机器学习学习笔记--朴素贝叶斯实践

朴素贝叶斯算法是应用最为广泛的分类算法之一。简称NB算法。可以用来检测异常操作,检测DGA域名,检测针对Apache的DDos攻击,检测基于MNIST数据集的验证码。

朴素贝叶斯算法包括以下算法

高斯朴素贝叶斯算法

多项式朴素贝叶斯算法

伯努利朴素贝叶斯

1.hellobeiyesi

# coding: utf-8

from sklearn import datasets

iris = datasets.load_iris()

from sklearn.naive_bayes import GaussianNB

gnb = GaussianNB()

y_pred = gnb.fit(iris.data,iris.target).predict(iris.data)#训练并预测数据

print ("Number of mislabeled points out of total %d points : %d" % (iris.data.shape[0],(iris.target != y_pred).sum()))

2.检测异常操作

操作思路:

1.数据的搜集与清洗

2.特征化

3.训练模型

4.效果验证

检测异常操作:

# -*- coding:utf-8 -*-

import sys

import urllib

import urlparse

import re

from hmmlearn import hmm

import numpy as np

from sklearn.externals import joblib

import HTMLParser

import nltk#用来分词

import csv

import matplotlib.pyplot as plt

from nltk.probability import FreqDist

from sklearn.feature_extraction.text import CountVectorizer

from sklearn.neighbors import KNeighborsClassifier

from sklearn.naive_bayes import GaussianNB

N = 90

def load_user_cmd_new(filename):

cmd_list=[]

dist = []

with open(filename) as f:

i=0

x=[]

for line in f:

line = line.strip('\n')

x.append(line)

dist.append(line)

i+=1

if i == 100:

cmd_list.append(x)

x=[]

i=0

fdist=FreqDist(dist).keys()

return cmd_list,fdist

def load_user_cmd(filename):

cmd_list=[]

dist_max=[]

dist_min=[]

dist=[]

with open(filename) as f:

i=0

x=[]

for line in f:

line=line.strip('\n')

x.append(line)

dist.append(line)

i+=1

if i == 100:

cmd_list.append(x)

x=[]

i=0

fdist = FreqDist(dist).keys()

dist_max = set(fdist[0:50])

dist_min = set(fdist[-50:])

return cmd_list,dist_max,dist_min

#以下是提取特征

def get_user_cmd_feature(user_cmd_list,dist_max,dist_min):

user_cmd_feature=[]

for cmd_block in user_cmd_list:

f1=len(set(cmd_block))

fdist = FreqDist(cmd_block).keys()

f2 = fdist[0:10]

f3 = fdist[-10:]

f2 = len(set(f2) & set(dist_max))

f3 = len(set(f3)&set(dist_min))

x = [f1,f2,f3]

user_cmd_feature.append(x)

return user_cmd_feature

def get_user_cmd_feature_new(user_cmd_list,dist):

user_cmd_feature=[]

for cmd_list in user_cmd_list:

v=[0]*len(dist)

for i in range(0,len(dist)):

if dist[i] in cmd_list:

v[i]+=1

user_cmd_feature.append(v)

return user_cmd_feature

def get_label(filename,index=0):

x=[]

with open(filename) as f:

for line in f:

line=line.strip('\n')

x.append(int(line.split()[index]))

return x

if __name__ == '__main__':

user_cmd_list,dist=load_user_cmd_new("/home/qin/code/python/web-ml/1book-master/data/MasqueradeDat/User3")

user_cmd_feature=get_user_cmd_feature_new(user_cmd_list,dist)

labels=get_label("/home/qin/code/python/web-ml/1book-master/data/MasqueradeDat/label.txt",2)

y=[0]*50+labels

x_train=user_cmd_feature[0:N]

y_train=y[0:N]

x_test = user_cmd_feature[N:150]

y_test = y[N:150]

neigh = KNeighborsClassifier(n_neighbors=3)

neigh.fit(x_train,y_train)

y_predict_knn=neigh.predict(x_test)

print y_train

clf = GaussianNB().fit(x_train,y_train)

y_predict_nb=clf.predict(x_test)

score=np.mean(y_test==y_predict_knn)*100

print "KNN %d " % score

score=np.mean(y_test==y_predict_nb)*100

print "NB %d" % score

结果:

[0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 1]

KNN 83

NB 83


2.检测WebShell

# -*- coding:utf-8 -*-

import os

from sklearn.feature_extraction.text import CountVectorizer

import sys

import numpy as np

from sklearn import cross_validation

from sklearn.naive_bayes import GaussianNB

def load_file(file_path):

t=""

with open(file_path) as f:

for line in f:

line=line.strip('\n')

t+=line

return t

def load_files(path):

files_list=[]

for r,d,files in os.walk(path):

for file in files:

if file.endswith('.php'):

file_path=path+file

print "Load %s" % file_path

t=load_file(file_path)

files_list.append(t)

return files_list

if __name__=='__main__':

webshell_bigram_vectorizer=CountVectorizer(ngram_range=(2,2),decode_error="ignore",token_pattern= r'\b\w+\b',min_df=1)

#ngram_range表明基于2-gram,ignore表示忽略异常字符的影响,token_pattern表示按单词切分

webshell_files_list=load_files("/home/qin/code/python/web-ml/1book-master/data/PHP-WEBSHELL/xiaoma/")

x1=webshell_bigram_vectorizer.fit_transform(webshell_files_list).toarray()

y1=[1]*len(x1)

vocabulary=webshell_bigram_vectorizer.vocabulary_

wp_bigram_vectorizer = CountVectorizer(ngram_range=(2,2),decode_error="ignore",token_pattern=r"\b\w+\b",min_df=1,vocabulary=vocabulary)

wp_files_list=load_files("/home/qin/code/python/web-ml/1book-master/data/wordpress/")

x2=wp_bigram_vectorizer.fit_transform(wp_files_list).toarray()

y2=[0]*len(x2)

x=np.concatenate((x1,x2))

y=np.concatenate((y1,y2))

clf = GaussianNB()

print cross_validation.cross_val_score(clf,x,y,n_jobs=-1,cv=3)



3.shell2

import os

from sklearn.feature_extraction.text import CountVectorizer

import sys

import numpy as np

from sklearn import cross_validation

from sklearn.naive_bayes import GaussianNB

r_token_pattern=r'\b\w+\b\(|\'w+\''

def load_file(file_path):

t=""

with open(file_path) as f:

for line in f:

line=line.strip('\n')

t+=line

return t

def load_files(path):

files_list=[]

for r, d, files in os.walk(path):

for file in files:

if file.endswith('.php'):

file_path=path+file

#print "Load %s" % file_path

t=load_file(file_path)

files_list.append(t)

return  files_list

if __name__ == '__main__':

webshell_bigram_vectorizer = CountVectorizer(ngram_range=(1, 1), decode_error="ignore",

token_pattern = r_token_pattern,min_df=1)

webshell_files_list=load_files("/home/qin/code/python/web-ml/1book-master/data/PHP-WEBSHELL/xiaoma")

x1=webshell_bigram_vectorizer.fit_transform(webshell_files_list).toarray()

y1=[1]*len(x1)

vocabulary=webshell_bigram_vectorizer.vocabulary_

wp_bigram_vectorizer = CountVectorizer(ngram_range=(1, 1), decode_error="ignore",

token_pattern = r_token_pattern,min_df=1,vocabulary=vocabulary)

wp_files_list=load_files("/home/qin/code/python/web-ml/1book-master/data/wordpress/")

x2=wp_bigram_vectorizer.transform(wp_files_list).toarray()

y2=[0]*len(x2)

x=np.concatenate((x1,x2))

y=np.concatenate((y1, y2))

clf = GaussianNB()

print vocabulary

print cross_validation.cross_val_score(clf,x,y,n_jobs=-1,cv=3)



最后编辑于
©著作权归作者所有,转载或内容合作请联系作者
  • 序言:七十年代末,一起剥皮案震惊了整个滨河市,随后出现的几起案子,更是在滨河造成了极大的恐慌,老刑警刘岩,带你破解...
    沈念sama阅读 203,937评论 6 478
  • 序言:滨河连续发生了三起死亡事件,死亡现场离奇诡异,居然都是意外死亡,警方通过查阅死者的电脑和手机,发现死者居然都...
    沈念sama阅读 85,503评论 2 381
  • 文/潘晓璐 我一进店门,熙熙楼的掌柜王于贵愁眉苦脸地迎上来,“玉大人,你说我怎么就摊上这事。” “怎么了?”我有些...
    开封第一讲书人阅读 150,712评论 0 337
  • 文/不坏的土叔 我叫张陵,是天一观的道长。 经常有香客问我,道长,这世上最难降的妖魔是什么? 我笑而不...
    开封第一讲书人阅读 54,668评论 1 276
  • 正文 为了忘掉前任,我火速办了婚礼,结果婚礼上,老公的妹妹穿的比我还像新娘。我一直安慰自己,他们只是感情好,可当我...
    茶点故事阅读 63,677评论 5 366
  • 文/花漫 我一把揭开白布。 她就那样静静地躺着,像睡着了一般。 火红的嫁衣衬着肌肤如雪。 梳的纹丝不乱的头发上,一...
    开封第一讲书人阅读 48,601评论 1 281
  • 那天,我揣着相机与录音,去河边找鬼。 笑死,一个胖子当着我的面吹牛,可吹牛的内容都是我干的。 我是一名探鬼主播,决...
    沈念sama阅读 37,975评论 3 396
  • 文/苍兰香墨 我猛地睁开眼,长吁一口气:“原来是场噩梦啊……” “哼!你这毒妇竟也来了?” 一声冷哼从身侧响起,我...
    开封第一讲书人阅读 36,637评论 0 258
  • 序言:老挝万荣一对情侣失踪,失踪者是张志新(化名)和其女友刘颖,没想到半个月后,有当地人在树林里发现了一具尸体,经...
    沈念sama阅读 40,881评论 1 298
  • 正文 独居荒郊野岭守林人离奇死亡,尸身上长有42处带血的脓包…… 初始之章·张勋 以下内容为张勋视角 年9月15日...
    茶点故事阅读 35,621评论 2 321
  • 正文 我和宋清朗相恋三年,在试婚纱的时候发现自己被绿了。 大学时的朋友给我发了我未婚夫和他白月光在一起吃饭的照片。...
    茶点故事阅读 37,710评论 1 329
  • 序言:一个原本活蹦乱跳的男人离奇死亡,死状恐怖,灵堂内的尸体忽然破棺而出,到底是诈尸还是另有隐情,我是刑警宁泽,带...
    沈念sama阅读 33,387评论 4 319
  • 正文 年R本政府宣布,位于F岛的核电站,受9级特大地震影响,放射性物质发生泄漏。R本人自食恶果不足惜,却给世界环境...
    茶点故事阅读 38,971评论 3 307
  • 文/蒙蒙 一、第九天 我趴在偏房一处隐蔽的房顶上张望。 院中可真热闹,春花似锦、人声如沸。这庄子的主人今日做“春日...
    开封第一讲书人阅读 29,947评论 0 19
  • 文/苍兰香墨 我抬头看了看天上的太阳。三九已至,却和暖如春,着一层夹袄步出监牢的瞬间,已是汗流浃背。 一阵脚步声响...
    开封第一讲书人阅读 31,189评论 1 260
  • 我被黑心中介骗来泰国打工, 没想到刚下飞机就差点儿被人妖公主榨干…… 1. 我叫王不留,地道东北人。 一个月前我还...
    沈念sama阅读 44,805评论 2 349
  • 正文 我出身青楼,却偏偏与公主长得像,于是被迫代替她去往敌国和亲。 传闻我的和亲对象是个残疾皇子,可洞房花烛夜当晚...
    茶点故事阅读 42,449评论 2 342

推荐阅读更多精彩内容