垃圾郵件過濾中的敵手分類問題研究.pdf

1、機器學習作為一種重要的智能信息處理技術，在垃圾郵件過濾系統(tǒng)中得到廣泛的應用。然而在實際對抗性網絡環(huán)境中，垃圾郵件過濾器面臨著垃圾郵件發(fā)送者無休止惡意攻擊的威脅。從而導致在實驗環(huán)境中高性能的機器學習算法，在實際應用時其性能可能變的很差。敵手分類的提出正是為了應對這種挑戰(zhàn)，并成為當前機器學習領域的研究熱點，具有重大的理論和實際應用價值。
　　本文針對垃圾郵件過濾中的敵手分類問題展開了研究，包括對敵手分類中的攻防博弈問題，垃圾郵件過濾的

2、抗中文好詞攻擊問題，以及基于Kolmogorov復雜性的魯棒性分類問題這三方面的研究。本文取得了如下五點創(chuàng)新性成果：
　　1.提出了一個基于 Stackelberg延時博弈的敵手分類模型。以往基于Stackelberg博弈的敵手分類模型，不能解釋取得納什均衡后垃圾郵件發(fā)送者為何還要繼續(xù)發(fā)動攻擊。本模型將實際中跟隨者的反應延時引入Stackelberg博弈建模，重點分析了反應延時對領導者和跟隨者收益的影響，并利用遺傳算法得到納什均衡

3、，最后通過實驗仿真驗證了本模型的正確性。本模型表明垃圾郵件發(fā)送者具有先發(fā)優(yōu)勢，并在數據挖掘者的反應延時中獲得超額收益，從而不斷發(fā)起新的攻擊。
　　2.提出了一個基于Stackelberg不確定性博弈的敵手分類模型?，F有敵手分類的Stackelberg博弈模型通常假設跟隨者的行動是最優(yōu)的和理性的，這在實際垃圾郵件過濾中是不合理的。本模型將跟隨者的有限理性和有限觀察引入敵手分類的Stackelberg博弈建模，并重點分析了不確定性參數

4、對分類器性能的影響，最后通過真實郵件數據集進行了實驗，驗證了本模型的有效性。
　　3.提出了一個抗中文垃圾郵件好詞攻擊的多示例邏輯回歸模型。目前對中文好詞攻擊問題的研究尚不多見。本模型結合中文分詞技術和特征選擇方法進行預處理，并利用多示例機制和邏輯回歸算法進行學習和分類，最后在中文郵件數據集上進行了實驗。實驗結果表明該模型能夠有效對抗中文垃圾郵件的好詞攻擊，且魯棒性優(yōu)于單示例邏輯回歸和單示例支持向量機模型。
　　4.提出了一

5、個基于Kolmogorov復雜性的垃圾圖像分類模型。傳統(tǒng)的垃圾圖像分類算法存在著魯棒性較差、圖像特征對特定數據集敏感等問題。本模型利用數據壓縮技術和Kolmogorov分類機制，實現了對垃圾圖像的準確分類。通過在垃圾圖像數據集上進行實驗，驗證了本模型能有效對垃圾圖像進行分類。同時對該模型的更新機制進行了安全性分析。本模型既不需要提取圖像中的文字，也不需要對圖像特征進行定義和選擇，是一種數據驅動的無參數分類方法。
　　5.提出了一個