信息安全专业人才培养模式及其实践教学改革

分析了信息安全本科专业人才培养现状和课程体系,提出了创新人才培养模式的思路和实践教学改革的措施,从而为构建"三创"复合型信息安全人才培养目标提供依据.     

基于多属性决策和k-means聚类的车载安全消息中继选择方法

城市车载网络环境中高效的中继选择有利于保证安全消息传输的及时性和可靠性。针对现有中继选择方法在复杂交通环境下难以准确评估中继,且在车流密集场景下性能不佳的问题,提出一种基于多属性决策和k-means聚类的中继选择方法（multi-attribute decision-making and k-means clustering based relay selection,MKRS）。首先充分考虑当前转发车辆与候选中继之间的相对距离和相对速度,候选中继的接收信号强度和区域密度等4种评估指标,分别基于序关系法和熵权法计算候选中继评估指标的主、客观权重,并利用简单加权法计算其综合权重,进一步得到能够更加准确体现候选中继性能的综合效用值。在此基础上,采用基于k-means聚类和优先级-退避时间的方法选出最佳中继。实验结果表明所提MKRS与对比方法相比,在保证较好一跳距离和一跳时延的同时具有最快的传播速度。     

基于树结构的多策略本体映射算法

针对语义Web中的本体异构问题, 提出了一种基于树结构的多策略本体映射算法,该算法的特点在于:按照数据类型分类进行映射,并采用启发式规则,提高了映射效率;同时考虑了概念的语言相似性、实例相似性和结构相似性,提高了相似度计算的准确性;采用迭代矫正,最终得到正确而完整的映射对.实验结果表明,该算法的查准率和查全率均优于GLUE算法,能有效完成本体间的映射.     

无尺度网络自适应管理策略

针对建立在随机网络模型上的传统网络管理中所存在的数据采集流量偏大、同步采集发生率高等管理性能问题,提出一种适合无尺度网络的自适应网络管理策略,该策略可以通过对比被管网元地位度量阈值,动态探测被管网元在网络中所处的地位,根据网元所处地位不同自动调整数据采集周期.实验证明,这种策略在不降低网络管理功效前提下,能够减少需采集的网络管理数据,并避免了数据采集的同步,从而提高网络管理的性能.     

分布式多数据源层次化网络计费模型的研究与实现

通过对网络计费系统现状的分析，提出了一种基于CORBA的分布式数据源层次化网络计费模型，从而使计费系统更具扩展性和稳定性。     

基于改进粒子群算法的Web服务组合推优方法

针对半自动的Web服务组合模型,为了尽可能多地发现服务质量处在Pareto前端的服务组合供用户参考使用,提出了一种基于改进粒子群算法(MPSO)的Web服务组合推优方法.结合服务组合问题给出了粒子适应度评价函数以及群体多样性的计算模型.为了改善粒子群算法存在的早熟问题并且发现更多服务质量处在Pareto前端的组合服务,给出了受群体多样性指导的速度更新方法和惯性权重模型.针对指导粒子飞行的关键组合服务,给出了它们的寄存方法.最后通过实验从有效率和精确度及平衡性方面验证了基于MPSO的Web服务组合推优方法的有效性.     

基于自适应分簇和演化博弈的异构车载网络选择方法

高效的网络选择方法是异构车载网络环境中保证多用户服务质量体验的关键。针对现有方法从优化车辆个体出发选择最佳接入网络,导致网络资源分配不均和部分网络拥塞的问题,提出一种基于自适应分簇和演化博弈的异构车载网络选择方法(adaptive clustering and evolutionary game based network selection method,AENS)。首先,采用自适应分簇减少直接接入网络的车辆数量,有效降低车流密集情况下的网络拥塞概率;接着,分别基于模糊层次分析法和指标相关性权重法计算候选网络属性的主、客观权重,得到更加准确评估候选网络性能的综合效用值;最后,将车辆对网络的选择抽象成基于复制动态的演化博弈模型,并引入记忆效应以加快其收敛速度,最终通过策略更新获得系统最优的网络选择策略集合。实验结果表明,在融合5G/6G的异构车载网络环境下AENS方法能够有效减少网络切换次数、提升网络吞吐量和平衡网络负载,在提高网络资源利用率的同时实现了负载均衡,且在车流密集情况下优势更为明显。     

基于NetFlow网络流量分析的研究及应用

在分析NetFlow交换及其特点的基础上设计了一个具体的网络流量分析模型 .它的主要特点是提供了数据输出网关和计费接口 ,易于扩展 .该模型重点讨论了数据采集点的选择和采样间隔等关键参数的设置方法     

基于Hadoop的SQL查询引擎性能研究

Apache Hadoop处理超大规模数据集有非常出色的表现,相比较于传统的数据仓库和关系型数据库有不少优势.为了让原有业务能够充分利用Hadoop的优势,SQL－on－Hadoop系统越来越受到工业界和学术界的关注.基于Hadoop的SQL查询引擎种类繁多,各有优势,其运算引擎主要包括三种：①传统的Map/Reduce引擎;②新兴的Spark引擎;③基于shared－nothing架构的MPP引擎.本文选取了其中最有代表性的三种SQL查询引擎—Hive、Spark SQL、Impala,并使用了一种类TPC－H的测试基准对它们的决策支持能力进行测试及评估.从实验结果来看,Impala和Spark SQL相对于传统的Hive都有较大的提高,其中Impala的部分查询比Hive快了10倍以上,并且Impala在完成查询所占用的集群资源也是最少的.然而若从稳定性、易用性、兼容性和性能等多个方面进行对比,并不存在各方面均最优的查询引擎,因此在构建基于Hadoop的数据仓库系统时,推荐采用Hive＋Impala或者Hive＋Spark SQL的混合架构.     

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%。