基于機(jī)器學(xué)習(xí)建模的口令脆弱性檢測(cè)
發(fā)布時(shí)間:2024-11-03 02:52
為了解決網(wǎng)絡(luò)中的口令脆弱性評(píng)估、口令混淆檢測(cè)等問題,研究基于機(jī)器學(xué)習(xí)融合告警的口令脆弱性評(píng)估方法,從大量的樣本集中學(xué)習(xí)概率語言特征和文本上下文特征,通過隨機(jī)森林算法和邏輯回歸算法構(gòu)建機(jī)器學(xué)習(xí)融合告警模型,實(shí)現(xiàn)了口令脆弱性的智能評(píng)估功能。將機(jī)器學(xué)習(xí)算法引入口令評(píng)估領(lǐng)域,大幅提高口令的評(píng)估檢測(cè)能力,能夠準(zhǔn)確識(shí)別時(shí)序變化和惡意混淆的口令。
【文章頁數(shù)】:7 頁
【部分圖文】:
本文編號(hào):4010566
【文章頁數(shù)】:7 頁
【部分圖文】:
式中,D為口令訓(xùn)練數(shù)據(jù)集,A為口令特征劃分屬性,m為口令集D的分類數(shù)目,pi為類別為i的概率,j是基于屬性特征A的v個(gè)不同的取值。2.2邏輯回歸模型
式中,k為迭代次數(shù),每次參數(shù)更新后,比較||J(wk+1)-J(wk)||小于閾值或者達(dá)到最大迭代次數(shù)來停止迭代,將求得的參數(shù)代入表達(dá)式即可得到邏輯回歸分類模型。2.3融合告警
將概率語言特征傳遞給隨機(jī)森林算法,通過隨機(jī)森林算法的訓(xùn)練效率高、引入隨機(jī)性較多、對(duì)數(shù)據(jù)適應(yīng)能力強(qiáng)等特性,訓(xùn)練出泛化能力強(qiáng)、橫向檢測(cè)能力高的基于概率語言特征的隨機(jī)森林模型;將文本特征傳遞給邏輯回歸算法,通過邏輯回歸算法的內(nèi)存資源占用小、可解釋性強(qiáng)、分類計(jì)算量小等特征,訓(xùn)練出具有上下....
本文編號(hào):4010566
本文鏈接:http://www.wukwdryxk.cn/guanlilunwen/ydhl/4010566.html
最近更新
教材專著