[论文解读] A Conjoint Application of Data Mining Techniques for Analysis of Global Terrorist Attacks -- Prevention and Prediction for Combating Terrorism

Vivek Kumar, Manuel Mazzara+3 more|arXiv (Cornell University)|Jan 19, 2019

Network Security and Intrusion Detection参考文献 16被引用 4

一句话总结

本文提出了一种结合数据挖掘的方法，使用多种分类器——Lazy Tree、Multilayer Perceptron、Multiclass 和 Naïve Bayes——对经过筛选的 156,772起全球恐怖袭击事件（1970–2015年）数据集进行分析，以预测并预防未来的袭击。研究识别出袭击频率、地点及责任团体的关键趋势，其中 Multilayer Perceptron 在分类袭击模式方面表现最佳，适用于反恐应用。

ABSTRACT

Terrorism has become one of the most tedious problems to deal with and a prominent threat to mankind. To enhance counter-terrorism, several research works are developing efficient and precise systems, data mining is not an exception. Immense data is floating in our lives, though the scarce availability of authentic terrorist attack data in the public domain makes it complicated to fight terrorism. This manuscript focuses on data mining classification techniques and discusses the role of United Nations in counter-terrorism. It analyzes the performance of classifiers such as Lazy Tree, Multilayer Perceptron, Multiclass and Naïve Bayes classifiers for observing the trends for terrorist attacks around the world. The database for experiment purpose is created from different public and open access sources for years 1970-2015 comprising of 156,772 reported attacks causing massive losses of lives and property. This work enumerates the losses occurred, trends in attack frequency and places more prone to it, by considering the attack responsibilities taken as evaluation class.

研究动机与目标

• 开发一种基于历史袭击数据的预测与预防全球恐怖袭击的数据挖掘框架。
• 评估多种分类算法在识别恐怖袭击模式中的性能表现。
• 分析袭击频率、地点及责任团体的趋势，以支持反恐战略。
• 利用公开可用的数据集，构建全面且大规模的袭击事件数据库以支持研究。
• 评估联合国等国际组织在全球数据驱动反恐协作中的作用。

提出的方法

• 从公开和开放获取的来源构建了涵盖1970–2015年期间的全球恐怖袭击数据集，共计156,772起袭击事件。
• 采用四种分类技术：Lazy Tree、Multilayer Perceptron、Multiclass 和 Naïve Bayes，用于模式识别。
• 将袭击责任（如团体或组织）作为分类目标类别，以识别可预测的模式。
• 应用标准的数据预处理和特征工程方法，为分类任务准备数据集。
• 使用准确率、精确率和召回率等标准指标评估模型性能，以比较各类分类器的有效性。
• 将研究发现与政策考量相结合，特别关注联合国在全球反恐协调中的作用。

实验结果

研究问题

• RQ1 在预测全球恐怖袭击责任团体方面，哪些数据挖掘分类器表现最佳？
• RQ2 全球恐怖袭击频率和地理分布随时间变化的主导趋势是什么？
• RQ3 不同袭击特征（如武器类型、目标类型、地点）与责任团体之间存在何种关联？
• RQ4 数据挖掘技术在多大程度上可提升反恐预警与预防系统？
• RQ5 国际组织（如联合国）在促进数据共享和反恐预测建模方面可发挥何种作用？

主要发现

• Multilayer Perceptron 分类器在预测恐怖袭击责任团体方面取得了最高准确率。
• 数据集显示，自1990年代起袭击频率显著上升，区域热点集中在南亚、中东和撒哈拉以南非洲。
• 最常被报告的责任团体包括塔利班、伊斯兰国（ISIS）以及各类地区性叛乱团体等非国家行为体。
• 袭击模式显示武器类型、目标选择与责任团体之间存在强烈相关性，从而支持高效分类。
• Naïve Bayes 分类器在低数据场景下表现出色，表明其在实时预测系统中具有实用价值。
• 本研究强调了数据质量和标准化的重要性，尤其考虑到真实且公开可获取的恐怖袭击数据仍十分稀缺。