大数据环境下基于信息论的入侵检测数据归一化方法

在大数据时代,入侵检测作为网络安全的一种重要技术手段被广泛采用.网络入侵检测数据不同的特征属性具有不同的量纲和量纲单位,为了消除特征属性之间的量纲影响,一般在进行数据分析之前采用归一化处理.当前网络入侵检测数据的归一化处理大多只考虑特征属性取值本身的分布情况,没有客观地评估它对类别信息或其他特征属性的影响.针对这个问题,提出了一种基于信息论的网络入侵检测数据归一化方法.对连续特征属性,它以联合信息增益作为区间的分割评估方法,以区间的类别占比作为标准依据进行归一化处理;对离散特征属性,它根据类别条件熵的占比进行了归一化处理.利用NSL-KDD数据集仿真实验,结果表明,该方法不仅能够提高学习算法的收敛性,而且归一化的结果有助于提高分类模型的检测率和降低分类模型的误报率.     

基于EEMD能量矩和改进量子粒子群神经网络的滚动轴承故障诊断

针对滚动轴承故障振动信号的非线性和周期性冲击特征, 提出一种基于集合经验模态分解(Ensemble Empirical Mode Decomposition, EEMD)能量矩和改进量子粒子群神经网络的特征提取方法. 基于小波去噪对滚动轴承原始信号进行预处理, 对重构的故障信号进行EEMD并得到多个本征模态函数分量. 利用能量矩方法计算出所需分量的能量矩并归一化, 将归一化后的能量特征参数作为量子粒子群BP神经网络的参数输入, 根据加速度传感器信号实现滚动轴承故障诊断. 分别在不同转速(载荷)下采集驱动端轴承的振动信号, 获取200个训练样本和80个测试样本, 并建立故障诊断模型. 基于文中模型对实际滚动轴承数据进行诊断, 实验结果表明, 不同转速(载荷)下测试的80个样本故障诊断准确率达到100%.     

关联规则在网络异常检测中的应用

异常检测在网络安全中已成为一个重要的课题,异常检测是入侵检测(IDS)的一种,它对网络及用户正常行为的特征进行描述,并通过对正常网络行为的偏差的比较来实现入侵检测.关联规则是一种典型的数据挖掘方法,可以用来描述事物之间在特定条件下存在的某种强度的联系.通过对网络数据进行采集并利用关联规则数据挖掘的方法描述网络特性,建立了一个有效的网络异常检测系统模型,获得了较好的效果.     

基于深度稀疏自编码网络的植物叶片分类

针对传统机器学习方法对植物叶片图像分类识别率不高的问题,探讨了基于深度稀疏自编码网络(Deep Sparse Autoencoder Network,DSAN)的植物叶片分类研究。自动编码器通过编码和解码重构输入数据,对植物叶片进行分层特征学习,在自动编码器上添加稀疏限制,对隐含层神经元进行压缩,从而学习到更高层的隐含特征用于分类,解决了因选取的特征表达不足导致网络模型分类性能不佳的问题。实验采用公开的植物叶片图像数据库MalayaKew(MK)作为研究对象,该数据集包含44类植物。将预处理之后的叶片图像直接作为输入数据,通过DSAN学习到叶片的高层特征,结合Softmax分类器用于分类。实验结果表明,该算法能够有效提高植物叶片图像的分类精度,在植物分类领域具有一定的应用价值。     

基于DBN与带注意力机制GRU的CAN总线入侵检测模型

为解决车联网中CAN(controller area network)总线易受攻击的问题,提出了一个混合攻击入侵检测模型DGAOIDS。该模型利用无监督的DBN(deep belief nets)学习正常CAN报文数据的基础特征,并利用一个带注意力机制的GRU(gate recurrent unit)网络学习其时序特征,用单分类支持向量机对其进行分类;引入一个对电子控制单元规则学习得到的过滤器,综合过滤器与前述模型的分类结果得出最终的检测结果。实验结果表明,对于不同攻击,基于规则的过滤器的假阳率均为0;DGAO-IDS模型不仅在公开数据集HCRL中的检测结果优于对比模型HyDL-IDS和MD-LSTM,而且该模型在混合攻击数据集MixAt中的精确度达到了91.05%,与HyDL-IDS模型和MD-LSTM模型相比分别高6.55%与7.93%。     

基于边缘ZI回归模型的分组数据影响分析

为了研究含零较多的分组计数数据对边缘ZI(zero-inflated)回归模型的影响,在完全数据的对数似然基础上利用局部影响法对其进行诊断.同时,基于模型中参数的ES(expectation-solution)估计,分别研究了类内加权扰动、类音加权扰动、解释变量扰动和响应变量扰动下的局部影响分析,得到了相应的诊断统计量.最后,根据所得统计量,获得了园艺试验中一组计数数据的影响点,结果说明该文提出的方法是有效的.     

基于随机权重粒子群优化极限学习机的土壤湿度预测

土壤湿度的预测对农业生产和科学研究都有着重要的意义.针对极限学习机(ELM)回归模型预测结果受输入参数影响的问题,本文将随机权重的粒子群优化算法(RandWPSO)应用于ELM回归模型中,提出了一种基于随机惯性权重的粒子群优化极限学习机的土壤湿度预测方法.该方法是利用传感器测出的土壤温度和光照强度数据进行数据预处理,构建出训练样本集,并且建立ELM回归模型,利用随机权重的粒子群算法优化ELM中的输入权值和阈值,避免陷入局部最优,从而建立起基于RandWPSO-ELM土壤湿度预测模型.利用MATLAB仿真软件,构建随机权重的粒子群优化ELM的预测模型,并对呼兰地区大棚甜菜的土壤湿度进行实验.结果表明:该方法的精度高且稳定性好,能够为大棚甜菜的生长提供有效的参考依据.     

相对论重离子碰撞的三源模型

理论分析发现能解释较低碰撞能区带电强子分布的Heinz集体流模型无法解释较高碰撞能量的相对论对撞机(RHIC)能区的带电强子分布.为此在Heinz集体流模型的基础上,创建了三源模型.本模型将强子分布看成为射弹发射源、靶发射源和中心集体流三者贡献之和,其计算结果与RHIC能区的带电强子分布实验数据能较好地符合,能解释RHIC能区的带电强子分布特征.     

基于Bi-IndRNN的恶意URL分析与检测

本文提出一种基于双向IndRNN(Bidirectional Independently Recurrent Neural Network, Bi-IndRNN)的恶意URL分析与检测算法.通过对恶意URL分析与检测特点的研究,提取主机信息特征和URL信息特征.把主机信息特征与URL信息特征相融合,并利用Bi-IndRNN算法对恶意URL进行分析与检测.与k最邻近分类算法(k-NearestNeighbor, KNN)、高斯贝叶斯算法(GaussionNB)、LSTM(Long Short-Term Memory)算法、IndRNN(Independently Recurrent Neural Network)算法对比结果表明,该模型对恶意URL的分类检测准确率达到95.92%,明显高于其它算法模型.     

钱塘江河口盐度的神经网络模拟

盐水入侵会对潮汐河口饮用水源地产生影响,河口盐度的合理预测对饮用水源地取水安全和水库泄水抑咸调度有重要意义.以上游流量和下游潮差为控制条件,建立模拟钱塘江河口盐度变化情况的神经网络模型.首先对输入数据作归一化处理,利用上半年观测数据对模型进行反复训练,进而后报下半年盐度.模型输出数据反归一化所得到的结果与实测盐度数据比较,两者较为一致.表明基于河口盐度与上游流量和下游潮差间映射关系所建立的神经网络模型可有效地模拟潮汐河口的盐度变化.利用神经网络方法模拟了上游流量变化条件下钱塘江河口某测站的氯化物浓度.结果显示,当利用上游水库泄水来抑制河口咸水入侵时,采用降序流量过程可更有效地减小盐水入侵对饮用水源地的影响.     

基于交通实测的交通流密度特性分析

为揭示交通流密度的本质特征, 对上海延安高架和郑州金水路高架上交通流实测密度值进行了统计分析. 利用贝塔函数对数据进行曲线拟合, 得出了车辆密度的概率密度分布基本符合贝塔分布的结论; 进而基于NaSch元胞自动机交通流模型, 考虑车辆密度的概率密度特征, 通过数值模拟得到了交通流的流量—密度图, 呈现出一个二维分布的区域, 与实测结果吻合良好, 进一步验证了车辆密度的概率密度特征. 结论可为交通流建模以及交通工程的规划和管理提供理论参考.     

基于等纬度DINEOF的遥感SST产品缺失数据重构算法及精度验证分析

由于云覆盖、算法失效等原因造成SST遥感数据产品大量缺失,严重影响其在海洋环境监测中的应用.对缺失数据进行重构是提高SST数据产品质量及应用效果的一项重要工作.在已发展的DINEOF(Data Interpolating Empirical Orthogonal Function)基础上提出了一种适用于海量数据、大空间尺度的数据重构改进算法——等纬度正交经验函数重构方法(Same Latitude-DINEOF,SL-DINEOF).利用此方法对中国近海的MODIS SST数据产品进行重构,并与原始的非等纬度方法进行重构精度对比分析.结果表明,基于SL-DINEOF的重构精度呈季节性变化,受SST量值、时间变异及原始数据缺失率3方面影响,其中在南海表现最优(RMSE为0.731~0.957);对比可知,在各个海区SL-DINEOF均优于DINEOF,RMSE的最大降幅达21.28%,且纬度越高优势越明显;此外,SLDINEOF最优通常出现在春秋季.     

基于特征优化的多层支撑矢量机入侵检测算法

在入侵检测系统中利用免疫优势克隆算法对训练数据进行优化，获得对入侵检测发挥关键作用的特征集合，再利用基于Boosting组合的多层支撑矢量机算法对优化后的数据进行训练学习，可以在不影响入侵检测系统的推广能力的条件下大大缩短训练时间．     

基于梯度矢量流和主动轮廓模型的海陆边界提取

利用边缘检测与主动轮廓模型组合的方法可提取海陆边界线,但易受轮廓跟踪的缺点影响.在该方法的基础上,利用边缘检测与梯度矢量流的有向力作用生成初始轮廓线,再使用主动轮廓模型对初始轮廓线进行调整,得到精确的海陆边界.实验证明该方法可简便地生成有效的初始轮廓线并准确提取海陆边界,避免使用轮廓跟踪法.该方法可利用GIS数据辅助以简化提取流程.     

混合ACC车辆与人工驾驶车辆的交通流数值模拟

针对自动驾驶汽车与人工驾驶汽车混合通行的新型交通流模式,基于元胞自动机交通流模型,分别建立了人工驾驶汽车以及装有自适应巡航系统(ACC)车辆的运动规则,进而提出了混合ACC车辆与人工驾驶汽车的交通流模型.基于ACC车辆的常车头时距策略,分析了车头时距取值对交通流的影响,经过与实测数据比较,推荐了合适的车头时距值.研究结果显示,新型的混合交通流中依然存在自由流、同步流及宽幅运动阻塞,但是单纯ACC车辆交通流在中高密度区域则会出现均匀流动现象.车辆时空演化图显示ACC车辆的出现有利于提高交通流的整体流量、有效减少车辆集簇.研究结果可以为新型交通环境下的交通工程规划和建设提供理论指导.     

基于电磁仿真的粗糙面上二维目标参数反演

针对海洋(或陆地)环境中目标电磁逆散射问题开展研究,建立了粗糙面上简单导体目标的电磁散射模型,通过精确的电磁散射建模得到散射回波数据,包括空间分布采样和频率采样,再分别应用BP神经网络(BPNN)和支持向量机(SVM)两种方法反演粗糙面上二维导体目标的特征几何尺寸.在粗糙面上圆柱几何参数反演以及海上舰船尺寸反演过程中需要考虑粗糙面的随机性,因此对散射数据进行了多次统计,实现了随机粗糙面上方目标的特征参数重构.     

基于实时信息的取送货动态车辆路径问题研究

为适应点对点、实时城市配送对动态响应和快速决策提出的新要求, 研究了多种实时信息作用和影响下的取送货动态车辆路径问题. 采用将动态问题转化为一系列静态问题的建模方法, 建立了基于实时信息的取送货动态车辆路径模型; 设计了动态算法框架, 运用构造算法获得初始可行解, 运用禁忌搜索算法改善初始可行解质量. 实验表明, 本文的模型和算法能有效解决基于实时信息的取送货动态车辆路径问题, 将初始可行解的质量(实时物流配送成本)改善了34%.     

基于微博的COVID-19热点话题分析

新型冠状病毒肺炎(corona virus disease 2019,COVID-19)的快速暴发引发了广泛的社会关注,给网络舆情分析带来了极大的挑战。针对这个问题,本文使用网络爬虫技术对官方媒体发布的关于COVID-19的评论信息进行数据收集,对收集到的评论信息按时间顺序进行排列,首先使用TF-IDF对文本的关键特征词进行提取,其次利用OLDA(online latent Dirichlet allocation)模型依照时间顺序进行主题词演化分析,构建评论集词向量模型,最后使用K-means对主题进行聚类,并对聚类结果通过词性标注进行分析。实验表明,本文的方法可以获得随时间变化的评论信息,能够检测到需要关注的信息。     

南昌市大气细粒子PM_(2.5)中多环芳烃的污染特征及源解析

在南昌市布设5个采样点,代表交通干线区、工业区、商业区、居民区以及郊区,于2007年进行气溶胶PM_(2.5)的采样.各采样点测得的数据表明,PM_(2.5)中多环芳烃浓度呈现出夏低冬高的特征,空间分布上,南昌市PM_(2.5)中多环芳烃污染情况为交通干线>工业区>商业区>居民区>郊区,基于这些检测数据,通过因子分析法中的主成分分析法判断PM_(2.5)中多环芳烃的主要来源,利用多元逐步回归法确定各主要污染源对多环芳烃的贡献率.结果表明南昌市的主要污染源车辆排放源(标识物苯并(g,h,i)苝)、燃煤污染源(标识物荧蒽)、焦化污染源(标识物苯并(k)荧蒽)和高温加热源(标识物菲)对南昌市大气PM_(2.5)中多环芳烃的贡献率分别为31.0%、21.1%、25.8%和(14.6%).