一、Multiple Agent智能垃圾邮件过滤系统的设计（论文文献综述）
陈亚帅[1]（2020）在《基于内容审核的数据泄露防护系统的设计与实现》文中研究说明随着计算机技术的逐渐成熟,计算机在各个行业都变成了不可或缺的一部分,由于计算机技术所具有的革命性优势,各行业相继完成了信息化的过程,计算机和网络已成为日常办公、通讯交流和协作互动的必备工具和途径。计算机技术在改变人们生活的同时所产生的数据信息,成为了二十一世纪至关重要的资源。在过去的十几年里,数据的重要性逐渐被认识到,正如2012年初的达沃斯世界经济论坛上,一份题为《大数据,大影响》（Big Data,Big Impact）的报告所述,数据已经成为一种新的资产类别,就像货币和黄金一样。然而,数据丢失甚至泄露的情况却屡屡发生。一些机密数据的丢失会造成公司的巨大损失,而个人隐私数据的泄露更可能会造成人身安全的威胁,数据防泄漏已经迫在眉睫。本系统设计的目的是为了针对内部人员无意或者有意数据泄露。本系统在企业内部设置代理服务器并在代理服务器上进行数据监控,在不影响企业对于信息交换和正常的公司员工对于电脑的使用的前提下阻止数据通过浏览器或者邮件方式泄露到外部,并由客户端监控终端机器本地的文件复制,检测并阻止有意或无意的、非授权的复制、发送敏感数据的操作。总体上,本系统包括系统管理、终端监控和网络监控三个部分。在系统管理方面,本系统使用B/S软件架构,采用前后端分离的开发方式,选用Vue+Flask+MongoDB进行开发工作。具体的业务管理使用基于策略的系统管理方式,对不同的企业角色定制不同的策略,这里的策略指的是对于每个用户所使用的终端的各种数据传输权限的详细数据。在终端监控方面,系统选用C/S架构,使用minifilter文件过滤微框架开发。在网络监控方面,本系统使用squid、postfix等前沿的代理服务器设置网络代理,使用icap协议进行过滤器与squid间的信息交换。系统的数据监控是基于内容过滤的,本系统通过解析各种协议的报文和多种文件传输格式实现了包括qq邮箱、163邮箱等多种邮箱传输的内容还原,使用tika的文件格式解析,能够解析几乎现在市面上所有的文件格式,甚至在压缩后的文件,文件的匹配基于NFA正则内容匹配,在以后考虑优化,支持文件MD5值匹配、基于余弦相似度算法的文本相似度算法匹配等多种功能。经过不断的探索,本系统经历了从过滤驱动和网络代理模型的提出到模型的实现,再到实际应用的漫长过程。经过汲取国内外数据泄露防护方案的优点,形成了基于网络代理的代理和过滤驱动的数据泄漏防护方案。本系统所涉及到的语言、框架众多,开发环境比较复杂,对实时性和安全性的要求也较高,经过为期一年左右的设计开发工作,基本完成了用户需求。现在系统运行稳定,基本满足用户对于数据泄露防护的需求。本系统后续会持续进行改善和优化,功能将不断完善。
张程[2]（2019）在《计算机网络安全类文本翻译实践报告》文中研究表明计算机互联网的快速发展使得网络安全问题对企业和组织的信息和数据安全产生了深刻的影响,但笔者发现与计算机网络安全相关的翻译实践及研究相对较少,遂选取此类素材作为翻译实践报告的研究对象。本翻译实践项目选取的源语文本属于科技英语文体,是典型的信息型文本,用词规范、逻辑严谨、行文简洁、说理性较强;涉及大量术语、专有名词和名词化结构;被动语态使用广泛,也出现了大量的定语从句和长难句。笔者在翻译源语文本时的困难之处主要在词汇和句法两方面。词汇层面的主要特征和翻译难点是具有大量计算机领域的术语、公司和产品名称及名词化结构,对此笔者采取以直译为主,意译和移植相辅的翻译方法。句子层面的主要特征和翻译难点是多用被动句、定语从句和其他长难句,笔者根据这些句子的特征灵活采取不同的翻译方法。本论文由五个部分组成。第一部分是对翻译项目的介绍,概述了本次翻译实践项目的背景和意义;第二部分是对源语文本的介绍,概述了源语文本的主要内容,并分析了源语文本的主要特征;第三部分对整个翻译过程进行了说明,包括译前准备、译中监控以及译后的修改和总结工作;第四部分是案例分析,源语文本属于科技英语文本,涉及大量科技术语、专有名词和名词化结构以及被动语态、定语从句和长难句,因此本部分结合具体实例,探讨了翻译过程中所采取的翻译方法;第五部分是总结部分,概述了笔者在本次翻译实践中的所学所得以及亟需改进的地方。通过本次翻译实践,笔者学习了很多与计算机网络安全相关的知识,翻译水平进一步提高,同时希望能为该领域的从业者提供信息参考,帮助他们了解行业动态,也希望翻译实践中总结的翻译方法能为翻译类似文本的译者提供借鉴和参考。综上所述,笔者认为本翻译实践项目具有一定的学术价值和现实意义。
丁攀[3]（2019）在《基于贝叶斯网络分类算法的有害信息识别研究》文中提出对文本形式的有害信息而言,有害信息识别的实质是文本分类,无论是垃圾邮件过滤还是网络舆情分析都可看作是短文本的二分类问题。短文本分类中,大部分中文文本存在文本稀疏,特征高维的问题;同时,贝叶斯分类模型存在特征局限和属性间条件独立性假设不存在的问题。特征高维、特征局限和分类模型条件独立性假设不存在的缺陷成为制约短文本分类的重要因素。为降低以上缺陷给短文本分类带来的不利影响,结合垃圾邮件过滤和网络舆情分析的实际情况,分别对特征提取算法和结构学习算法做出改进。首先,针对特征高维的缺陷和所采用三层贝叶斯分类模型的结构特点,给出中心词扩展的概念,结合词频逆文本频率特征加权算法,提出了基于中心词扩展的频逆文本频率特征提取算法,该算法增加了三层贝叶斯分类模型特征节点的表达能力和特征多样性,实现了特征降维。其次,针对分类模型特征局限和属性间条件独立性假设不成立问题,采用三层贝叶斯分类模型作为分类器模型以避免分类模型特征局限,在遗传算法中加入灰狼优化算法中的三只头狼引领的策略,提出了灰狼遗传结构学习算法,利用该算法训练三层贝叶斯网络模型的结构,放宽了分类器模型的属性间条件独立性假设。最后,将两种改进算法应用到垃圾邮件过滤和网络舆情分析的有害信息识别中,分别通过邮件文本数据和微博文本数据的实验分析,证明了两种改进算法以及三层贝叶斯网络结构模型具有可行性,证明了基于灰狼遗传结构学习算法的三层贝叶斯网络分类器可一定程度的提高中文短文本分类的分类性能,并在此基础上设计完成了一种基于贝叶斯网络分类器的有害信息识别软件。
徐丹丹[4]（2019）在《个性化垃圾邮件过滤的扩展研究》文中指出由于兴趣、爱好的不同,不同用户对垃圾邮件的定义可能存在巨大差异,这是一般化邮件过滤器面临的窘境,因此实现个性化垃圾邮件过滤成为目前邮件过滤领域研究的重要课题。同时,特定用户在不同时间段,兴趣点也会发生变化,会使其重新定义对垃圾邮件的过滤标准,所以检测用户兴趣点是否发生变化也是个性化过滤的关键任务。本文针对特定用户邮箱的错滤情况,对个性化过滤技术进行扩展研究,重点关注如何在动态环境下,结合用户的兴趣特征,降低邮件错滤率,并实现自动修正。主要工作和创新点如下:（1）为了缓解现实情况下网络用户邮箱的错滤程度,本文提出了一种基于客户端的个性化邮件再过滤方法。该方法基于多任务学习理论,使得收件箱和垃圾箱过滤器借鉴彼此的特征描述,“互相学习,分开过滤”,缓解类不平衡问题。本文提出邮件数据流中的“广义虚漂移”概念,同时设计多窗口框架,结合重要性加权的方法以达到动态环境自适应的效果。（2）通常情况下,相同集体（实验室、俱乐部或公司）环境中的用户收到的邮件存在一定的相关性,因此本文提出在集体环境下的个性化邮件再过滤方法。当完全个性化邮件过滤器学到的信息有限时,利用相关性数据,可有效增加其信息量,提高过滤精度。在用户隐私保护的状态下,由用户自主放出主观意识下的垃圾邮件,组成“集体垃圾箱”,设置同集体环境下用户共享垃圾邮件,并基于上一项工作实现个性化过滤。（3）通过在多个公开数据集上与多个现有经典垃圾邮件过滤方法作比较,证明了本文过滤模型的优越性。同时对比集体环境与个体环境下过滤器的性能差异,验证了集体环境下可显着提高过滤器的可预见性。
王宗凯[5]（2018）在《基于BP神经网络的多重邮件过滤系统的研究与设计》文中认为随着互联网网络的高速发展,人与人之间在信息交流中使用电子邮件的频率与日俱增,它逐渐成为一个重要的沟通媒介。但是,随着电子邮件的不断普及,伴随而来的是垃圾邮件的泛滥,控制不好甚至会影响了人们的正常工作与生活。目前已有的垃圾邮件过滤仍存在诸多不足,不能很好地将垃圾邮件区分过滤。针对这项不足,如何更好地加强对垃圾邮件过滤技术的研究便显得尤为重要。本次研究是要设计一种基于统计的邮件过滤系统模型。模型训练选用BP神经网络学习算法。实验过程对公共PU语料库进行数据预处理和算法训练得到大量模型,接着进行模型选择,最终通过模型组合得到垃圾邮件过滤系统主辅多重协同模型。邮件在该模型的过滤过程中会被分成多股数据流进入FC层,并分别在Output层输出结果,再根据子模型虚报率（FALLOUT）计算权值得到最终判断结果。论文预处理过程包括了基于Hadoop的词频统计、基于改进TF算法的词典降维和向量空间模型（VSM）形式矩阵生成。词频统计得到总特征词列表、合法邮件特征词列表、垃圾邮件特征词列表和每封邮件特征词列表。本研究针对数据预处理改进了传统的TF算法,通过词频统计对语料库特征词集合进行降维,将维度落在2000维内,收获较好的实验结果。VSM形式稀疏矩阵的生成通过JAVA编写程序实现。主辅模型的选择上通过数据划分将实验数据集划分为A、B、C三个子集,组合算法训练子集和模型仿真子集进行实验,比较A+BC、A+CB、AB+C三种方案训练的模型仿真调和平均精确率,得到系统模型的主模型和辅模型。模型选择是此次研究的关键环节。实验通过不同搭配方案得到模型间的比较、最优单一模型与SVM算法训练模型的比较、最优单一模型与系统组合模型间的比较一步步验证系统模型的性能。实验最后分别通过计算召回率、正确率、F值、精确率、AUC（Area Under Curve）值、基于MACCs和FLOPS的模型运算量、内存占用率对系统模型性能做进一步的测试和评估。实验最终得到的结论,将奇数个较优模型组合为一个分类器,通过多重过滤的方式,可以提高判断准确性和系统泛化能力,并能够有效减少合法邮件的误判。
步芸[6]（2018）在《面向海量邮件日志的异常信息发现与挖掘》文中研究表明电子邮件因为其方便、快捷、低成本的特点成为了人们生活中和工作中不可或缺的信息传递媒介,也因此导致垃圾邮件泛滥成灾。特别是在高校,这种问题尤其严重。杜绝垃圾邮件的传播,有效地对邮件系统进行垃圾邮件的过滤,是学校,乃至企业网络中心十分关注的核心焦点。现如今已存在许多相关研究,比如常用的贝叶斯、支持向量机过滤算法,也获得了很多成果,但是大部分都是基于邮件内容的过滤算法。在现实中,往往因为隐私问题无法获取邮件的文本内容,并且基于内容的过滤也耗费了大量的处理时间。因此,必须寻求新的方法和算法。本文以某高校的邮件系统为例,提出了一种基于ELK对邮件日志的信息处理架构,能够实时处理大量日志流数据,在现实中,高校邮件系统每天产生可达上亿数量级的邮件日志,该框架对上亿的吞吐量仍然表现良好。然后利用正则表达式进行日志分析,提取日志中实验所需的信息,如发件人、收件人、发送时间、接受时间等元素,并定义了邮件事件的概念将所得元素组合进行建模,存入图数据库。然后引入用户基本行为模式单元（简称模式单元）的概念,改进了用户行为模式挖掘算法,提取用户行为特征,通过分析快照中的特征,发现邮件信息的异常。实验证明,该方案能实现对大规模量数据的实时处理与建模存储,满足邮件系统的需求。本文的主要工作在于提供了一个新的工具组合ELK+Neo4j处理邮件日志,利用ELK实现邮件日志的实时搜索。采用正则表达式的方法提取邮件日志中零零散散的信息,将零碎的信息组合建模,提出邮件事件的概念,将事件存入图数据库Neo4j中。引入模式单元的概念,改进了用户行为模式算法来检测用户异常信息,发现垃圾邮件。
陈龙[7]（2017）在《反向选择结合支持向量机的垃圾邮件检测模型》文中进行了进一步梳理垃圾邮件逐渐成为不法分子攻击欺诈用户的主要媒介,而现有垃圾邮件内容形式多变、伪装手段层出不穷,为了保障用户正常使用邮件,垃圾邮件的检测刻不容缓。垃圾邮件检测技术分为两类:第一,以黑白名单为代表的基于知识工程的方法,它们根据不法来源名单来鉴别垃圾邮件,对未知来源的垃圾邮件存在较高的漏报率。第二,以支持向量机等方法为代表的机器学习方法,它们根据正常邮件和垃圾邮件的不同特征通过样本训练建模,模型的分类效果完全依赖于训练集,而人工获取训练集的方式为这种检测带来了较大的不确定性,模型也无法自适应更新。受计算机免疫系统的启发,根据免疫体系中的反向选择算法-它能根据有限的自我判别非我、自适应强的特性,本文提出将支持向量机和反向选择算法结合,构建一个具有动态反馈自适应的垃圾邮件模型。通过反向选择算法将检测出漏报的新型垃圾邮件动态补充训练集重新生成检测器,来解决人工选取的不确定性问题,让垃圾邮件的训练和检测成为一个动态平衡的自适应过程。本文具体研究内容如下:1)对垃圾邮件的现状进行描述,阐述了垃圾邮件的危害、发展以及现有垃圾邮件在形式内容、伪装手段上的动态多变性特征,通过归纳现有垃圾邮件检测技术和解决方案,总结出垃圾邮件检测过程中无自适应性、训练集的选取存在人工干扰的问题;2)提出一个反向选择结合支持向量机的模型用于垃圾邮件检测。该模型包括邮件预处理、检测器生成、模型检测、反馈更新SVM分类器四大部分,不仅能利用反向选择生成的成熟检测器自适应检测未知的新型垃圾邮件,还能根据检测器识别出的新型垃圾邮件动态补充更新训练集,无需人工干预就能生成新的SVM分类器。3)借助公有数据集Enron Email Dataset构建一个垃圾邮件检测实验系统,本文设计两组实验来验证本文设计的SVM-NSA垃圾邮件检测模型的实际分类效果,并与单一的算法模型作横向比较。实验结果证明该模型在不影响正常邮件的识别率的前提下,能检测出更多的垃圾邮件。
邓蔚[8]（2011）在《垃圾邮件过滤中的敌手分类问题研究》文中提出机器学习作为一种重要的智能信息处理技术，在垃圾邮件过滤系统中得到广泛的应用。然而在实际对抗性网络环境中，垃圾邮件过滤器面临着垃圾邮件发送者无休止恶意攻击的威胁。从而导致在实验环境中高性能的机器学习算法，在实际应用时其性能可能变的很差。敌手分类的提出正是为了应对这种挑战，并成为当前机器学习领域的研究热点，具有重大的理论和实际应用价值。本文针对垃圾邮件过滤中的敌手分类问题展开了研究，包括对敌手分类中的攻防博弈问题，垃圾邮件过滤的抗中文好词攻击问题，以及基于Kolmogorov复杂性的鲁棒性分类问题这三方面的研究。本文取得了如下五点创新性成果：1.提出了一个基于Stackelberg延时博弈的敌手分类模型。以往基于Stackelberg博弈的敌手分类模型，不能解释取得纳什均衡后垃圾邮件发送者为何还要继续发动攻击。本模型将实际中跟随者的反应延时引入Stackelberg博弈建模，重点分析了反应延时对领导者和跟随者收益的影响，并利用遗传算法得到纳什均衡，最后通过实验仿真验证了本模型的正确性。本模型表明垃圾邮件发送者具有先发优势，并在数据挖掘者的反应延时中获得超额收益，从而不断发起新的攻击。2.提出了一个基于Stackelberg不确定性博弈的敌手分类模型。现有敌手分类的Stackelberg博弈模型通常假设跟随者的行动是最优的和理性的，这在实际垃圾邮件过滤中是不合理的。本模型将跟随者的有限理性和有限观察引入敌手分类的Stackelberg博弈建模，并重点分析了不确定性参数对分类器性能的影响，最后通过真实邮件数据集进行了实验，验证了本模型的有效性。3.提出了一个抗中文垃圾邮件好词攻击的多示例逻辑回归模型。目前对中文好词攻击问题的研究尚不多见。本模型结合中文分词技术和特征选择方法进行预处理，并利用多示例机制和逻辑回归算法进行学习和分类，最后在中文邮件数据集上进行了实验。实验结果表明该模型能够有效对抗中文垃圾邮件的好词攻击，且鲁棒性优于单示例逻辑回归和单示例支持向量机模型。4.提出了一个基于Kolmogorov复杂性的垃圾图像分类模型。传统的垃圾图像分类算法存在着鲁棒性较差、图像特征对特定数据集敏感等问题。本模型利用数据压缩技术和Kolmogorov分类机制，实现了对垃圾图像的准确分类。通过在垃圾图像数据集上进行实验，验证了本模型能有效对垃圾图像进行分类。同时对该模型的更新机制进行了安全性分析。本模型既不需要提取图像中的文字，也不需要对图像特征进行定义和选择，是一种数据驱动的无参数分类方法。5.提出了一个基于Kolmogorov复杂性的恶意软件检测框架。垃圾邮件是传播恶意软件的有效方式，传统的基于特征码的方法难于检测新的和变种的恶意软件。本模型提出了一种通用的恶意软件检测方法，并利用动态马尔科夫压缩来对代码样本进行分类，最后的实验结果验证了本框架能对恶意软件进行准确的分类。本框架实现简单，无需提取特征码，并且能够有效识别新的和变种的恶意软件。
惠孛[9]（2009）在《基于即时分类的垃圾邮件过滤关键技术的研究》文中进行了进一步梳理电子邮件方便、快捷、低成本的特性使得它已经成为Internet上使用最广泛的应用之一，并日益成为人们工作、生活必不可少的通信工具。随之而来的是近年来垃圾邮件的日趋泛滥给电子邮件系统和用户带来了严重的危害甚至损失。垃圾邮件的传播不仅浪费大量网络资源，造成邮件服务器负荷增大，而且也成为有害信息和病毒传播的重要途径。同时，垃圾邮件也会造成用户时间与金钱方面的损失。针对垃圾邮件的问题，研究者提出了许多技术来达到反垃圾邮件的目的。比较常见的反垃圾邮件技术主要有基于关键字匹配的过滤技术、基于黑白名单的过滤技术、基于规则的过滤技术等等。然而，这些技术由于其技术本身的原因，适用范围狭窄，需要大量的人工干预。研究者将智能技术引入了垃圾邮件过滤领域，例如贝叶斯技术。朴素贝叶斯能高效的面对垃圾邮件过滤问题，研究者在此基础上提出了很多改进的算法，并取得较好的效果。但是，一方面这些方法都是面向单个实例，即假设分类器在某时刻只能处理单个实例；另一方面大多数的方法都需要较多的、较为固定的计算资源。而现实中在短时间内往往会有大量的邮件到达服务器需要过滤、投递、转发，需要有针对所有邮件的过滤方法。本文引入Anytime分类模型，Anytime分类模型可以在有限的计算资源的情况下得到相对优秀的返回结果，当有更多的计算资源的时候，能调用SPODE（Super ParentOne-Dependenc Estimators）进一步的精炼分类结果。Anytime分类模型在计算资源与最终结果之间取得了一种动态平衡。本文系统地分析了垃圾邮件的起源、背景以及发展状况，重点强调了垃圾邮件对世界的经济、社会、网络安全的危害。通过分析反垃圾邮件技术的起源、发展与国内外的最新技术进展，全面的归纳了现有反垃圾邮件技术的优点与不足之处。本文在总结和借鉴目前反垃圾邮件领域的相关研究成果的基础上，深入细致的讨论了基于贝叶斯分类的不确定智能机器学习理论，针对现有的智能反垃圾邮件技术的缺陷，提出了相关的一些算法与解决方法，并取得了较好的成果，达到了理论研究与实际应用相结合的目的和效果。主要的研究成果包括：1、在贝叶斯网络的基础上，削弱贝叶斯分类模型关于朴素贝叶斯属性之间条件独立的假设，将实例的属性分为两个部分：强属性和弱属性。强属性之间保留部分属性之间的相关性，而弱属性依然保留朴素贝叶斯的属性之间条件独立的假设。以此构建一个双级贝叶斯分类模型，并将该模型应用于垃圾邮件过滤的应用上。实验证明该分类模型能取得较好的效果。2、现有的基于贝叶斯垃圾邮件过滤技术，由于其计算时间需求的相对固定而不能很好的适用于需要即时响应的在线业务。针对这个不足之处，引入了可以用于在线应用的即时（Anytime）分类模型。基于互信息理论，本文提出AAPMIE（Anytime Averaged Probabilistic under Mutual Information Estimators）分类算法。该算法根据属性所携带的平均互信息的大小对被当作父属性的属性进行排序，依次挑选父属性作为SPODE更新概率估计值。实验证明，该分类算法能取得较好的分类效果，特别是在分类的早期能快速的降低分类的错误率。3、在即时贝叶斯分类模型的基础上，提出一种基于不完全朴素贝叶斯分类模型的新的邮件过滤分类模型。该分类模型放松朴素贝叶斯分类模型分类模型的条件独立假设，选择部分属性作为父属性，并在一定程度上考虑了属性之间的语义关联。实验显示该分类模型对垃圾邮件的过滤更有效。4、在传统的Anytime分类模型基础之上，提出一种基于全局的Anytime分类模型：SAAPE（Scheduling Anytime Averaged Probabilistic Estimators）分类模型。SAAPE分类模型着眼于在有限的计算资源的条件下提高总体的分类准确率。SAAPE分类模型与传统的Anytime分类模型相比更为灵活。SAAPE分类模型可以根据用户的需求随时中断计算，即时将结果返回给用户。而当用户可以等待时，SAAPE分类模型可以利用多余的计算资源得到更精确的分类结果。5、构建了一个基于全局的Anytime垃圾邮件过滤试验系统，AASS（AnytimeAntiSpam System）即时反垃圾邮件系统。该系统应用了即时分类的思想，提供高响应的垃圾邮件过滤机制。
唐晓玲[10]（2008）在《一种基于Agent的信息接种反垃圾邮件模型研究》文中研究表明电子邮件目前已成为网络用户最流行的交流工具,但随之而来的垃圾邮件却让人们感到十分头疼。为了减少用户邮箱中的垃圾邮件,各种垃圾邮件过滤技术相继出现,如黑名单,白名单,基于规则的过滤技术,基于内容的过滤技术等。但这些技术都是利用已有的垃圾邮件样本和合法邮件样本对垃圾邮件过滤器进行训练,因而对于新类型的垃圾邮件无能为力,而垃圾邮件发送者会不断制造出新类型的垃圾邮件企图绕过垃圾邮件过滤器。针对这种情况,人们提出了一种新型的垃圾邮件过滤技术—协作过滤。它的基本思想是把若干个垃圾邮件过滤器联合起来,形成一个协作组,彼此分享收到的新类型垃圾邮件以达到共同对付新类型垃圾邮件的目的。信息接种就是一种协作式垃圾邮件过滤技术。它是将用户收到的新类型垃圾邮件组织成某种固定格式,然后再将其发送给协作组内其它垃圾邮件过滤器,其它垃圾邮件过滤器收到后就可以进行自我训练。在Dspam、CRM114、SpamAssian等垃圾邮件过滤器中,信息接种作为一种特殊技术已经被应用起来。但在目前已经引入信息接种的垃圾邮件过滤器中,信息接种的实现需要用户进行复杂的手工操作,并且没有考虑到用户的个人偏好,对于协作组内用户间的信任问题,也只保证了传输的信息接种数据本身的真实性,而没有考虑到信息接种组内用户之间的信任关系。Agent是一个灵活、自主的实体,多Agent协作可以有效解决大型而复杂的问题。因此,本文把Agent技术引入到信息接种中,提出了基于Agent的信息接种反垃圾邮件模型ABMIM（Agent-Based Message Inoculation Model）,用Agent来代替用户发送、组织、接收信息接种。同时为了解决用户也即Agent间的信任问题,我们在ABMIM中嵌入了协作信任模型CTM（Collaborative Trust Model）。实验结果表明,ABMIM不但能够减少用户发送、接收信息接种的手工操作,改进垃圾邮件过滤器的准确率,而且能够保留邮件用户的偏好。在嵌入CTM后,模型能有效减少协作组内恶意用户发送的错误信息接种数。
二、Multiple Agent智能垃圾邮件过滤系统的设计（论文开题报告）
（1）论文研究背景及目的
此处内容要求：
首先简单简介论文所研究问题的基本概念和背景，再而简单明了地指出论文所要研究解决的具体问题，并提出你的论文准备的观点或解决方法。
写法范例：
本文主要提出一款精简64位RISC处理器存储管理单元结构并详细分析其设计过程。在该MMU结构中,TLB采用叁个分离的TLB,TLB采用基于内容查找的相联存储器并行查找,支持粗粒度为64KB和细粒度为4KB两种页面大小,采用多级分层页表结构映射地址空间,并详细论述了四级页表转换过程,TLB结构组织等。该MMU结构将作为该处理器存储系统实现的一个重要组成部分。
（2）本文研究方法
调查法：该方法是有目的、有系统的搜集有关研究对象的具体信息。
观察法：用自己的感官和辅助工具直接观察研究对象从而得到有关信息。
实验法：通过主支变革、控制研究对象来发现与确认事物间的因果关系。
文献研究法：通过调查文献来获得资料，从而全面的、正确的了解掌握研究方法。
实证研究法：依据现有的科学理论和实践的需要提出设计。
定性分析法：对研究对象进行“质”的方面的研究，这个方法需要计算的数据较少。
定量分析法：通过具体的数字，使人们对研究对象的认识进一步精确化。
跨学科研究法：运用多学科的理论、方法和成果从整体上对某一课题进行研究。
功能分析法：这是社会科学用来分析社会现象的一种方法，从某一功能出发研究多个方面的影响。
模拟法：通过创设一个与原型相似的模型来间接研究原型某种特性的一种形容方法。
三、Multiple Agent智能垃圾邮件过滤系统的设计（论文提纲范文）
（1）基于内容审核的数据泄露防护系统的设计与实现（论文提纲范文）
| 摘要 |
| ABSTRACT |
| 第1章 绪论 |
| 1.1 背景与意义 |
| 1.2 国内外研究现状 |
| 1.3 相关技术与环境 |
| 1.4 本文的主要工作 |
| 1.5 论文的组织结构 |
| 第2章 系统需求分析 |
| 2.1 用户分析 |
| 2.2 功能性需求分析 |
| 2.2.1 规则管理功能需求分析 |
| 2.2.2 扫描功能需求分析 |
| 2.2.3 日志功能需求分析 |
| 2.2.4 统计功能需求分析 |
| 2.3 非功能性需求分析 |
| 2.3.1 性能需求分析 |
| 2.3.2 硬件兼容性 |
| 2.3.3 软件兼容性 |
| 2.3.4 安全性 |
| 2.3.5 易用性 |
| 第3章 系统概要设计 |
| 3.1 开发环境和采用的相关技术 |
| 3.1.1 开发环境 |
| 3.1.2 关键技术 |
| 3.2 系统功能架构 |
| 3.3 软件架构 |
| 3.4 部署架构 |
| 第4章 系统详细设计 |
| 4.1 系统结构设计 |
| 4.2 Web控制台模块 |
| 4.2.1 界面和接口设计 |
| 4.2.2 功能模块 |
| 4.2.2.1 规则功能模块 |
| 4.2.2.2 用户功能模块 |
| 4.2.2.3 统计功能模块 |
| 4.2.2.4 扫描功能模块 |
| 4.2.2.5 日志功能模块 |
| 4.3 网络监控模块 |
| 4.3.1 接口设计 |
| 4.3.2 HTTP监控 |
| 4.3.2.1 squid与icap |
| 4.3.2.2 过滤器 |
| 4.3.3 SMTP监控 |
| 4.3.3.1 postfix |
| 4.3.3.2 content-filter |
| 4.4 终端监控模块 |
| 4.5 扫描模块 |
| 4.6 数据库设计 |
| 第5章 系统实现 |
| 5.1 规则 |
| 5.1.1 规则管理界面 |
| 5.1.2 端点管理界面 |
| 5.1.3 正则匹配(信息类型) |
| 5.2 扫描 |
| 5.2.1 扫描管理界面 |
| 5.2.2 配置文档管理界面 |
| 5.2.3 终端 |
| 5.2.4 正则匹配 |
| 5.3 扫描结果 |
| 5.4 日志 |
| 5.4.1 扫描日志 |
| 5.4.2 策略日志 |
| 5.5 客户端 |
| 5.6 设置 |
| 5.7 退出 |
| 5.8 统计 |
| 第6章 总结与展望 |
| 参考文献 |
| 致谢 |
| 学位论文评阅及答辩情况表 |
（2）计算机网络安全类文本翻译实践报告（论文提纲范文）
| 摘要 |
| abstract |
| 引言 |
| 1. 翻译项目介绍 |
| 1.1 项目背景 |
| 1.2 项目意义 |
| 2. 源语文本介绍 |
| 2.1 主要内容 |
| 2.2 文本分析 |
| 3. 翻译过程 |
| 3.1 译前 |
| 3.1.1 阅读相关文本 |
| 3.1.2 选择翻译工具 |
| 3.1.3 制定术语表 |
| 3.2 译中 |
| 3.3 译后 |
| 4. 案例分析 |
| 4.1 词汇 |
| 4.1.1 术语 |
| 4.1.2 专有名词 |
| 4.1.2.1 公司名称 |
| 4.1.2.2 产品名称 |
| 4.1.3 名词化结构 |
| 4.2 句子 |
| 4.2.1 被动句的翻译 |
| 4.2.1.1 译为主动句 |
| 4.2.1.2 译为被动句 |
| 4.2.1.3 译为无主句 |
| 4.2.2 定语从句的翻译 |
| 4.2.2.1 译为前置定语 |
| 4.2.2.2 译为并列结构 |
| 4.2.2.3 译为合成独立句 |
| 4.2.3 其他长难句的翻译 |
| 4.3 语篇 |
| 5. 总结 |
| 5.1 经验 |
| 5.2 努力方向 |
| 参考文献 |
| 附录A 术语表 |
| 附录B 原文和译文 |
| 个人简介 |
| 导师简介 |
| 获得成果目录 |
| 致谢 |
（3）基于贝叶斯网络分类算法的有害信息识别研究（论文提纲范文）
| 摘要 |
| Abstract |
| 第1章 绪论 |
| 1.1 研究背景及意义 |
| 1.2 国内外研究现状 |
| 1.2.1 短文本分类研究现状 |
| 1.2.2 中文文本特征提取算法研究现状 |
| 1.2.3 贝叶斯结构学习算法研究现状 |
| 1.3 研究内容及结构安排 |
| 第2章 基于中心词扩展的TF-IDF特征提取研究 |
| 2.1 数据抓取与预处理 |
| 2.1.1 数据抓取 |
| 2.1.2 数据预处理 |
| 2.2 基于中心词扩展的TF-IDF特征提取 |
| 2.2.1 词袋模型 |
| 2.2.2 中心词扩展 |
| 2.2.3 基于中心词扩展的TF-IDF特征提取算法 |
| 2.3 本章小结 |
| 第3章 基于GWO-GA结构学习的贝叶斯分类器研究 |
| 3.1 基于GWO-GA算法的贝叶斯网络结构学习 |
| 3.1.1 三层贝叶斯网络结构模型 |
| 3.1.2 遗传算法 |
| 3.1.3 GWO-GA结构学习算法 |
| 3.2 贝叶斯网络分类器模型 |
| 3.2.1 参数学习与推理 |
| 3.2.2 基于GWO-GA结构学习的贝叶斯网络分类器 |
| 3.3 本章小结 |
| 第4章 基于贝叶斯网络分类算法的有害信息识别 |
| 4.1 垃圾邮件过滤 |
| 4.1.1 数据来源与评价指标 |
| 4.1.2 实验结果及分析 |
| 4.2 微博舆情分析 |
| 4.2.1 数据来源与评价指标 |
| 4.2.2 实验结果及分析 |
| 4.3 有害信息识别软件设计 |
| 4.3.1 开发环境 |
| 4.3.2 功能模块设计 |
| 4.3.3 软件实现 |
| 4.4 本章小结 |
| 结论 |
| 参考文献 |
| 攻读硕士学位期间承担的科研任务与主要成果 |
| 致谢 |
（4）个性化垃圾邮件过滤的扩展研究（论文提纲范文）
| 摘要 |
| abstract |
| 第一章 绪论 |
| 1.1 课题研究背景和研究意义 |
| 1.1.1 课题研究背景 |
| 1.1.2 课题研究意义 |
| 1.2 国内外研究现状 |
| 1.2.1 一般化过滤与个性化过滤 |
| 1.2.2 基于协议过滤 |
| 1.2.3 基于内容过滤 |
| 1.3 本文的主要研究工作 |
| 1.4 本文的内容安排 |
| 第二章 动态环境下的个性化垃圾邮件技术回顾 |
| 2.1 动态环境自适应的相关研究 |
| 2.1.1 动态环境的概念漂移问题 |
| 2.1.2 动态环境下的类不平衡问题 |
| 2.1.3 动态环境自适应算法 |
| 2.2 垃圾邮件过滤相关研究 |
| 2.2.1 邮件的组成及其架构 |
| 2.2.2 邮件的文本特征选择策略 |
| 2.2.3 邮件的文本向量化策略 |
| 2.3 动态环境下个性化垃圾邮件过滤方法 |
| 2.3.1 增量学习IL |
| 2.3.2 半监督学习SSL |
| 2.3.3 集成学习EL |
| 2.4 本章小结 |
| 第三章 基于客户端的个性化邮件再过滤研究 |
| 3.1 研究背景与动机 |
| 3.2 基于客户端的个性化邮件再过滤系统 |
| 3.2.1 基于规则过滤 |
| 3.2.2 广义虚漂移 |
| 3.2.3 多任务学习 |
| 3.2.4 结合重要性加权的多窗口框架 |
| 3.3 实验及结果分析 |
| 3.3.1 实验设置 |
| 3.3.2 实验结果分析 |
| 3.4 本章小结 |
| 第四章 集体环境下的个性化邮件再过滤研究 |
| 4.1 研究背景与动机 |
| 4.2 集体环境下的个性化邮件再过滤系统 |
| 4.2.1 集体垃圾箱的建立 |
| 4.2.2 垃圾邮件的共享及再过滤 |
| 4.2.3 模型的选择:ELM和 OS-ELM |
| 4.3 实验及结果分析 |
| 4.3.1 实验设置 |
| 4.3.2 实验结果分析 |
| 4.4 本章小结 |
| 第五章 总结与展望 |
| 5.1 工作总结 |
| 5.2 未来展望 |
| 参考文献 |
| 致谢 |
| 在学期间的研究成果及发表的学术论文 |
（5）基于BP神经网络的多重邮件过滤系统的研究与设计（论文提纲范文）
| 摘要 |
| Abstract |
| 第一章 绪论 |
| 1.1 研究背景及意义 |
| 1.2 国内外研究现状 |
| 1.3 本文研究内容 |
| 1.4 本文组织结构 |
| 第二章 邮件过滤相关理论及实验平台 |
| 2.1 邮件过滤原理 |
| 2.1.1 服务器端和客户端的邮件过滤 |
| 2.1.2 三种邮件过滤技术原理 |
| 2.1.3 特征选择技术 |
| 2.2 基于统计的邮件过滤算法 |
| 2.2.1 贝叶斯 |
| 2.2.2 K近邻 |
| 2.2.3 支持向量机 |
| 2.2.4 BP神经网络算法 |
| 2.3 Hadoop平台及MapReduce编程模式 |
| 2.3.1 Hadoop平台 |
| 2.3.2 MapReduce编程模式 |
| 2.4 小结 |
| 第三章 数据采集、词典维数与预处理 |
| 3.1 实验语料库选择 |
| 3.2 语料库子集划分 |
| 3.3 基于Hadoop实验数据词频统计 |
| 3.4 基于改进的TF算法词典降维 |
| 3.4.1 初步降维 |
| 3.4.2 词典降维 |
| 3.4.3 生成VSM形式的稀疏矩阵 |
| 3.5 数据处理实验 |
| 3.5.1 Hadoop的配置 |
| 3.5.2 实验过程 |
| 3.5.3 实验结果 |
| 3.6 小结 |
| 第四章 基于BP神经网络邮件过滤研究 |
| 4.1 算法训练及模型选择 |
| 4.1.1 学习率(Learning Rate)选择 |
| 4.1.2 模型仿真及最优模型选择 |
| 4.2 实验最优模型与SVM基函数训练模型比较 |
| 4.3 小结 |
| 第五章 多重过滤系统的设计与实现 |
| 5.1 多重邮件过滤系统的流程设计 |
| 5.2 指标测试结果 |
| 5.2.1 重要评价指标 |
| 5.2.2 基于AUC的评价指标 |
| 5.3 模型运算量评估 |
| 5.4 模型内存占用率评估 |
| 5.5 小结 |
| 第六章 总结与展望 |
| 6.1 总结 |
| 6.2 展望 |
| 参考文献 |
| 致谢 |
（6）面向海量邮件日志的异常信息发现与挖掘（论文提纲范文）
| 摘要 |
| Abstract |
| 第1章 引言 |
| 1.1 研究背景及意义 |
| 1.2 邮件与反垃圾邮件研究现状 |
| 1.2.1 基于邮件内容的异常信息发现与挖掘 |
| 1.2.2 基于网状结构的异常信息发现与挖掘 |
| 1.2.3 反垃圾邮件研究现状 |
| 1.3 研究内容 |
| 1.4 论文结构 |
| 第2章 背景知识以及相关技术 |
| 2.1 电子邮件传输过程及原理 |
| 2.1.1 电子邮件传输主要过程 |
| 2.1.2 电子邮件系统主要相关协议 |
| 2.2 垃圾邮件过滤评价体系 |
| 2.3 ELK介绍 |
| 2.4 图数据库概述 |
| 2.4.1 什么是图数据库 |
| 2.4.2 Neo4j图数据库 |
| 2.4.3 图数据库Neo4j与关系数据库Mysql的比较 |
| 2.5 数据挖掘技术 |
| 2.6 本章小结 |
| 第3章 邮件发送事件还原 |
| 3.1 邮件日志数据预处理 |
| 3.2 邮件事件的定义与结构 |
| 3.3 邮件发送事件还原算法实现 |
| 3.4 实验结果 |
| 3.5 本章小结 |
| 第4章 用户行为模式异常检测 |
| 4.1 用户行为模式挖掘 |
| 4.2 用户行为模式挖掘算法实现 |
| 4.2.1 基本行为模式单元的定义 |
| 4.2.2 用户行为模式挖掘算法 |
| 4.3 实验分析 |
| 4.4 本章小结 |
| 第5章 结束语 |
| 5.1 主要工作与创新点 |
| 5.2 后续研究工作 |
| 参考文献 |
| 致谢 |
| 攻读硕士学位期间从事的科研工作及取得的成果 |
（7）反向选择结合支持向量机的垃圾邮件检测模型（论文提纲范文）
| 摘要 |
| ABSTRACT |
| 1 绪论 |
| 1.1 选题背景和研究意义 |
| 1.1.1 垃圾邮件的危害 |
| 1.1.2 研究意义 |
| 1.1.3 垃圾邮件检测关键问题 |
| 1.2 国内外研究现状 |
| 1.2.1 基于知识工程的垃圾邮件检测 |
| 1.2.2 基于机器学习的垃圾邮件检测 |
| 1.2.3 计算机免疫系统的启示 |
| 1.2.4 反向选择结合支持向量机的垃圾邮件检测 |
| 1.3 论文研究目标与研究内容 |
| 1.4 论文组织结构 |
| 2 垃圾邮件检测相关研究 |
| 2.1 垃圾邮件概述 |
| 2.1.1 邮件组成结构和传输过程 |
| 2.1.2 垃圾邮件概念和类型 |
| 2.1.3 垃圾邮件的发展和危害 |
| 2.2 垃圾邮件检测概述 |
| 2.2.1 垃圾邮件检测现状 |
| 2.2.2 垃圾邮件检测发展趋势 |
| 2.2.3 垃圾邮件检测方案 |
| 2.3 垃圾邮件现有检测技术 |
| 2.3.1 基于知识工程 |
| 2.3.2 基于机器学习 |
| 2.4 支持向量机概述 |
| 2.4.1 支持向量机研究进展 |
| 2.4.2 支持向量机的应用 |
| 2.5 垃圾邮件检测性能评估和数据集 |
| 2.5.1 性能评估指标 |
| 2.5.2 公有数据集 |
| 2.6 本章小结 |
| 3 垃圾邮件检测存在的问题 |
| 3.1 垃圾邮件检测存在的问题 |
| 3.2 计算机免疫系统的启示 |
| 3.3 计算机免疫系统概述 |
| 3.4 反向选择算法概述 |
| 3.4.1 反向选择算法在垃圾邮件检测的现状 |
| 3.4.2 反向选择算法的发展 |
| 3.5 反向选择结合支持向量机在垃圾邮件检测的关键问题 |
| 3.6 本章小结 |
| 4 SVM-NSA的垃圾邮件检测模型 |
| 4.1 垃圾邮件检测建模 |
| 4.2 邮件预处理 |
| 4.2.1 文本处理 |
| 4.2.2 特征抽取 |
| 4.2.3 邮件表示 |
| 4.3 检测器生成阶段 |
| 4.3.1 支持向量机原理 |
| 4.3.2 支持向量机分类器实现 |
| 4.3.3 反向选择算法原理 |
| 4.3.4 反向选择检测器实现 |
| 4.4 SVM-NSA模型检测阶段 |
| 4.5 SVM模型反馈更新阶段 |
| 4.6 本章小结 |
| 5 实验结果及分析 |
| 5.1 实验环境 |
| 5.1.1 实验平台 |
| 5.1.2 实验数据集 |
| 5.1.3 实验参数设置 |
| 5.2 实验步骤 |
| 5.2.1 实验前期准备 |
| 5.2.2 可行性实验 |
| 5.2.3 对比实验 |
| 5.3 实验结果分析 |
| 5.3.1 模型可行性分析 |
| 5.3.2 模型分类性能对比分析 |
| 5.3.3 实验总结 |
| 5.4 本章小结 |
| 6 总结与展望 |
| 6.1 论文工作总结 |
| 6.1.1 论文主要工作 |
| 6.1.2 论文的贡献 |
| 6.2 下一步工作 |
| 参考文献 |
| 致谢 |
（8）垃圾邮件过滤中的敌手分类问题研究（论文提纲范文）
| 摘要 |
| ABSTRACT |
| 第一章 引言 |
| 1.1 研究背景和选题动机 |
| 1.1.1 垃圾邮件的泛滥 |
| 1.1.2 机器学习面临的挑战 |
| 1.1.3 本文的选题动机 |
| 1.2 敌手分类的国内外研究现状 |
| 1.2.1 脆弱点分析与识别 |
| 1.2.2 鲁棒性和性能评估 |
| 1.2.3 鲁棒性分类器设计 |
| 1.3 论文的主要工作及创新点 |
| 1.3.1 研究阶段与项目支撑 |
| 1.3.2 本文主要工作 |
| 1.3.3 本文主要创新点 |
| 1.4 论文的章节安排 |
| 第二章 课题相关理论和研究进展 |
| 2.1 反垃圾邮件概述 |
| 2.1.1 垃圾邮件当前热点 |
| 2.1.2 垃圾邮件定义 |
| 2.1.3 反垃圾邮件方法评述 |
| 2.2 基于机器学习的垃圾邮件过滤 |
| 2.2.1 应用现状 |
| 2.2.2 发展方向 |
| 2.2.3 性能评估指标 |
| 2.3 敌手分类研究 |
| 2.3.1 应用现状 |
| 2.3.2 公开问题 |
| 2.3.3 指导准则 |
| 2.4 垃圾邮件经济学简介 |
| 2.5 本章小结 |
| 第三章 基于STACKELBERG 博弈的敌手分类研究 |
| 3.1 相关研究介绍 |
| 3.1.1 博弈论介绍 |
| 3.1.2 敌手分类的博弈研究 |
| 3.2 基于延时STACKELBERG 博弈的敌手分类模型 |
| 3.2.1 研究背景 |
| 3.2.2 STACKELBERG 博弈建模 |
| 3.2.3 敌手分类的博弈模型分析 |
| 3.2.4 实验结果与分析 |
| 3.3 基于不确定性STACKELBERG 博弈的敌手分类模型 |
| 3.3.1 研究背景 |
| 3.3.2 STACKELBERG 博弈不确定性建模 |
| 3.3.3 敌手分类的不确定性建模 |
| 3.3.4 实验结果和分析 |
| 3.4 本章小结 |
| 第四章 抗好词攻击的中文垃圾邮件过滤研究 |
| 4.1 相关研究 |
| 4.1.1 多示例学习机制 |
| 4.1.2 抗好词攻击的敌手分类 |
| 4.1.3 中文垃圾邮件过滤 |
| 4.2 抗好词攻击的多示例逻辑回归模型 |
| 4.2.1 多示例学习机制 |
| 4.2.2 多示例逻辑回归模型 |
| 4.2.3 好词攻击的形式化 |
| 4.3 实验设计与结果分析 |
| 4.3.1 中文邮件数据集 |
| 4.3.2 预处理方法 |
| 4.3.3 实验结果与分析 |
| 4.4 本章小结 |
| 第五章 基于KOLMOGOROV 复杂性的鲁棒性分类研究 |
| 5.1 KOLMOGOROV 复杂性综述 |
| 5.1.1 基本概念 |
| 5.1.2 KOLMOGOROV 复杂性估计 |
| 5.1.3 在垃圾邮件过滤中的应用研究 |
| 5.1.4 未来研究方向 |
| 5.2 垃圾图像分类模型 |
| 5.2.1 相关研究 |
| 5.2.2 垃圾图像分类模型 |
| 5.2.3 实验设计与结果分析 |
| 5.3 恶意软件检测框架 |
| 5.3.1 相关研究 |
| 5.3.2 通用分类框架设计 |
| 5.3.3 实验设计与结果分析 |
| 5.4 更新算法的安全性分析 |
| 5.4.1 相关研究 |
| 5.4.2 学习模型和在线更新机制 |
| 5.4.3 安全性分析 |
| 5.5 本章小结 |
| 第六章 总结与展望 |
| 6.1 全文总结 |
| 6.2 未来工作展望 |
| 致谢 |
| 参考文献 |
| 攻博期间取得的研究成果 |
（9）基于即时分类的垃圾邮件过滤关键技术的研究（论文提纲范文）
| 摘要 |
| ABSTRACT |
| 第一章 绪论 |
| 1.1 课题背景和意义 |
| 1.1.1 垃圾邮件的起源 |
| 1.1.2 垃圾邮件的危害 |
| 1.2 研究现状和发展趋势 |
| 1.2.1 垃圾邮件与反垃圾邮件的现状与发展 |
| 1.2.2 反垃圾邮件技术 |
| 1.3 研究内容和主要成果 |
| 1.4 论文结构 |
| 第二章 垃圾邮件过滤概述 |
| 2.1 引言 |
| 2.2 电子邮件原理 |
| 2.2.1 电子邮件的工作原理 |
| 2.2.2 电子邮件的结构 |
| 2.2.3 电子邮件的相关协议 |
| 2.2.3.1 简单邮件传输协议 |
| 2.2.3.2 多用途网际邮件扩充协议 |
| 2.2.3.3 邮局协议 |
| 2.2.3.4 IMAP协议 |
| 2.3 邮件分类的预处理与特征提取 |
| 2.3.1 文本预处理 |
| 2.3.2 文本的表示方法 |
| 2.3.3 特征提取 |
| 2.4 垃圾邮件过滤中的文本分类技术 |
| 2.4.1 文本分类技术 |
| 2.4.2 文本分类方法 |
| 2.4.2.1 决策树方法 |
| 2.4.2.2 Boosting方法 |
| 2.4.2.3 粗糙集方法 |
| 2.4.2.4 k-最近邻(kNN)方法: |
| 2.4.2.5 支持向量机方法 |
| 2.4.2.6 Winnow方法 |
| 2.4.2.7 贝叶斯方法 |
| 2.5 评估指标 |
| 2.6 本章小结 |
| 第三章 贝叶斯分类模型的研究 |
| 3.1 引言 |
| 3.2 贝叶斯理论基础 |
| 3.3.贝叶斯网络分类模型 |
| 3.3.1 贝叶斯网络概述 |
| 3.3.2 朴素贝叶斯网络 |
| 3.4 双级贝叶斯网络分类模型 |
| 3.4.1 DLBN分类模型 |
| 3.4.2 DLBN分类算法的垃圾邮件过滤应用 |
| 3.4.3 复杂度分析 |
| 3.4.4 实验、性能分析 |
| 3.5 小结 |
| 第四章 基于互信息理论的Anytime分类模型的研究 |
| 4.1 引言 |
| 4.2 Anytime分类模型 |
| 4.3 AAPMIE分类模型 |
| 4.3.1 改进NB的AODE分类模型 |
| 4.3.2 AAPE分类模型 |
| 4.3.3 AAPMIE分类模型 |
| 4.3.4 分类算法 |
| 4.3.5 复杂度分析 |
| 4.3.6 实验与分析 |
| 4.3.6.1 实验设计 |
| 4.3.6.2 实验结果与分析 |
| 4.4 不完全朴素贝叶斯分类模型在垃圾邮件过滤中的研究 |
| 4.4.1 N平均1-依赖邮件过滤模型 |
| 4.4.2 算法描述 |
| 4.4.3 实验与分析 |
| 4.4.3.1 实验设计 |
| 4.4.3.2 实验结果与分析 |
| 4.5 小结 |
| 第五章 基于全局的Anytime分类模型 |
| 5.1 引言 |
| 5.2 SAAPE分类模型 |
| 5.3 SAAPE分类模型的调度算法 |
| 5.3.1 FCFS调度算法 |
| 5.3.2 RR调度算法 |
| 5.3.3 BIF调度算法 |
| 5.3.4 CIF调度算法 |
| 5.3.4.1 VRPCL调度算法 |
| 5.3.4.2 VAOACL调度算法 |
| 5.3.4.3 SKLD调度算法 |
| 5.3.5 Hybrid调度算法 |
| 5.4 SAAPE分类模型时间复杂度分析 |
| 5.5 实验与分析 |
| 5.5.1 实验的设计 |
| 5.5.2 观察与分析 |
| 5.5.2.1 关于0-1损失分类错误率的性能 |
| 5.5.2.2 关于概率估计的性能评估 |
| 5.6 小结 |
| 第六章 智能即时反垃圾邮件系统的设计与评估 |
| 6.1 引言 |
| 6.2 设计目标 |
| 6.3 系统流程 |
| 6.4 模块设计 |
| 6.4.1 协议代理模块 |
| 6.4.2 预处理模块 |
| 6.4.3 智能即时过滤模块 |
| 6.4.4 管理模块 |
| 6.5 试验系统测试 |
| 6.6 本章小结 |
| 第七章 全文总结 |
| 7.1 全文总结 |
| 7.2 未来的工作 |
| 致谢 |
| 参考文献 |
| 攻博期间取得的研究成果 |
（10）一种基于Agent的信息接种反垃圾邮件模型研究（论文提纲范文）
| 摘要 |
| Abstract |
| 第1章 引言 |
| 1.1 论文研究背景 |
| 1.2 研究现状 |
| 1.2.1 信息接种的研究现状 |
| 1.2.2 多Agent间的信任问题 |
| 1.3 论文的意义 |
| 1.4 所做的研究工作 |
| 1.4.1 ABMIM模型 |
| 1.4.2 协作信任模型CTM |
| 1.5 论文内容安排 |
| 第2章 理论基础与文献综述 |
| 2.1 垃圾邮件过滤的研究现状 |
| 2.1.1 服务器端和客户端的邮件过滤 |
| 2.1.2 几种常见的垃圾邮件过滤技术 |
| 2.2 信息接种 |
| 2.2.1 信息接种的含义 |
| 2.2.2 信息接种组 |
| 2.2.3 信息接种的构建格式 |
| 2.3 Agent简介 |
| 2.3.1 Agent与多Agent系统 |
| 2.3.2 Agent间的通信 |
| 2.3.3 Agent间的信任 |
| 2.4 本章小结 |
| 第3章 基于Agent的信息接种反垃圾邮件模型 |
| 3.1 信息接种的实现 |
| 3.2 基于Agent的信息接种模型 |
| 3.2.1 用户行为模块 |
| 3.2.2 UA-MUA模块 |
| 3.2.3 Agent协作模块 |
| 3.3 本章小结 |
| 第4章 协作信任模型CTM |
| 4.1 信任的分类 |
| 4.2 协作信任模型CTM |
| 4.2.1 CTM的定义和表示 |
| 4.2.2 信任关系的保存和更新 |
| 4.2.3 信任判断 |
| 4.3 本章小结 |
| 第5章 系统设计与实现 |
| 5.1 开发工具与环境 |
| 5.1.1 Agentbuilder |
| 5.1.2 PAC Editor |
| 5.1.3 系统开发环境 |
| 5.2 系统实现 |
| 5.2.1 MUA的改造 |
| 5.2.2 PAC的定义 |
| 5.2.3 UA与MA规则的定义 |
| 5.2.4 系统运行实例 |
| 5.3 本章小结 |
| 第6章 实验分析与评估 |
| 6.1 ABMIM实验设计及数据分析 |
| 6.1.1 ABMIM实验设计 |
| 6.1.2 ABMIM实验结果及分析 |
| 6.2 CTM实验设计及数据分析 |
| 6.2.1 CTM实验设计 |
| 6.2.2 CTM实验结果及分析 |
| 6.3 本章小结 |
| 第7章 工作总结与展望 |
| 7.1 工作总结 |
| 7.2 未来工作展望 |
| 参考文献 |
| 致谢 |
| 硕士期间发表的论文 |
四、Multiple Agent智能垃圾邮件过滤系统的设计（论文参考文献）
- [1]基于内容审核的数据泄露防护系统的设计与实现[D]. 陈亚帅. 山东大学, 2020(12)
- [2]计算机网络安全类文本翻译实践报告[D]. 张程. 北京林业大学, 2019(06)
- [3]基于贝叶斯网络分类算法的有害信息识别研究[D]. 丁攀. 燕山大学, 2019
- [4]个性化垃圾邮件过滤的扩展研究[D]. 徐丹丹. 南京航空航天大学, 2019(02)
- [5]基于BP神经网络的多重邮件过滤系统的研究与设计[D]. 王宗凯. 深圳大学, 2018(09)
- [6]面向海量邮件日志的异常信息发现与挖掘[D]. 步芸. 重庆邮电大学, 2018(01)
- [7]反向选择结合支持向量机的垃圾邮件检测模型[D]. 陈龙. 武汉大学, 2017(06)
- [8]垃圾邮件过滤中的敌手分类问题研究[D]. 邓蔚. 电子科技大学, 2011(12)
- [9]基于即时分类的垃圾邮件过滤关键技术的研究[D]. 惠孛. 电子科技大学, 2009(11)
- [10]一种基于Agent的信息接种反垃圾邮件模型研究[D]. 唐晓玲. 西南大学, 2008(09)