27、网络攻击目标预测：多技术对比与新冠疫情影响分析

网络攻击目标预测：多技术对比与新冠疫情影响分析

在网络安全领域，了解攻击者可能的目标对于制定有效的防御策略至关重要。本文将介绍多种分类技术在预测网络攻击目标方面的应用，并探讨新冠疫情对网络攻击模式的影响。

1. 分类技术应用

为了预测网络攻击的目标类别，我们使用了五种不同的分类技术，包括朴素贝叶斯、决策树、支持向量机、人工神经网络和K近邻算法。以下是对这些技术的详细介绍：
- 朴素贝叶斯（Naïve Bayes） ：使用WEKA Explorer进行分类，并进行10折交叉验证。该分类器预测目标类别的准确率为32.636%。从ROC面积来看，零售与广告（RA）、政府与媒体（GM）、个人（In）和多类别（Mu）的准确率高于0.7。不过，Mu类别的准确率高是因为分配到该类别的样本很少，导致真阳性率较低。GM和In在真阳性率和ROC面积上得分较高，但只有GM的F值大于0.5。
| 类别 | 真阳性率 | 假阳性率 | 精确率 | 召回率 | F值 | MCC | ROC面积 | PRC面积 |
| — | — | — | — | — | — | — | — | — |
| GM | 0.621 | 0.213 | 0.483 | 0.621 | 0.543 | 0.378 | 0.747 | 0.493 |
| IT | 0.262 | 0.094 | 0.291 | 0.262 | 0.276 | 0.176 | 0.69 | 0.292 |
| In | 0.711 | 0.323 | 0.293 | 0.711 | 0.415 | 0.291 | 0.724 | 0.337 |
| He | 0