您的位置：山东大学 -> 科技期刊社 -> 《山东大学学报（理学版）》

山东大学学报（理学版） ›› 2014, Vol. 49 ›› Issue (09): 150-153.doi: 10.6040/j.issn.1671-9352.2.2014.235

• 论文 • 上一篇    下一篇

基于KNN的Android智能手机微信取证方法

吴熙曦1,2, 李炳龙1,2, 张天琪3   

  1. 1. 信息工程大学四院, 河南 郑州 450004;
    2. 信息工程大学数学工程与先进计算国家重点实验室, 河南 郑州 450004;
    3. 中国人民解放军65547部队, 辽宁 鞍山 114200
  • 收稿日期:2014-06-24 修回日期:2014-08-28 出版日期:2014-09-20 发布日期:2014-09-30
  • 作者简介:吴熙曦（1990-），女，硕士研究生，研究方向为智能手机取证.E-mail：1107662015@qq.com
  • 基金资助:
    国家自然科学基金资助项目（60903220）；郑州市科技攻关项目；信息工程大学硕士论文基金资助项目

A KNN based forensic method of Android smartphone WeChat

WU Xi-xi1,2, LI Bing-long1,2, ZHANG Tian-qi3   

  1. 1. The Forth College, Information Engineering University, Zhengzhou 450004, Henan, China;
    2. State Key Laboratory of Mathematics Engineering and Advanced Computing, Information Engineering University, Zhengzhou 450004, Henan, China;
    3. No.65547 Unit, PLA, Anshan 114200, Liaoning, China
  • Received:2014-06-24 Revised:2014-08-28 Online:2014-09-20 Published:2014-09-30

PDF (PC)

1692

摘要： 针对微信数据多，无法从中快速找到与案件相关数据的问题，提出了一种基于KNN（k-nearest neighbor）算法的Android智能手机微信取证方法。引入词语相似度计算会话间的距离，将微信会话表示成特征词的向量，用KNN算法对会话进行分类，迅速找到与犯罪有关的聊天内容，并通过实验验证了该方法的可行性与准确性。

关键词: KNN算法, 词语相似度, 微信取证, 数据挖掘

Abstract: To solve the problem that data of WeChat is so much that data related to the case can't be found quickly, a Android smart phone WeChat forensic method based KNN algorithm was presented. Word similarity was introduced to calculate the distance of conversations. The conversations would be represented as a vector of feature words and categorized with KNN algorithm to quickly find the crime-related data. The experiments verify the feasibility and accuracy of the method.

Key words: KNN algorithm, word similarity, WeChat forensics, data categorization

中图分类号: 

  • TP311
[1] JIANG Zongli, YI Deng. Improving KNN based text classifications[C]//Proceedings of the 2nd International Conference on Future Computer and Communication (ICFCC 2010). Piscataway: IEEE, 2010:317-337.
[2] 钱晓东,王正欧. 基于改进 KNN 的文本分类方法[J].情报科学,2005, 23(4):550-554. QIAN Xiaodong, WANG Zhengou. Text classification method based on improved KNN[J]. Information Science, 2005, 23(4): 550-554.
[3] SOUCY P, MINEAU G W. A simple KNN algorithm for text categorization[C]//Proceedings of IEEE International Conference on Data Mining(CDM 2001). Washington: IEEE Computer Society, 2001: 647-648.
[4] 杨莉莉.基于数据挖掘的数字取证模型设计[J].南京师范大学学报,2006, 29(6):18-21. YANG Lili. Design of digital forensics model based on data mining[J]. Journal of Nanjing Normal University, 2006, 29(6):18-21.
[5] 鲁婷,王浩,姚宏亮.一种基于中心文档的KNN中文文本分类算法[J].计算机工程与应用,2011, 47(2):127-130. LU Ting, WANG Hao, YAO Hongliang. A KNN Chinese text classification algorithm based on center document[J]. Computer Engineering and Applications, 2011, 47(2):127-130.
[6] 田久乐,赵蔚.基于同义词词林的词语相似度计算方法[J].吉林大学学报:信息科学版,2010, 28(6):602-608. TIAN Jiule, ZHAO Wei. Words similarity algorithm based on tongyici cilin in semantic web adaptive learning system[J]. Journal of Jilin University:Information Science Edition, 2010, 28(6):602-608.
[1] 康海燕,马跃雷. 差分隐私保护在数据挖掘中应用综述[J]. 山东大学学报（理学版）, 2017, 52(3): 16-23.
[2] 柳欣,徐秋亮,张波. 满足可控关联性的合作群签名方案[J]. 山东大学学报（理学版）, 2016, 51(9): 18-35.
[3] 张凌, 任雪芳. 基数余-亏定理与数据外-内挖掘-分离[J]. 山东大学学报（理学版）, 2015, 50(08): 90-94.
[4] 张文东1,尹金焕1,贾晓飞2,黄超1,苑衍梅1. 基于向量的频繁项集挖掘算法研究[J]. J4, 2011, 46(3): 31-34.
[5] 朱国红 石冰 邢晓娜. 基于特征点选择的聚类算法研究[J]. J4, 2009, 44(9): 40-42.
[6] 王宗利,刘希玉 . 一种基于流形的蚁群聚类算法[J]. J4, 2008, 43(11): 40-43 .
[7] 闫宗奎,石 冰 . 基于网格模型的孤立点检测算法[J]. J4, 2008, 43(11): 58-60 .
[8] 娄兰芳,潘庆先 . 基于集合运算的频繁集挖掘优化算法[J]. J4, 2008, 43(11): 54-57 .
[9] 纪 元,陈未如,张 雪 . 并发关系模式合成数据源生成方法[J]. J4, 2007, 42(9): 84-87 .
[10] 何爱香,张 勇 . 基于遗传算法和决策树的肿瘤分类规则挖掘[J]. J4, 2007, 42(9): 91-95 .
[11] 谷 峰,刘晨曦,吴扬扬 . 基于序列数据挖掘的中文网页特征选择方法[J]. J4, 2006, 41(3): 95-99 .
Viewed
Full text


Abstract

Cited
  Shared   
  Discussed   
No Suggested Reading articles found!
版权所有 © 2018 《山东大学学报(理学版)》编辑部　
地址: 山东省济南市山大南路27号山东大学中心校区（250100）　电话: +86-0531-88366917　E-mail: xblxb@sdu.edu.cn
本系统由北京玛格泰克科技发展有限公司设计开发