恶意网络软件行为评估中的分类优化模型仿真

摘要

在分析恶意网络软件行为评估中的分类问题时,由于其具有组织性高,专业性强的特点,使得属性集之间存在不规则的关联性.传统的分类模型在分类过程中,由于忽略了这种关联性对恶意属性数据划分造成的干扰,导致无法解决恶意网络软件行为评估不能准确分类.提出基于改进贝叶斯模型的恶意网络软件行为评估中的分类优化模型,分析了朴素贝叶斯分类模型,依据贝叶斯定理,利用条件独立性假设,减少恶意网络软件行为评估中分类计算的开销,预测未知数据样本属于最高后验概率的类.给出贝叶斯定理变形公式,获取恶意网络软件行为评估中属性集的一个划分,在属性间加入能够减缓朴素贝叶斯的强独立性假设的增强弧,完成DLBAN模型的建立.仿真结果表明,所提模型具有很高的查全率和查准率,分类性能优越.