导读:本文包含了贝叶斯可执行论文开题报告文献综述及选题提纲参考文献，主要关键词:贝叶斯可执行,贝叶斯均衡,选择规则,机制设计
贝叶斯可执行论文文献综述
路璐[1]（2009）在《双人贝叶斯可执行的一个充分必要条件》一文中研究指出机制设计理论所讨论的问题是对于任意给定的一个环境,包括行为人集合、可实施决策集合及行为人的信息集,当一个社会选择规则选择了一个想要达到的结果时,能否设计以及怎样设计出一个激励机制,使得行为人的个人利益和设计者既定的目标相一致。从信息是否完全的角度来看,机制设计理论可分为两大块:第一块是完全信息环境下的Nash可执行;第二块是不完全信息环境下的贝叶斯可执行。本文主要研究不完全信息环境下的贝叶斯可执行。研究贝叶斯可执行的文献有很多,但大部分都在研究至少有叁个行为人环境下的贝叶斯可执行,只有Mookherjee和Reichelstein(1990),Dutta和Sen(1994)研究双人贝叶斯可执行。Dutta和Sen(1994)研究了一般社会环境中当偏好是不完全信息时的双人贝叶斯可执行问题。他们定义了两个经典条件,这两个条件分别是双人贝叶斯可执行的充分条件与必要条件,为双人贝叶斯可执行奠定了理论基础。本文引用这两个经典条件(第四章中的条件A和条件A′),并结合第叁个条件(第四章中的条件B),把双人贝叶斯可执行扩展到纯交换经济环境中,建立了纯交换经济环境中的双人贝叶斯机制模型,给出了当行为人的偏好和初始禀赋都是不完全信息情况下,一个社会选择规则贝叶斯可执行的充分必要条件。本文假设在任何有两个行为人的纯交换经济环境中,效用函数U~i:R_+~l×T→R对t∈T是严格单调递增的,则社会选择集F是贝叶斯可执行的充分必要条件是F满足条件B和条件A或条件A′中的任意一个。(本文来源于《首都师范大学》期刊2009-03-28）
黄伟杰[2]（2002）在《基于主动贝叶斯分类器检测未知恶意可执行代码的研究与实现》一文中研究指出计算机安全是系统的安全。随着黑客入侵事件的日益猖獗，人们发现只从静态防御的角度构造安全系统是不够的。入侵检测技术是继“防火墙”、“数据加密”等传统安全保护措施后新一代的安全保障技术。它对计算机和网络资源上的恶意行为进行识别和响应。它不仅检测来自外部的入侵行为，同时也监督内部用户的未授权活动，并在网络资源受到危害之前通过对防御体系自动配置进行拦截和响应。入侵检测是对传统计算机安全机制的一种补充，它的开发应用增大了网络与系统安全的保护纵深，成为目前动态安全工具的主要研究和开发的方向。 传统的观点根据入侵行为的属性将其分为异常和滥用两种，然后分别对其建立异常检测模型和滥用检测模型。近四五年来又涌现出了一些新的检测方法，它们产生的模型对异常和滥用都适用，如人工免疫方法、遗传算法、数据挖掘等。这类检测方法称为混合检测。这类检测在做出决策之前，既分析系统的正常行为，同时还分析可疑的入侵行为，所以判断更全面、准确、可靠。它通常根据系统的正常数据流背景来检测入侵行为，故而也有人称其为“启发式特征检测”。 现有入侵检测产品存在以下缺点：缺乏有效性、自适应性。入侵检测系统的有效性可用检测率、虚报率两个参数来标记。虚报率又可分为误报率和漏报率。好的入侵检测系统应具有高的检测率，低的虚报率。低虚报率的关键是降低漏报率。自适应性是指除了能检测到已知的入侵外，还能检测到与已知入侵不同的入侵，即能检测到未知的入侵。当前，建造一个有效的入侵检测系统是个巨大的知识工程。系统构造员依赖他们直觉和经验选择某种统计标准度量异常检测。专家首先对攻击场景和系统弱点进行分析和分类，用手工方式写出适合违规检测的反应规则。因为采用手动和专家的人工处理过程，使入侵检测系统欠缺有效性、自适应性。在入侵检测系统中运用数据挖掘技术可以有效 ＃ 地从各为数据中提取出有m的信B、。数掂挖o以《术－卜常适川丁从历史行为的大量数据丁！。 进行特征提取，入侵检测系统在建立入侵模式知u则1！时可采川数据挖掘技术。Wenke Lee 从数抿挖掘中得到启示，介发出了一个混升检测器RIPPER。它什不为不同的入侵行为 分别建立模型，而是首先通过大量的】沛州1数抓挖删方法来学习什么是入侵行为以及什 么是系统的汇常行为，发现掀述系统特征的一致仙门1帧式，然后丙形成对异常和滥用都 适川的检测 模呗，这是了 合价测 的 个此呷的多 门1。 J、。本文的卞要工作是针对未知的恶意。。J执行代码的检测，构进：）＆于卞动学习的朴素贝 叶斯分类器，采用最大最小悯选抒训练样本，对义件的机器代码段进行分析、训练贝叶 J旧｝类器，仲分类器。。］”以对小常和北总代码进订卜分。达到检测术知恶谕丁执行代码义 件的门的。人泰的安个威胁火门于恶怠的。山入行‘代码，特别足米知的代码。这种未知的 恶意代码＊现有基于特征扫拙的炳毒门描器发现不了。而恶意可执行代码与汇常可执行 代码的机器代码是不同的，可用数抓挖倔的介类V法对其进行区分。与数抓挖掘的义它 方法相比，贝卜I嘶网络的优点是可以综合光验信恩和样本信息，这在样本难得时特别有 o］，所以贝叶斯网络分类器特别适合检测未知恶意可执行代码。根抓分类学习对训练样 本的处理方法，可将分类算法分为两类：被动学习算法和卞动学习算法。传统的帅11嘶 分类器学习算法多属被动学习方沦。山－］‘贝ill嘶网络分类只fi增垦学习的特忏，它史适 “l丫1｛动学习，在增量地分类和增量学习概率分hifj而叮以大大地提高效率。传统的叩l！ 斯分类器学习算法仙＊给定的训纳朴小f判不L；帅序‘了习分类参数，学习效率较低以训练 抖本必须是带有类训休汀的，并n 回般部假定各训练样本是独立问分h川v。棚反门二动 学刀算法丁动在候选什本集中选择测试例十，斤将这‘》实例以一定的方式加入到训练柒 中。一般地在卞动学习的初始训练集小，，川何f川I峭b样本个数都很少。它利用这些带有 类另标注的U！1练样水学习－个分类x，然｝ 宋且 大的选怦策略，从们选拧小集（A卅 玉 类乡佃杆Z）选Z！2包日最9MV罗回譬本酉入＊ 训练坎邑，卫豁修号分类8V参数口按有／修．卜 的介类器卜，选挥卜－个最好的什个进订训练，0‘f到候选什木集为个或达到故利·付卅为 且正二。 子一刁F乏叁多二1卜】＜正、一亡兰二一一手气了一丫珍一二直3之圭一羊主一孟一气主：专享喜吾乏u吾主一亨J是叁叁＞右叁一一二IJ‘二一千，－j一塞一二一二言＞二叁；I’l＜J二一一乏叁宅土丝。一叁i是二一一一二一叁一＞叁二，且。J民有多飞亏丫且一二直M二瑟二‘吾生一一乞上主一二圭；多乏叁土：哼一二气广）飞L上一耳二J一＼(本文来源于《广西师范大学》期刊2002-05-01）
贝叶斯可执行论文开题报告
（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：
计算机安全是系统的安全。随着黑客入侵事件的日益猖獗，人们发现只从静态防御的角度构造安全系统是不够的。入侵检测技术是继“防火墙”、“数据加密”等传统安全保护措施后新一代的安全保障技术。它对计算机和网络资源上的恶意行为进行识别和响应。它不仅检测来自外部的入侵行为，同时也监督内部用户的未授权活动，并在网络资源受到危害之前通过对防御体系自动配置进行拦截和响应。入侵检测是对传统计算机安全机制的一种补充，它的开发应用增大了网络与系统安全的保护纵深，成为目前动态安全工具的主要研究和开发的方向。 传统的观点根据入侵行为的属性将其分为异常和滥用两种，然后分别对其建立异常检测模型和滥用检测模型。近四五年来又涌现出了一些新的检测方法，它们产生的模型对异常和滥用都适用，如人工免疫方法、遗传算法、数据挖掘等。这类检测方法称为混合检测。这类检测在做出决策之前，既分析系统的正常行为，同时还分析可疑的入侵行为，所以判断更全面、准确、可靠。它通常根据系统的正常数据流背景来检测入侵行为，故而也有人称其为“启发式特征检测”。 现有入侵检测产品存在以下缺点：缺乏有效性、自适应性。入侵检测系统的有效性可用检测率、虚报率两个参数来标记。虚报率又可分为误报率和漏报率。好的入侵检测系统应具有高的检测率，低的虚报率。低虚报率的关键是降低漏报率。自适应性是指除了能检测到已知的入侵外，还能检测到与已知入侵不同的入侵，即能检测到未知的入侵。当前，建造一个有效的入侵检测系统是个巨大的知识工程。系统构造员依赖他们直觉和经验选择某种统计标准度量异常检测。专家首先对攻击场景和系统弱点进行分析和分类，用手工方式写出适合违规检测的反应规则。因为采用手动和专家的人工处理过程，使入侵检测系统欠缺有效性、自适应性。在入侵检测系统中运用数据挖掘技术可以有效 ＃ 地从各为数据中提取出有m的信B、。数掂挖o以《术－卜常适川丁从历史行为的大量数据丁！。 进行特征提取，入侵检测系统在建立入侵模式知u则1！时可采川数据挖掘技术。Wenke Lee 从数抿挖掘中得到启示，介发出了一个混升检测器RIPPER。它什不为不同的入侵行为 分别建立模型，而是首先通过大量的】沛州1数抓挖删方法来学习什么是入侵行为以及什 么是系统的汇常行为，发现掀述系统特征的一致仙门1帧式，然后丙形成对异常和滥用都 适川的检测 模呗，这是了 合价测 的 个此呷的多 门1。 J、。本文的卞要工作是针对未知的恶意。。J执行代码的检测，构进：）＆于卞动学习的朴素贝 叶斯分类器，采用最大最小悯选抒训练样本，对义件的机器代码段进行分析、训练贝叶 J旧｝类器，仲分类器。。］”以对小常和北总代码进订卜分。达到检测术知恶谕丁执行代码义 件的门的。人泰的安个威胁火门于恶怠的。山入行‘代码，特别足米知的代码。这种未知的 恶意代码＊现有基于特征扫拙的炳毒门描器发现不了。而恶意可执行代码与汇常可执行 代码的机器代码是不同的，可用数抓挖倔的介类V法对其进行区分。与数抓挖掘的义它 方法相比，贝卜I嘶网络的优点是可以综合光验信恩和样本信息，这在样本难得时特别有 o］，所以贝叶斯网络分类器特别适合检测未知恶意可执行代码。根抓分类学习对训练样 本的处理方法，可将分类算法分为两类：被动学习算法和卞动学习算法。传统的帅11嘶 分类器学习算法多属被动学习方沦。山－］‘贝ill嘶网络分类只fi增垦学习的特忏，它史适 “l丫1｛动学习，在增量地分类和增量学习概率分hifj而叮以大大地提高效率。传统的叩l！ 斯分类器学习算法仙＊给定的训纳朴小f判不L；帅序‘了习分类参数，学习效率较低以训练 抖本必须是带有类训休汀的，并n 回般部假定各训练样本是独立问分h川v。棚反门二动 学刀算法丁动在候选什本集中选择测试例十，斤将这‘》实例以一定的方式加入到训练柒 中。一般地在卞动学习的初始训练集小，，川何f川I峭b样本个数都很少。它利用这些带有 类另标注的U！1练样水学习－个分类x，然｝ 宋且 大的选怦策略，从们选拧小集（A卅 玉 类乡佃杆Z）选Z！2包日最9MV罗回譬本酉入＊ 训练坎邑，卫豁修号分类8V参数口按有／修．卜 的介类器卜，选挥卜－个最好的什个进订训练，0‘f到候选什木集为个或达到故利·付卅为 且正二。 子一刁F乏叁多二1卜】＜正、一亡兰二一一手气了一丫珍一二直3之圭一羊主一孟一气主：专享喜吾乏u吾主一亨J是叁叁＞右叁一一二IJ‘二一千，－j一塞一二一二言＞二叁；I’l＜J二一一乏叁宅土丝。一叁i是二一一一二一叁一＞叁二，且。J民有多飞亏丫且一二直M二瑟二‘吾生一一乞上主一二圭；多乏叁土：哼一二气广）飞L上一耳二J一＼
（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。
贝叶斯可执行论文参考文献
[1].路璐.双人贝叶斯可执行的一个充分必要条件[D].首都师范大学.2009
[2].黄伟杰.基于主动贝叶斯分类器检测未知恶意可执行代码的研究与实现[D].广西师范大学.2002