当前位置: 主页 > 职业中心 >

并做好犯罪行为模式的分类与标记工作

时间:2019-07-24 08:11来源:未知 作者:admin 点击:
根据数据挖掘技术所能够提取的不同类型知识,数据挖掘技术也可以在此基础上进行功能分类,如关联分析、聚类分析、孤立点分析、时间序列分析以及分类预测等都是数据挖掘技术的重要功能之一,而其中又以关联分析与分类预测最为主要。大量的数据中存在着多个项

根据数据挖掘技术所能够提取的不同类型知识,数据挖掘技术也可以在此基础上进行功能分类,如关联分析、聚类分析、孤立点分析、时间序列分析以及分类预测等都是数据挖掘技术的重要功能之一,而其中又以关联分析与分类预测最为主要。大量的数据中存在着多个项集,各个项集之间的取值往往存在着一定的规律性,而关联分析则正是利用这一点,对各项集之间的关联关系进行挖掘,找到数据间隐藏的关联网,主要算法有fp-growth算法、apriori算法等。在计算机犯罪取证中,可以先对犯罪案件中的特征与行为进行深度的挖掘,从而明确其中所存在的联系,同时,在获得审计数据后,就可以对其中的审计信息进行整理并中存入到数据库中进行再次分析,从而达到案件树立的效果,这样,就能够清晰的判断出案件中的行为是否具有犯罪特征[1]。而分类分析则是对现有数据进行分类整理,以明确所获得数据中的相关性的一种数据挖掘功能。在分类分析的过程中,已知数据会被分为不同的数据组,并按照具体的数据属性进行明确分类,之后再通过对分组中数据属性的具体分析,最终就可以得到数据属性模型。在计算机犯罪案件中,可以将按照这种数据分类、分析的方法得到案件的数据属性模型,之后将这一数据属性模型与其他案件的数据属性模型进行对比,这样就能够判断嫌疑人是否在作案动机、发生规律以及具体特征等方面与其他案件模型相符,也就是说,一旦这一案件的数据模型属性与其他案件的数据模型属性大多相符,那么这些数据就可以被确定为犯罪证据。此外,在不同案件间的共性与差异的基础上,分类分析还可以实现对于未知数据信息或类似数据信息的有效预测,这对于计算机犯罪案件的处理也是很有帮助的。此外,数据挖掘分类预测功能的实现主要依赖决策树、支持向量机、vsm、logisitic回归、朴素贝叶斯等几种,这些算法各有优劣,在实际应用中需要根据案件的实际情况进行选择,例如支持向量机具有很高的分类正确率,因此适合用于特征为线性不可分的案件,而决策树更容易理解与解释。

对于数据挖掘技术,目前的计算机犯罪取证工作并未形成一个明确而统一的应用步骤,因此,我们可以根据数据挖掘技术的特征与具体功能,对数据挖掘技术在计算机犯罪取证中的应用提供一个较为可行的具体思路[2]。首先,当案件发生后,一般能够获取到海量的原始数据,面对这些数据,可以利用fp-growth算法、apriori算法等算法进行关联分析,找到案件相关的潜在有用信息,如犯罪嫌疑人的犯罪动机、案发时间、作案嫌疑人的基本信息等等。在获取这些基本信息后,虽然能够对案件的基本特征有一定的了解,但犯罪嫌疑人却难以通过这些简单的信息进行确定,因此还需利用决策树、支持向量机等算法进行分类预测分析,通过对原始信息的准确分类,可以得到案件的犯罪行为模式(数据属性模型),而通过与其他案件犯罪行为模式的对比,就能够对犯罪嫌疑人的具体特征进行进一步的预测,如经常活动的场所、行为习惯、分布区域等,从而缩小犯罪嫌疑人的锁定范围,为案件侦破工作带来巨大帮助。此外,在计算机犯罪案件处理完毕后,所建立的嫌疑人犯罪行为模式以及通过关联分析、分类预测分析得到的案件信息仍具有着很高的利用价值,因此不仅需要将这些信息存入到专门的数据库中,同时还要根据案件的结果对数据进行再次分析与修正,并做好犯罪行为模式的分类与标记工作,为之后的案件侦破工作提供更加丰富、详细的数据参考。

(责任编辑:admin)
相关内容:
揭露重大违法违规、经济犯罪和 同时让学生做好学习新课的心理 改变传统学科教学的思维和管理 巡回到全乡各村