电信网络机理分类和属性分析

我不是信息安全专家，我的题目是“电信网络机理分类和属性分析”，大概讲这样几个问题（PPT）。我们知道1856年发明了电报，到现在150多年间已经积累了非常丰富的电信技术和网络形态，这个大家都是知道的。为了更好的利用和发展这些技术加以充分利用我认为要对这些做一些分析是有必要的。     

基于K-近邻算法的Deep Web数据源的自动分类

针对Deep Web的查询需求,提出了一种基于K-近邻算法的Deep Web数据源的自动分类方法。该算法在对Deep Web网页进行表单特征提取及规范化的基础上,基于距离对Deep Web网页所属的目标主题进行判定。实验结果表明:基于K-近邻分类算法可以较有效地进行DeepWeb数据源的自动分类,并得到较高的查全率和查准率。     

基于软件网络的服务自动分类和推荐方法

对于服务管理与组合来说,服务分类和推荐方法至关重要,本文提出了SOS与服务自动分类方法,探讨了服务推荐方法的实现,并对其应用和平台工具开发进行了实例分析,旨在为相关研究和实践提供参考。     

基于标记密度分类间隔面的组类属属性学习

类属属性学习避免相同属性预测全部标记,是一种提取各标记独有属性进行分类的一种框架,在多标记学习中得到广泛的应用。而针对标记维度较大、标记分布密度不平衡等问题,已有的基于类属属性的多标记学习算法普遍时间消耗大、分类精度低。为提高多标记分类性能,该文提出一种基于标记密度分类间隔面的组类属属性学习(GLSFL-LDCM)方法。首先,使用余弦相似度构建标记相关性矩阵,通过谱聚类将标记分组以提取各标记组的类属属性,减少计算全部标记类属属性的时间消耗。然后,计算各标记密度以更新标记空间矩阵,将标记密度信息加入原标记中,扩大正负标记的间隔,通过标记密度分类间隔面的方法有效解决标记分布密度不平衡问题。最后,通过将组类属属性和标记密度矩阵输入极限学习机以得到最终分类模型。对比实验充分验证了该文所提算法的可行性与稳定性。

     

基于多数据源的网络结构评估和优化方法研究

网络结构概念从2010年逐步发展,从狭义网络结构发展到目前广义的网络结构,包括了覆盖、容量和频率3个维度,这3个维度互相作用决定网络质量,特别是目前网络高承载的情况下,网络结构问题更加凸显。基于多数据源的关联分析是网络结构发展的方向、相同业务密度区域是网络结构评估的基础、质量是网络结构优化的主线,网络结构优化进一步提升高承载下的网络质量。     

基于序列特征的网络流分类方法研究

如今,对网络流量中各种应用进行准确分类和识别已经变得越来越重要,针对目前流量分析研究的不足,本文综合国内外相关研究成果,提出了在双向动态网络流模型的基础上,采用细粒度的Packet-Level序列特征属性对流量进行分析,建立序列特征属性与网络流类型之间的关联关系,实现了一种高效的、与端口无关的网络流分类方法.     

基于Chord覆盖网络索引结构的多属性查询

文中给出了一种基于Chord覆盖网络索引结构的多属性查询处理技术.利用卡诺图计算查询结果所在的节点,并以多播树的方式将查询请求发送到对应的节点上,从而实现了相邻数据之间的快速路由.实验证明了该方法在处理多属性查询时的有效性和高效性.     

基于本体和贝叶斯网络的Deep Web集成系统研究

Deep Web指无法简单地通过搜索引擎或网络爬虫能够检索到的隐藏在后台数据库中,而往往这些内容具有丰富的信息和数据.获取Deep Web所蕴含的丰富信息的有效方法是构建Deep Web集成框架,而查询接口作为Deep Web的唯一访问接口,所以Deep Web集成系统的关键就是构建Deep Web集成接口.研究的目标是通过自动构建特定领域的本体来表示Deep Web接口信息,从而能够自动识别该领域Deep Web接口来建立索引,提取数据库中丰富的资源.在没有人为干预的情况下展开整个过程.本文的方法能完全自动地提取Deep Web接口信息并派生领域本体,并通过本体贝叶斯网络识别新Deep Web接口,进行匹配.在特定领域,通过一种新的自动从Deep Web接口中提取属性方法,通过WordNet构建成本体语义树,运用得到的领域语义本体树结合贝叶斯网络完成领域分类,并在分类后进行查询接口与集成接口的模式匹配.本文提出的方法通过对比人工提取属性构成的语义树在分类和模式匹配的结果进行对比,验证了该方法的可用性和适用性.     

基于改进深层网络的人脸识别算法

目前的人脸识别算法在其特征提取过程中采用手工设计（hand-crafted）特征或利用深度学习自动提取特征.本文提出一种基于改进深层网络自动提取特征的人脸识别算法,可以更准确地提取出目标的鉴别性特征.算法首先对图像进行ZCA（Zero-mean Component Analysis）白化等预处理,减小特征相关性,降低网络训练复杂度.然后,基于卷积、池化、多层稀疏自动编码器构建深层网络特征提取器.所使用的卷积核是通过单独的无监督学习获得的.此改进的深层网络通过预训练和微调,得到一个自动的深层特征提取器.最后,利用Softmax回归模型对提取的特征进行分类.本文算法在多个常用人脸库上进行了实验,表明了其在性能上比传统方法和普通深度学习方法都有所提高.     

基于混合属性的零样本图像分类

对于具有相似属性的类别而言,在有限维度的语义属性下,基于属性的零样本图像分类器难以对它们进行正确区分.考虑到语义属性描述类别的有限性,在直接属性预测(Direct Attribute Prediction,DAP)模型的基础上,提出一种基于混合属性的零样本图像分类模型(Hybrid Attribute-Based DAP,HA-DAP).首先,对样本的底层特征进行稀疏编码并利用编码后的非语义属性来辅助现有的语义属性;将非语义属性与语义属性构成混合属性并将其作为DAP模型的属性中间层,利用属性预测模型的思想进行混合属性分类器的训练;最后,根据预测的混合属性以及属性与类别之间的关系进行测试样本类别标签的预测.在OSR、Pub Fig以及Shoes数据集上的实验结果表明,HA-DAP的分类性能优于DAP,不仅能够取得较高的零样本图像分类精度,而且还获得了较高的AUC值.     

基于多模态深度学习的流量分类识别方法

针对流量分类效果与实际情况存在偏差的问题,首先将多模态深度学习运用在流量分类中,通过利用多模态之间的互补性,剔除模态间的冗余,从而学习到更好的流量数据特征表示.然后,提出了一种基于多模态流量数据的检测和分类方法,对同一流量单位的不同模态输入分别采用卷积神经网络(Convolutional Neural Networks...     

一种基于BP神经网络群的自适应分类方法及其应用

本文针对基于BP神经网络的分类系统,提出了神经网络群的概念,在此基础上给出了一种系统自适应增长算法,使得在新的目标类型加入时系统结构能够自适应调整.验证结果表明,该算法可以在增加新的目标类型时简化系统结构的调整过程,缩短重新训练网络所需要的时间,从而有效地提高网络的训练效率.     

一种改进的ECG分类神经网络方法

本文引入信息熵作为惩罚函数，加入到神经网络的代价函数中，经过训练获得了更有组织的隐怪神经元激励模式，每个输入样本仅使隐层少数神经元产生响应，经过本文提出了的裁剪算法的裁剪后，减小了网络的规模，提高了神经网络的泛化能力和计算效率，文中的ＥＣＧ分类也证字这一结果。     

基于Web实验室自动测试系统的设计与实现

随着航天事业的发展以及未来发展的需要,实验室分工将越来越细,配套装备也越来越多。在这种情况下,人工参与的半自动测试系统已经无法满足多点设备、仪器的测试要求。为提高装备的维护保养能力,文中设计了一套基于Web的自动测试系统,采用至下而上的设计方法,设计了通用型的功能模块,并通过网络接口实现了组网;上位机监控软件采用Labview进行开发,利用其Web Server技术实现了远程面板的浏览与控制。测试表明,构建的系统设计合理、控制简便、数据记录完善,提高了装备保障的水平。     

结合Gabor特征和深度信念网络的人脸姿态分类

针对多姿态人脸图像分类存在的困难,提出了一种基于Gabor特征和深度信念网络(DBN)的近邻元分析(NCA)方法,通过提取Gabor多姿态人脸图像的尺度图并将其进行融合,从而对多姿态人脸图像具有较好的区分度,利用融合后的特征图来训练样本并作为深度信念网络的输入图像,结合NCA分析对训练样本进行线性变化以寻找到一个更有利于类别分类的线性子空间,提供足够大的数据集来估算模型参数进而对多姿态人脸图像进行分类.对ORL人脸数据集测试结果表明,多姿态人脸分类数据量为1616和2432之间时的平均分类正确率分别为86.67％、84.00％、90.67％和86.67％,与PCA、LDA和RCA三种算法相比,其分类准确率都得到了提高,实验结果验证了这种针对多姿态人脸图像的分类算法的有效性.     

一种基于词袋模型的图像优化分类方法

该文应用词袋模型对图像进行分类,并针对传统词袋模型存在的不足进行改进,提出了一种基于兴趣区域(Region Of Interest, ROI)提取以及金字塔匹配原理的优化方法。首先对训练图像进行ROI提取,对得到的ROI区域进行密集尺度不变特征变换(Scale-Invariant Feature Transform, SIFT)特征的抽取和描述并生成视觉词典,由此产生的视觉词典更能精确的描述图像的特征,且能够抵抗多变的位置信息及背景信息的影响。其次应用金字塔匹配原理对图像进行基于视觉词典的直方图表示,代入支持向量机(Support Vector Machine, SVM)分类器进行分类。通过对Caltech 101和Caltech 256两个数据库进行实验,结果表明该方法较传统方法提高了分类的正确率,且能够在训练图像较少的情况下达到良好的分类效果。最后通过与现有同类方法的比较验证了该方法的优越性。     

一种模型选择优化准则及其在高光谱图像非监督分类中的应用

选择合适的类别数是非监督分类中的一个关键问题.针对采用高斯混合建模的高光谱图像非监督分类问题,该文提出了一种基于主成分分析(PCA)的最小描述长度(MDL)型模型选择准则(文中简称为PMDL)来确定分类类别数,即根据PCA变换后保留的各主成分表达的数据方差不同而应具有不同的编码长度这一事实,在计算描述长度时对各维进行加权.分类过程中,论文采用期望最大化(Expectation Maximization)算法在合并的策略下对PCA变换后的数据求解混合模型,并应用所提出的准则进行模型选择从而确定待分类的类别数.仿真数据实验证实了新准则的有效性和优良的性能,并采用真实数据对该准则和整个算法进行了验证.     

基于贝叶斯信息准则的极化干涉SAR图像非监督分类

该文提出一种利用贝叶斯信息准则自动确定聚类类别数的极化干涉SAR非监督分类算法。该方法首先利用Shannon熵特征对极化干涉SAR图像进行初始分类,然后利用期望最大化(Expectation-Maximization, EM)算法和标号代价(LabelCost)优化算法对分类结果进行迭代优化,同时通过贝叶斯信息准则(Bayesian Information Criterion, BIC)自动确定非监督分类的最佳类别数。实验结果表明该算法能够较准确地确定分类类别数,并具有较为满意的分类效果。     

基于Command and Control通信信道流量属性聚类的僵尸网络检测方法

僵尸网络(Botnet)是一种从传统恶意代码形态进化而来的新型攻击方式,为攻击者提供了隐匿、灵活且高效的一对多命令与控制信道(Command and Control channel, CC)机制,可以控制大量僵尸主机实现信息窃取、分布式拒绝服务攻击和垃圾邮件发送等攻击目的。该文提出一种与僵尸网络结构和CC协议无关,不需要分析数据包的特征负载的僵尸网络检测方法。该方法首先使用预过滤规则对捕获的流量进行过滤,去掉与僵尸网络无关的流量;其次对过滤后的流量属性进行统计;接着使用基于X-means聚类的两步聚类算法对CC信道的流量属性进行分析与聚类,从而达到对僵尸网络检测的目的。实验证明,该方法高效准确地把僵尸网络流量与其他正常网络流量区分,达到从实际网络中检测僵尸网络的要求,并且具有较低的误判率。     

基于 PHOW 特征描述子和支持向量机的航空侦察图像分类方法

在深入研究 PHOW 特征描述子的基础上,提出了基于 PHOW 特征描述子和支持向量机的航空侦察图像分类方法。针对构建的5类航空侦察图像分类实验结果表明,与基于 Gist 特征描述子的图像分类方法相比,新方法可以实现快速准确的图像分类,平均分类精度为84．6％,特征提取和分类的平均耗时为37 ms。