روشی برای دسته بندی پدیده‌ها، بر پایه احتمال وقوع یا عدم وقوع یک پدیده‌است و در نظریه احتمالات با اهمیت و پرکاربرد است. اگر برای فضای نمونه‌ای مفروضی بتوانیم چنان افرازی انتخاب کنیم که با دانستن اینکه کدامیک از پیشامدهای افراز شده رخ داده‌است، بخش مهمی از عدم‌اطمینان تقلیل یابد. این قضیه از آن جهت مفید است که می‌توان از طریق آن احتمال یک پیشامد را با مشروط کردن نسبت به وقوع و یا عدم وقوع یک پیشامد دیگر محاسبه کرد. در بسیاری از حالت‌ها، محاسبه احتمال یک پیشامد به صورت مستقیم کاری دشوار است. با بهره گرفتن از این قضیه و مشروط کردن پیشامد مورد نظر نسبت به پیشامد دیگر، می‌توان احتمال مورد نظر را محاسبه کرد.

فرض می‌کنیم    یک افراز برای فضای نمونه‌ای    تشکیل دهند. طوری که به ازای هر   ، داشته باشیم    و فرض کنید    پیشامدی با فرض    باشد، در اینصورت به ازای   ، داریم:
طبق تعریف احتمال شرطی داریم   . صورت کسر قضیه طبق دستور حاصلضرب در احتمال شرطی، برابر با    و مخرج کسر بنابر قضیه قانون احتمال کل، برابر با    است.
اگر A و B دو پیشامد مفروض باشند، می‌توان پیشامد A را به صورت زیر در نظر بگیریم A=AB∪AB’.
زیرا نقطه‌ای که در A باشد باید یا در هر دوی A و B باشد و یا این که در A باشد و در B وجود نداشته باشد.از طرفی می دانیم AB و AB’ ناسازگار هستند، پس می‌توان نوشت:
P(A)=P(AB)+P(AB’)=P(A│B)P(B)+P(A│B^c )P(B’ )=p(A│B)P(B)+P(A│B’)1-P(B)
این رابطه بیان می‌دارد که احتمال به وقوع پیوستن پیشامد A یک میانگین وزنی از احتمال شرطی (A│B) و احتمال شرطی (A│B’) می‌باشد. وزن داده شده به هر احتمال شرطی به اندازه احتمالی است که A نسبت به آن مشروط شده‌است. رابطه بالا را می‌توان به صورت زیر تعمیم داد. فرض کنید پیشامدهای B1، B2، … و Bn پیشامدهای دو به دو ناسازگار باشند از طرفی رابطه زیر نیز بین این پیشامدها برقرار است:
U(i=1)^n Fi=S
از این عبارت این گونه می‌توان استنباط کرد که حتماً یکی از پیشامدهای B1، B2، … و Bn باید اتفاق بیفتداز طرفی می دانیم که پیشامدهای AB_i که (i=1,….,n) دو به دو ناسازگار هستند و می‌نویسیم
A= ⋃_(i=1)^n AB_i
از این جا می‌توان نوشت:
این رابطه بیان می‌دارد که چگونه می‌توان P(A) را با مشروط کردن به یکی از پیشامدهای داده شده B1، B2، … و Bn محاسبه نمود. به طور کلی این رابطه بیان می‌دارد که P(A) برابر است با میانگین وزنی  P(A|B-c)به نحوی که هر وزن هر جمله برابر با احتمالی است که به آن مشروط گردیده‌است حال فرض کنید که پیشامد A اتفاق افتاده و می‌خواهیم احتمال این که یکی از پیشامدهای Bi اتفاق افتاده باشد را حساب کنیم:
در یادگیری ماشین معمولاً در فضای فرضیه H بدنبال بهترین فرضیه ای هستیم که در مورد داده های آموزشی D صدق می کند یک راه تعیین بهترین فرضیه این است که بدنبال محتمل ترین فرضیه ای باشیم که با داشتن داده های آموزشی D و احتمال قبلی در مورد فرضیه های مختلف می توان انتظار داشت. تئوری بیز راه حل مستقیمی در این خصوص ارائه می دهد سنگ بنای یادگیری بیزی را تئوری بیز تشکیل می دهد این تئوری امکان محاسبه احتمال ثانویه را بر مبنای احتمالات اولیه می دهد:

فرض کنید که فضای فرضیه H و مجموعه مثال های آموزش D موجود باشند مقادیر احتمال زیر را تعریف می کنیم:
P(h) = احتمال اولیه – که فرضیه h قبل از مشاهده مثال آموزشی D داشته است اگر چنین احتمالی موجود نباشد می توان به تمامی فرضیه ها احتمال یکسانی نسبت داد.
P(D) = احتمال اولیه ای که داده آموزشی D مشاهده خواهد شد.
P(D|h) = احتمال مشاهده داده آموزشی D به فرض آنکه فرضیه h صادق باشد.
در یادگیری ماشین علاقمند به دانستن P(h|D) یعنی احتمال اینکه با مشاهده داده آموزشی D فرضیه h صادق باشد هستیم این رابطه احتمال ثانویه نامیده می شود توجه شود که احتمال اولیه مستقل از داده آموزشی است ولی احتمال ثانویه تاثیر داده اموزشی را منعکس می کندهمانطور که مشاهده می شود با افزایش P(D) مقدار P(h|D) کاهش می یابد زیرا هر چه احتمال مشاهده D مستقل از h بیشتر باشد به این معنا خواهد بود که D شواهد کمتری در حمایت از h در بر دارد. (۱۳)
فصل ۲ مرور بر کارهای گذشته
مقدمه
مرور سوابق، طبقه بندی از شبکه رباتی ارائه می کند به طوری که یک شبکه رباتی می تواند در طول پروژه با موفقیت طراحی شود. طبقه بندی شبکه رباتی بخش مهمی از پروژه است، به طوری که همه جنبه های شبکه رباتی پیش از اینکه طراحی و پیاده سازی صورت بگیرد نیاز به درک دارد.
مرور سوابق ۶ دسته را شامل می شود: دستور و کنترل (C&C models)، رخدادهای رهاسازی (Trigger events)، پروتکل های ارتباطی، مکانیزم های صف آرایی (Rally mechanisms)، حملات و رفتارها. مرور و تمرکز بر روی یک ارزیابی به روز شده در مورد سه شبکه رباتی مختلف برای درک اینکه شبکه های رباتی چگونه به کار گرفته شده اند و تشخیص اینکه از چه نوعی از حملات استفاده می کنند. استفاده از این دانش در بخش دوم برای طراحی شبکه رباتی تجربی مفید خواهد بود. (۱۴)
معماری دستور و کنترل
یک سیستم دستور و کنترل (C&C) توسط بات مستر (Botmaster) برای ارتباط غیرمستقیم با ربات هایش تنظیم شده است زیرا نمی خواهد هویتش آشکار شود و می خواهد دستوراتی که می فرستد مخفی شوند. برای بررسی معماری C&C، سه توپولوژی مرور خواهد شد.
اِون کوک و همکاران (۱۵) انواع مختلف این توپولوژی ها را در جدول ۱ جمع بندی کرده است:
جدول ۱ - توپولوژی های دستور و کنترل (۱۵)