machine-learning - 潜在威胁分析分类(IP地址)
问题描述
我想将 IP 地址分类为坏、中性或好。我有3个参数,即
- 来自像 DigitalOcean 这样的云提供商的 IP 地址(只能是真或假)?如果是这样,我们将对其进行处罚。
- IP 是否是已知的 VPN/代理(只能是真或假),我们再次对其进行处罚。
- IP 是否来自可疑子网(信任分数百分比)?我们惩罚它。
起初,我想使用一种信用评分的权重衡量方法,即 3 个条件每个都带有 5 分。每个单独的参数都有一个百分比评级,所以如果它是一个云提供商,我们给它一个 10/100,否则我们可以说给它 100/100。
问题是这种方法会导致误报,优化整体权重分类范围也是一个问题。
分数范围的差异也是一个问题。例如,在云提供商中可能是真或假,而阴暗的域可能具有基于现有数据的单独分数。
解决这个问题有什么更理智的方法?决策树是否足够好,还是我应该选择 KNN?
解决方案
推荐阅读
- c - 如何从文件中读取数据并标记化?
- reactjs - 如何在反应 ssr 设置中设置“/”路径
- nginx - 如果客户端放弃调用,有没有办法完成或终止 Nginx-Gunicorn-Flask 请求?
- amazon-web-services - 如何从以下内容中获取值 - Items map[string][][]*int64 `locationName:"values" type:"map"` using Golang
- haskell - 在 HSX 中使用命名字段记录构造
- javascript - ServiceWorker 在注册时出错
- c# - 如何写 Cos 逆
- reactjs - 所有页面的底部标签
- django - 如何在 django 中使用 try 和 except?
- ios - RealityKit:表面变形修改器?