P2P网络贷款信用的风险评估

文章根据P2P贷款数据高维度、非线性以及小样本等特点,选择了支持向量机方法来评估其信用风险,选取2012年1月1日至2014年4月30日的天度数据,实证结果发现:P2P网络贷款的信用风险主要由为数不多的关键属性来决定的;同时,运用支持向量机技术评估信用风险所得出的准确率为85.6%。

基于PCA的SVM网络入侵检测研究

文章针对传统入侵检测方法无法很好地对大样本数据降维、检测效率低、时间长、误报漏报率高等缺点,提出一种基于主成分分析(principal component analysis,PCA)的支持向量机(support vector machine,SVM)网络入侵检测方法(PCA—SVM)。该方法在对数据进行预处理之后,通过PCA对原始数据集的41个属性进行数据降维并消除冗余数据,找到具有最优分类效果的主成分属性集,然后再以此数据集训练支持向量机分类器,得到检测器。实验选择KDD99数据集在Matlab平台上对PCA-SVM算法进行仿真。相比于由传统41个属性训练得到的入侵检测器,文中方法大大缩短了检测时间,提高了检测效率,为网络入侵检测技术提供了一种新的可行方案。

采用成分分析的差分隐私数据发布算法

基于隐私保护的数据发布主要研究如何发布数据,使其能在不泄露隐私的情况下又能提供良好的数据可用性.在已有的隐私保护模型中,差分隐私保护模型因为对攻击者具有的背景知识已经做了最强假设,因此具有更强的安全性.一般的差分隐私保护模型实现机制有指数机制和拉普拉斯机制.本文研究非交互式下的差分隐私数据发布算法,对传统拉普拉斯机制进行了改进,提出了基于主成分分析的差分隐私保护机制,使其在同样的隐私保护程度下,对数据所加噪声更小,数据可用性更高.并针对发布数据的分类问题,进一步提出了基于线性判别分析的差分隐私数据发布算法,实验证明所发布数据在进行数据挖掘时,具有良好的分类效果.