随着科威特数字化转型加速，网络犯罪案件数量激增导致调查部门超负荷运转。传统犯罪预测研究多聚焦热点区域识别，却鲜少关注个案调查结果的早期预判。科威特科学研究院（Kuwait Institute for Scientific Research）的Hesham A. Almansouri团队创新性地将机器学习应用于网络犯罪特征预测，其研究成果发表在《Kuwait Journal of Science》上，为提升调查效率提供了智能决策支持。

研究团队收集了2019-2022年科威特网络犯罪打击部门（3CD）249起已侦破案件数据，包含报案人信息（输入特征）与调查结果（输出变量）两大模块。通过嵌套5折交叉验证框架，系统评估了前馈神经网络（FFNN）、随机森林（RF）等五种模型性能，并创新性地对比了暴力穷举与12名警官经验指导两种特征选择策略的优劣。

关键技术包括：1）基于pandas库的阿拉伯语数据预处理；2）采用tanh激活函数的单隐藏层FFNN架构；3）基于Gini不纯度的决策树分裂准则；4）50次重复的置换特征重要性分析；5）兼顾类别平衡的Jaccard指数特征集相似度评估。

【预测性能】结果显示，暴力穷举法在7/10的输出变量上优于警官指导法，如黑客设备类型预测准确率达81.3%。混淆矩阵揭示模型对高频类别（如30-35岁年龄组）存在偏好，但能有效区分"钓鱼攻击"与"社会工程"等犯罪手段。

【特征选择】最优模型平均选择7/9的输入特征，其中黑客平台与损害情况被全部模型选中。置换实验显示报案人设备特征对预测黑客设备的贡献度达48.2%，而年龄组预测主要依赖报案人年龄（40.5%缺口）。

【特征普适性】通过后验分析发现，包含7个核心特征的统一集合可使所有输出的最大准确率降幅控制在5.2%以内，其中黑客类型预测受影响最大，证实多特征协同作用的重要性。

该研究首次证实机器学习可辅助预测个案调查结果，其构建的预测模型对案件 indictment 结果的判断准确率达73%。值得注意的是，警官经验等级与特征选择质量无显著相关性，这为优化调查流程提供了新思路。尽管存在数据集规模有限等约束，但研究提出的嵌套交叉验证框架和特征重要性分析方法，为小样本犯罪数据分析树立了范式。未来可通过引入广义加性模型（GAM）等可解释算法，在保持性能的同时增强模型透明度，这对平衡预测效率与司法公正具有重要实践意义。

转载请注明：可思数据 » 基于机器学习的网络犯罪特征预测模型构建及在科威特的应用研究

免责声明：本站来源的信息均由网友自主投稿和发布、编辑整理上传，或转载于第三方平台，对此类作品本站仅提供交流平台，不为其版权负责。本网站对有关资料所引致的错误、不确或遗漏，概不负任何法律责任。若有来源标注错误或侵犯了您的合法权益，请作者持权属证明与本站联系，我们将及时更正、删除，谢谢。联系邮箱：elon368@sina.com