使用朴素贝叶斯算法实现网络资产识别的代码

在网络资产识别中，朴素贝叶斯算法通常应用于文本分类问题，比如检测恶意网站或异常网络流量。下面是一个简单的基于Python和Scikit-Learn库的朴素贝叶斯文本分类的示例代码：

import pandas as pd
from sklearn.model_selection import train_test_split
from sklearn.feature_extraction.text import CountVectorizer
from sklearn.naive_bayes import MultinomialNB
from sklearn.metrics import accuracy_score

# 假设我们有一个包含网络事件描述和标签的数据集
data = pd.read_csv('network_events.csv')  # 假设csv文件里有'text'列（网络事件描述）和'label'列（0 for good, 1 for malicious）

# 数据预处理：分隔数据集
X = data['text']
y = data['label']

# 划分训练集和测试集
X_train, X_test, y_train, y_test = train_test_split(X, y, test_size=0.2, random_state=42)

# 特征提取（将文本转为向量）
vectorizer = CountVectorizer()  # 使用默认设置
X_train_vec = vectorizer.fit_transform(X_train)
X_test_vec = vectorizer.transform(X_test)

# 训练朴素贝叶斯分类器
clf = MultinomialNB()
clf.fit(X_train_vec, y_train)

# 预测
y_pred = clf.predict(X_test_vec)

# 评估性能
accuracy = accuracy_score(y_test, y_pred)
print(f"Accuracy: {accuracy}")

# 新数据识别
new_data = ['新的网络事件描述']
new_data_vec = vectorizer.transform(new_data)
predicted_label = clf.predict(new_data_vec)
print(f"Predicted label: {predicted_label}")

请注意，实际项目中需要根据网络事件的具体特点调整特征提取和模型参数，可能还要进行更复杂的文本预处理，例如去除停用词、词干提取等。