[发明专利]一种基于CFS_KL的贝叶斯加权方法

权利要求书

1.一种基于CFS_KL的贝叶斯加权方法，其特征在于，包括以下步骤：

S1、分析nmap指纹库中的操作系统识别规则，拆解nmap指纹库，使用指纹库中的指纹名称作为模型的标记数据，指纹名称下的响应序列标志位构成训练数据；

S2、对训练数据进行封箱预处理操作；

S3、使用KL散度计算属性与类之间的关联度作为每个属性的权值，第i个属性Ai对应的权值M_i为：

其中，P(a_i)为第i个属性Ai的取值的概率，P(c)为类别c的先验概率，P(c|a_i)为第i个属性Ai的取值上类别为c的条件概率；

S4、使用特征选择方法选出42个维度；

S5、使用CFS选出的维度修正KL散度计算出的权重，维度修正KL散度计算出的权重为：

其中，表示被CFS方法选中的第i个维度，a_i表示没有被CFS方法选中的其他属性；

S6、使用加权贝叶斯算法进行训练；

S7、取步骤S1的训练数据，通过封箱操作将向量输入训练好的指纹模型，通过基于CFS_KL的加权贝叶斯算法，计算出每条流量的最大后验概率，完成模拟数据测试；

S8、通过向目标网段发包的方式，采集真实流量，将真实流量输入指纹模型，预测结果；计算真实流量的测试精度。

2.根据权利要求1所述的基于CFS_KL的贝叶斯加权方法，其特征在于，步骤S1中，以Fingerprint行代表的是该指纹所属的操作系统，以此作为分类的类标记，将每个响应序列加上标志位作为特征进行拆分，在选择维度时删除SEQ.SP特征，得到118个特征；按照规则集拆分指纹库，对于标志位取值SP＝0-5拆解成SP＝0，SP＝1到SP＝5；对于标志位取值GCD＝B8|114|170|1CC拆解成GCD＝B8，GCD＝114，并映射成118列的数字向量；按照蒙特卡洛方法，从拆分出的数据集中抽出90万数据作为训练数据。

3.根据权利要求2所述的基于CFS_KL的贝叶斯加权方法，其特征在于，蒙特卡洛方法具体为：

分别获取响应序列的全集，当全集数量大于500时，从全集随机挑选4个样本；当全集数量大于10小于等于500时，从全集随机挑选2个样本；当全集数量小于10时，随机挑选1个样本，获得90万数据作为模拟测试集。

4.根据权利要求1所述的基于CFS_KL的贝叶斯加权方法，其特征在于，步骤S2中，在训练数据中，对于每一个维度，取所有值，去重，按照从小到大排序，将所有数据平均分散到40个区间内，取每个区间的首尾，将区间内的数据全部映射成另外一个数字。