Адаптация наивного байесовского классификатора к механизму классификации электронных сообщений

Автор: Бурлаков Михаил Евгеньевич, Голубых Денис Алексеевич, Осипов Михаил Николаевич

Журнал: Инфокоммуникационные технологии @ikt-psuti

Рубрика: Электромагнитная совместимость и безопасность оборудования

Статья в выпуске: 2 т.14, 2016 года.

Бесплатный доступ

Рассматривается классификация электронных сообщений как адаптивными, так и неадаптивными алгоритмами. Особое внимание уделяется применению алгоритма наивного байесовского классификатора в решении задачи классификации блоков данных. Показана возможность реализации алгоритма при рассмотрении элементов в рамках электронного сообщения в качестве независимых событий с применением апостериорного правила принятия решений. Определен процесс обучения наивного байесовского классификатора как подсчет вероятности встречи того или иного слова в электронном сообщении.

Классификация электронных сообщений, наивный байесовский классификатор, достоверный блок информации, недостоверный блок информации

Короткий адрес: https://sciup.org/140191830

IDR: 140191830   |   DOI: 10.18469/ikt.2016.14.2.15

Список литературы Адаптация наивного байесовского классификатора к механизму классификации электронных сообщений

  • Васильев В.И. Интеллектуальные системы защиты информации. М.: Машиностроение, 2012. -172 с.
  • Vacca J.R. Computer and Information Security Handbook//Newnes, 2012. -1200 р.
  • Nunes L., Timmis J. Artificial Immune Systems: A New Computational Intelligence Approach//Springer Science & Business Media, 2002. -380 р.
  • Хайкин С. Нейронные сети. М.: ИД «Вильямс», 2008. -1103 р.
  • Abe S. Support Vector Machines for Pattern Classification//Springer Science & Business Media. 2005. -473 р.
  • Kollias S. Artificial Neural Networks//Springer Science & Business Media. 2006. -1008 р.
  • Дасгупта Д. Искусственные иммунные системы и их применение. Пер. с англ. М.: ФИЗМАТЛИТ, 2006. -344 с.
  • Tarakanov A.O. Immunocomputing: principles and applications//Springer Verlag, New York, 2003 -193 р.
  • Borger E. The Abstract State Machines Method for High-Level System Design and Analysis//Dipartimento di Informatica, Universita di Pisa. 2007. -Р. 30-35.
  • Shim J.K. Information Systems and Technology for the Noninformation Systems Executive//CRC Press. 2000. -672 р.
  • Lunt T.F., Tamaru A., Gilham F. A real-time intrusion-detection expert system (IDES)//Final Technical Report. 1992. -Р. 10-13.
  • Бурлаков М.Е. Метод фильтрации входящего трафика на основе двухслойной рекуррентной нейронной сети//Ползуновский вестник. АлтГТУ им. И.И. Ползунова, №3/2, 2012. -С. 215-219.
  • Бурлаков М.Е., Осипов М.Н. Аудит безопасности локальной вычислительной сети с помощью динамической системы на нейронах с реакцией на последовательности.//Информационное противодействие угрозам терроризма. № 20, 2013. -С. 166-170.
  • Delvin D., O’Sullivan B. Satisfiability as a Classification Problem//University College Cork. URL: http://www.cs.ucc.ie/~osullb/pubs/classification.pdf (д.о. 03.01.2016).
  • Fernandez-Delgado M., Cernadas E., Barro S. Do we Need Hundreds of Classifiers to Solve Real World Classification Problems//University of Santiago de Compostela. URL: http://jmlr.csail.mit.edu/papers/volume15/delgado14a/delgado14a.pdf.
  • Schapire R. Machine Learning Algorithms for Classification//Princeton University. URL: http://www.cs.princeton.edu/~schapire/talks/picasso-minicourse.pdf.
  • Гмурман В.Е. Теория вероятностей и математическая статистика. М.: Высшее образование, 2005. -400 с.
  • Боровиков В. STATISTICA. Искусство анализа данных на компьютере: Для профессионалов. СПб.: Питер, 2003. -688 с.
Еще
Статья научная