施例的基于信息增益的特征选择装置500的结构示意图。
具体实施方式
下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其它实施例，都属于本发明保护的范围。
本发明一实施例提供一种基于信息增益的特征选择方法，如图1所示，所述方法包括：
101、计算初始特征集中的信息增益值。
对于本发明实施例，信息增益的衡量标准是指特征能够为分类系统带来多少信息，若带来的信息越多，则该特征越重要。对一个特征而言，系统中包括该特征时的信息量与不包括该特征时的信息量之间的差值，即该特征带给系统的信息量。
102、按照信息增益值由大到小的顺序对所述各特征进行排序。
103、根据所述排序结果，利用支持向量机SVM分类器依次获得特征测评值。
其中，SVM(Support Vector Machine，支持向量机)是一个有监督的学习模型，用于进行模式识别、分类以及回归分析。
对于本发明实施例，所述特征测评值为检测率与误报率之间的比值，即特征测评值＝检测率/误报率。
104、基于各特征测评值，在所述初始特征集中选择满足预设条件的至少一个特征作为目标特征。
在入侵检测系统中，通过特征选择，即从网络数据集中筛选出对分类器分类性能影响最重要的最优特征子集，可以降低特征的维数，从而可以提高入侵检测系统效率。
与现有技术相比，本发明实施例能够基于信息增益在庞大的特征数据中进行特征选择，即利用信息增益进行特征过滤，可以在考虑到特征测评值与已选取特征子集之间的信息相关性的同时，降低特征处理的计算复杂度。
本发明又一实施例提供一种基于信息增益的特征选择方法，如图2所示，所述方法包括：
201、计算初始特征集中的信息增益值。
对于本发明实施例，信息增益的衡量标准是指特征能够为分类系统带来多少信息，若带来的信息越多，则该特征越重要。对一个特征而言，系统中包括该特征时的信息量与不包括该特征时的信息量之间的差值，即该特征带给系统的信息量。
202、按照信息增益值由大到小的顺序对所述各特征进行排序。
203、基于样本数据集中的特征测评值和已选取的目标特征之间的信息相关性，构建所述SVM分类器。
204、根据所述排序结果，利用支持向量机SVM分类器依次获得特征测评值。
其中，SVM(Support Vector Machine，支持向量机)是一个有监督的学习模型，用于进行模式识别、分类以及回归分析。
对于本发明实施例，所述特征测评值为检测率与误报率之间的比值，即特征测评值＝检测率/误报率。
205、基于各特征测评值，在所述初始特征集中选择满足预设条件的至少一个特征作为目标特征。
可选地，步骤205可以包括：在所述初始特征集中，选择特征测评值最大的一个特征作为所述目标特征。
可选地，步骤205也可以包括：在所述初始特征集中，选择特征测评值最大的多个特征作为所述目标特征。对于本发明实施例，可以在所述初始特征集中，选择特征测评值最大的3个特征或6个特征，作为所述目标特征。
可选地，步骤205还可以包括：在所述初始特征集中，选择特征测评值大于或等于预设阈值的特征作为所述目标特征。
206、基于所述目标特征，对当前网络进行入侵检测分析。
在入侵检测系统中，通过特征选择，即从网络数据集中筛选出对分类器分类性能影响最重要的最优特征子集，可以降低特征的维数，从而可以提高入侵检测系统效率。
与现有技术相比，本发明实施例能够基于信息增益在庞大的特征数据中进行特征选择，即利用信息增益进行特征过滤，可以在考虑到特征测评值与已选取特征子集之间的信息相关性的同时，降低特征处理的计算复杂度。
本发明又一实施例提供一种基于信息增益的特征选择装置，如图3所示，所述装置包括：
计算模块31，用于计算初始特征集中的信息增益值；
排序模块32，用于按照信息增益值由大到小的顺序对所述各特征进行排序；
测评模块33，用于根据所述排序结果，利用支持向量机SVM分类器依次获得特征测评值；
选择模块34，用于基于各特征测评值，在所述初始特征集中选择满足预设条件的至少一个特征作为目标特征。
进一步地，如图4所示，所述装置还包括：
构建模块41，用于基于样本数据集中的特征测评值和已选取的目标特征之间的信息相关性，构建所述SVM分类器。
所述选择模块34，还用于在所述初始特征集中，选择特征测评值最大的一个特征作为所述目标特征；或，在所述初始特征集中，选择特征测评值最大的多个特征作为所述目标特征；或，在所述初始特征集中，选择特征测评值大于或等于预设阈值的特征作为所述目标特征。
所述选择模块34，还用于在所述初始特征集中，选择特征测评值最大的3个特征或6个特征，作为所述目标特征。
所述测评模块33获得的所述特征测评值为检测率与误报率之间的比值；
分析模块42，用于基于所述目标特征，对当前网络进行入侵检测分析。
与现有技术相比，本发明实施例能够基于信息增益在庞大的特征数据中进行特征选择，即利用信息增益进行特征过滤，可以在考虑到特征测评值与已选取特征子集之间的信息相关性的同时，降低特征处理的计算复杂度。
本发明实施例还提供另一种计算机可读存储介质，该计算机可读存储介质可以是上述实施例中的存储器中所包含的计算机可读存储介质；也可以是单独存在，未装配入终端中的计算机可读存储介质。所述计算机可读存储介质存储有一个或者一个以上程序，所述一个或者一个以上程序被一个或者一个以上的处理器用来执行图1、图2所示实施例提供的基于信息增益的特征选择方法。
本发明实施例提供的基于信息增益的特征选择装置可以实现上述提供的方法实施例，具体功能实现请参见方法实施例中的说明，在此不再赘述。本发明实施例提供的基于信息增益的特征选择方法、装置及存储介质可以适用于在入侵检测系统中进行特征选择，但不仅限于此。
如图5所示，基于信息增益的特征选择装置500可以是移动电话，计算机，数字广播终端，消息收发设备，游戏控制台，平板设备，个人数字助理等。
参照图5，基于信息增益的特征选择装置500可以包括以下一个或多个组件：处理组件502，存储器504，电源组件506，多媒体组件508，音频组件510，输入/输出(I/O)的接口512，传感器组件514，以及通信组件516。
处理组件502通常控制无人机控制装置500的整体操作，诸如与显示，电话呼叫，数据通信，相机操作和记录操作相关联的操作。处理组件502可以包括一个或多个处理器520来执行指令。
此外，处理组件502可以包括一个或多个模块，便于处理组件502和其他组件之间的交互。例如，处理组件502可以包括多媒体模块，以方便多媒体组件508和处理组件502之间的交互。
存储器504被配置为存储各种类型的数据以支持在无人机控制装置500的操作。这些数据的示例包括用于在无人机控制装置500上操作的任何应用程序或方法的指令，联系人数据，电话簿数据，消息，图片，视频等。存储器504可以由任何类型的易失性或非易失性存储设备或者它们的组合实现，如静态随机存取存储器(SRAM)，电可擦除可编程只读存储器(EEPROM)，可擦除可编程只读存储器(EPROM)，可编程只读存储器(PROM)，只读存储器(ROM)，磁存储器，快闪存储器，磁盘或光盘。
电源组件506为无人机控制装置500的各种组件提供电力。电源组件506可以包括电源管理系统，一个或多个电源，及其他与为无人机控制装置500生成、管理和分配电力相关联的组件。
多媒体组件508包括在所述无人机控制装置500和用户之间的提供一个输出接口的屏幕。在一些实施例中，屏幕可以包括液晶显示器(LCD)和触摸面板(TP)。如果屏幕包括触摸面板，屏幕可以被实现为触摸屏，以接收来自用户的输入信号。触摸面板包括一个或多个触摸传感器以感测触摸、滑动和触摸面板上的手势。所述触摸传感器可以不仅感测触摸或滑动动作的边界，而且还检测与所述触摸或滑动操作相关的持续时间和压力。在一些实施例中，多媒体组件508包括一个前置摄像头和/或后置摄像头。当无人机控制装置500处于操作模式，如拍摄模式或视频模式时，前置摄像头和/或后置摄像头可以接收外部的多媒体数据。每个前置摄像头和后置摄像头可以是一个固定的光学透镜系统或具有焦距和光学变焦能力。
音频组件510被配置为输出和/或输入音频信号。例如，音频组件510包括一个麦克风(MIC)，当无人机控制装置500处于操作模式，如呼叫模式、记录模式和语音识别模式时，麦克风被配置为接收外部音频信号。所接收的音频信号可以被进一步存储在存储器504或经由通信组件516发送。在一些实施例中，音频组件510还包括一个扬声器，用于输出音频信号。
I/O接口512为处理组件502和外围接口模块之间提供接口，上述外围接口模块可以是键盘，点击轮，按钮等。这些按钮可包括但不限于：主页按钮、音量按钮、启动按钮和锁定按钮。
传感器组件514包括一个或多个传感器，用于为无人机控制装置500提供各个方面的状态评估。例如，传感器组件514可以检测到无人机控制装置500的打开/关闭状态，组件的相对定位，例如所述组件为无人机控制装置500的显示器和小键盘，传感器组件514还可以检测无人机控制装置500或无人机控制装置500一个组件的位置改变，用户与无人机控制装置500接触的存在或不存在，无人机控制装置500方位或加速/减速和无人机控制装置500的温度变化。传感器组件514可以包括接近传感器，被配置用来在没有任何的物理接触时检测附近物体的存在。传感器组件514还可以包括光传感器，如CMOS或CCD图像传感器，用于在成像应用中使用。在一些实施例中，该传感器组件514还可以包括加速度传感器，陀螺仪传感器，磁传感器，压力传感器或温度传感器。
通信组件516被配置为便于无人机控制装置500和其他设备之间有线或无线方式的通信。无人机控制装置500可以接入基于通信标准的无线网络，如WiFi，2G或3G，或它们的组合。在一个示例性实施例中，通信组件516经由广播信道接收来自外部广播管理系统的广播信号或广播相关信息。在一个示例性实施例中，所述通信组件516还包括近场通信(NFC)模块，以促进短程通信。例如，在NFC模块可基于射频识别(RFID)技术，红外数据协会(IrDA)技术，超宽带(UWB)技术，蓝牙(BT)技术和其他技术来实现。
在示例性实施例中，无人机控制装置500可以被一个或多个应用专用集成电路(ASIC)、数字信号处理器(DSP)、数字信号处理设备(DSPD)、可编程逻辑器件(PLD)、现场可编程门阵列(FPGA)、控制器、微控制器、微处理器或其他电子元件实现。
本说明书中的各个实施例均采用递进的方式描述，各个实施例之间相同相似的部分互相参见即可，每个实施例重点说明的都是与其他实施例的不同之处。尤其，对于设备实施例而言，由于其基本相似于方法实施例，所以描述得比较简单，相关之处参见方法实施例的部分说明即可。
本领域普通技术人员可以理解实现上述实施例方法中的全部或部分流程，是可以通过计算机程序来指令相关的硬件来完成，所述的程序可存储于一计算机可读取存储介质中，该程序在执行时，可包括如上述各方法的实施例的流程。其中，所述的存储介质可为磁碟、光盘、只读存储记忆体(Read-Only Memory，ROM)或随机存储记忆体(Random AccessMemory，RAM)等。
以上所述，仅为本发明的具体实施方式，但本发明的保护范围并不局限于此，任何熟悉本技术领域的技术人员在本发明揭露的技术范围内，可轻易想到的变化或替换，都应涵盖在本发明的保护范围之内。因此，本发明的保护范围应该以权利要求的保护范围为准。

Claims (11)

1.一种基于信息增益的特征选择方法，其特征在于，包括：
计算初始特征集中的信息增益值；
按照信息增益值由大到小的顺序对所述各特征进行排序；
根据所述排序结果，利用支持向量机SVM分类器依次获得特征测评值；
基于各特征测评值，在所述初始特征集中选择满足预设条件的至少一个特征作为目标特征。
2.根据权利要求1所述的基于信息增益的特征选择方法，其特征在于，所述根据所述排序结果，利用SVM分类器依次获得特征测评值之前，还包括：
基于样本数据集中的特征测评值和已选取的目标特征之间的信息相关性，构建所述SVM分类器。
3.根据权利要求1所述的基于信息增益的特征选择方法，其特征在于，所述基于各特征测评值，在所述初始特征集中选择满足预设条件的至少一个特征作为目标特征，包括：
在所述初始特征集中，选择特征测评值最大的一个特征作为所述目标特征；或，
在所述初始特征集中，选择特征测评值最大的多个特征作为所述目标特征；或，
在所述初始特征集中，选择特征测评值大于或等于预设阈值的特征作为所述目标特征。
4.根据权利要求3所述的基于信息增益的特征选择方法，其特征在于，在所述初始特征集中，选择特征测评值最大的多个特征作为所述目标特征，包括：
在所述初始特征集中，选择特征测评值最大的3个特征或6个特征，作为所述目标特征。
5.根据权利要求1所述的基于信息增益的特征选择方法，其特征在于，所述特征测评值为检测率与误报率之间的比值；
所述方法还包括：
基于所述目标特征，对当前网络进行入侵检测分析。
6.一种基于信息增益的特征选择装置，其特征在于，包括：
计算模块，用于计算初始特征集中的信息增益值；
排序模块，用于按照信息增益值由大到小的顺序对所述各特征进行排序；
测评模块，用于根据所述排序结果，利用支持向量机SVM分类器依次获得特征测评值；
选择模块，用于基于各特征测评值，在所述初始特征集中选择满足预设条件的至少一个特征作为目标特征。
7.根据权利要求6所述的基于信息增益的特征选择装置，其特征在于，所述装置还包括：
构建模块，用于基于样本数据集中的特征测评值和已选取的目标特征之间的信息相关性，构建所述SVM分类器。
8.根据权利要求6所述的基于信息增益的特征选择装置，其特征在于，
所述选择模块，还用于在所述初始特征集中，选择特征测评值最大的一个特征作为所述目标特征；或，在所述初始特征集中，选择特征测评值最大的多个特征作为所述目标特征；或，在所述初始特征集中，选择特征测评值大于或等于预设阈值的特征作为所述目标特征。
9.根据权利要求8所述的基于信息增益的特征选择装置，其特征在于，
所述选择模块，还用于在所述初始特征集中，选择特征测评值最大的3个特征或6个特征，作为所述目标特征。
10.根据权利要求6所述的基于信息增益的特征选择方法，其特征在于，
所述测评模块获得的所述特征测评值为检测率与误报率之间的比值；
所述装置还包括：
分析模块，用于基于所述目标特征，对当前网络进行入侵检测分析。
11.一种计算机可读存储介质，其上存储有计算机程序，其特征在于，所述程序被处理器执行时实现权利要求1-5所述方法的步骤。
CN201811514752.4A 2018-12-12 2018-12-12 基于信息增益的特征选择方法、装置及存储介质 Pending CN109614794A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201811514752.4A CN109614794A (zh) 2018-12-12 2018-12-12 基于信息增益的特征选择方法、装置及存储介质

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201811514752.4A CN109614794A (zh) 2018-12-12 2018-12-12 基于信息增益的特征选择方法、装置及存储介质

Publications (1)

Publication Number Publication Date
CN109614794A true CN109614794A (zh) 2019-04-12

Family

ID=66007857

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201811514752.4A Pending CN109614794A (zh) 2018-12-12 2018-12-12 基于信息增益的特征选择方法、装置及存储介质

Country Status (1)

Country Link
CN (1) CN109614794A (zh)

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN105678587A (zh) * 2016-01-12 2016-06-15 腾讯科技（深圳）有限公司 一种推荐特征确定方法、信息推荐方法及装置
CN112182331A (zh) * 2020-09-24 2021-01-05 上海工程技术大学 一种基于svm-rfe的客户风险特征筛选方法及其应用

Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN101610516A (zh) * 2009-08-04 2009-12-23 华为技术有限公司 自组织网络中的入侵检测方法与设备
US20150156211A1 (en) * 2013-11-29 2015-06-04 Macau University Of Science And Technology Method for Predicting and Detecting Network Intrusion in a Computer Network
CN107392015A (zh) * 2017-07-06 2017-11-24 长沙学院 一种基于半监督学习的入侵检测方法

Patent Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN101610516A (zh) * 2009-08-04 2009-12-23 华为技术有限公司 自组织网络中的入侵检测方法与设备
US20150156211A1 (en) * 2013-11-29 2015-06-04 Macau University Of Science And Technology Method for Predicting and Detecting Network Intrusion in a Computer Network
CN107392015A (zh) * 2017-07-06 2017-11-24 长沙学院 一种基于半监督学习的入侵检测方法

Cited By (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN105678587A (zh) * 2016-01-12 2016-06-15 腾讯科技（深圳）有限公司 一种推荐特征确定方法、信息推荐方法及装置
CN112182331A (zh) * 2020-09-24 2021-01-05 上海工程技术大学 一种基于svm-rfe的客户风险特征筛选方法及其应用
CN112182331B (zh) * 2020-09-24 2022-08-02 上海工程技术大学 一种基于svm-rfe的客户风险特征筛选方法及其应用

Similar Documents

Publication Publication Date Title
TWI773945B (zh) 錨點確定方法、電子設備和儲存介質
WO2021093375A1 (zh) 检测同行人的方法及装置、系统、电子设备和存储介质
CN106709399A (zh) 指纹识别方法及装置
CN105701997A (zh) 报警方法和装置
CN111242188B (zh) 入侵检测方法、装置及存储介质
CN104850995A (zh) 操作执行方法及装置
CN110191085B (zh) 基于多分类的入侵检测方法、装置及存储介质
CN110222706A (zh) 基于特征约简的集成分类方法、装置及存储介质
CN109842612A (zh) 基于图库模型的日志安全分析方法、装置及存储介质
CN109951476A (zh) 基于时序的攻击预测方法、装置及存储介质
CN106096009A (zh) 消息生成方法及装置
CN105139033A (zh) 分类器构建方法及装置和图片处理方法及装置
CN109101542B (zh) 图像识别结果输出方法及装置、电子设备和存储介质
WO2021103994A1 (zh) 用于信息推荐的模型训练方法、装置、电子设备以及介质
CN113032627A (zh) 视频分类方法、装置、存储介质及终端设备
CN109598120A (zh) 移动终端的安全态势智能分析方法、装置及存储介质
US20220270352A1 (en) Methods, apparatuses, devices, storage media and program products for determining performance parameters
CN109981624A (zh) 入侵检测方法、装置及存储介质
CN104484683A (zh) 黄色图片检测方法及装置
CN109614794A (zh) 基于信息增益的特征选择方法、装置及存储介质
CN109214175A (zh) 基于样本特征训练分类器的方法、装置及存储介质
CN110781842A (zh) 图像处理方法及装置、电子设备和存储介质
CN105551047A (zh) 图片内容的检测方法和装置
CN109614181A (zh) 移动终端的安全态势展示方法、装置及存储介质
CN106339452B (zh) 事件响应方法及装置

Legal Events

Date Code Title Description
PB01 Publication
PB01 Publication
SE01 Entry into force of request for substantive examination
SE01 Entry into force of request for substantive examination