基于动态阈值的可变速率DDoS攻击检测方法

针对可变速率DDoS攻击检测难的问题,提出了一种基于动态阈值的可变速率DDoS攻击检测方法。该方法根据DDoS攻击流量特征,生成动态阈值,并应用冻结机制防止动态阈值参数被攻击流量污染,同时结合网络流的特征,使用BiLSTM模型双向学习经过时间分割的网络流量,提取更多特征,识别可变速率DDoS攻击。在NSL-KDD数据集上进行实验,召回率达到98%,精度达到95%。实验表明：相比于固定阈值DDoS和传统动态阈值DDoS攻击检测方法,本文提出的方法在检测精度上有所提升,对DDoS攻击的检测能力有了显著提高。     

基于决策树和有效降雨强度的滑坡危险性预警

以江西省寻乌县为例,采用信息量（IV）、反向传播神经网络（BPNN）和C5.0决策树模型进行滑坡易发性预测（LSP）,比较不同模型的预测性能;基于有效降雨量的概念提出有效降雨强度-历时（EI-D）模型,计算滑坡临界降雨阈值并将其与传统的降雨强度-历时（I-D）阈值做对比;将LSP结果与EI-D模型耦合,实现滑坡灾害预警并进一步验证了预警精度. 结果表明：C5.0决策树的LSP精度高于BPNN和IV,EI-D阈值的预测效果优于I-D模型,且基于滑坡易发性和EI-D阈值的模型能有效实现降雨型滑坡的实时预报.     

基于模式识别和集成CNN-LSTM的阵发性房颤预测模型

为了适用于长期心电监护和ICU等实时性、数据密集型应用场合,提出可在8 Hz采样频率的1 min心电图（ECG）片段上提前45 min预测阵发性房颤（PAF）发作的实时预测模型. 采用概率符号化模式识别方法,在降采样后的ECG序列上提取出1 min窗口内的模式转移特征,降低模型的计算量和对存储空间的需求,确保实时预测的效果. 提出卷积神经网络（CNN）和长短-期记忆网络（LSTM）的混合模型（CNN-LSTM）,用于提取模式转移特征内隐含的局部空间特征和时间依赖特征. 为了提升模型泛化能力,构建基于CNN-LSTM的集成分类器. 采用Spark Streaming技术完成对ECG流式数据的读、写和计算,实现数据和模型之间的低延迟通信. 所提模型在公开数据集上的准确率、灵敏度和特异度分别为91.26%、82.21%、95.79%. 模型处理总延迟平均为2 s,满足实时PAF预测需求.     

基于粒子群优化算法-长短时记忆模型的刀具磨损预测方法

为确保车削加工的表面质量和加工稳定性,实现对车刀磨损状态的实时准确监控,提出了基于小波阈值去噪、长短时记忆（LSTM）网络和粒子群优化算法（PSO）的刀具磨损状态预测模型。采用改进多项式阈值函数对刀具加速度振动信号进行去噪,构建了优质的信号输入样本。训练长短时记忆网络对刀具后刀面磨损值进行预测和磨损状态分类。利用粒子群优化算法对网络进行参数寻优,结果表明,提出的PSO-LSTM模型在预测和分类精度方面均优于未优化的LSTM网络。     

基于特征提取的FA-BP短期光伏发电预测

为解决光伏发电受详细、复杂的天气数据所影响的问题,提出一种基于特征提取的萤火虫算法（FA）优化误差回传神经网络（BP神经网络）的FA-BP短期光伏发电预测模型。为提高收敛速度利用主成分分析法（PCA）对光伏发电历史数据以及历史天气数据进行降维与去噪,选取影响光伏发电的主要成分并构建PCA-BP预测模型。并利用FA对PCA-BP预测模型进行阈值和权值的优化,进而构建PCA-FA-BP的光伏发电预测模型。再将提出的PCA-FA-BP预测模型与BP神经网络预测模型、PCA-BP预测模型以及单一的FA-BP预测模型进行光伏发电预测效果对比与分析,通过仿真结果表明:PCA-FA-BP预测模型拥有更佳的训练效果以及预测精度。     

基于图神经网络的地表水水质预测模型

针对水质数据在时间和空间维度上的复杂依赖关系,提出基于图神经网络（GNN）的地表水水质预测模型. 该模型采用GNN建模地表水水质监测站点在空间上的复杂依赖关系,使用长短时记忆网络（LSTM）建模水质指标序列在时间上的复杂依赖关系,将编码结果输入到解码器中得到预测输出. 实验结果表明,与时间序列分析方法、通用回归方法和一般深度学习方法相比,该模型能够实现23.3%、26.6%和14.8%的性能提升.     

基于时序大数据机器学习的状态趋势预警研究

针对目前预测算法的预测时间短和预警不及时等问题,采用极限学习机（ELM）算法,构建了时序预测模型,并通过最小二乘法拟合构建预测值斜率趋势,采用高斯混合聚类得到了动态安全趋势阈值,再结合预测斜率趋势和动态安全趋势阈值实现了斜率趋势预警。结果表明,相比于门控循环单元结构（GRU）神经网络等建模方法,ELM算法具有更好的预警能力,并且斜率趋势预警能够较早发现运行时异常变化,实现准确且及时的预警。     

基于梯度提升树的飞机机身对接状态识别

为了实时监控飞机机身的对接过程,针对机身对接数据没有标注和样本不平衡的特点,提出基于梯度提升树（GBDT）的机身对接状态识别方法. 通过定位器及定位器上的载荷传感器,实时获取机身对接过程中的位移和载荷数据. 结合飞机部件对接的工艺流程对历史对接数据进行状态标注,提出准确、高效的对接状态自动标注方法. 在经过标注的对接数据上训练基于GBDT的机身对接状态识别模型,通过该模型可以获得各个特征的重要性. 与长短期记忆网络（LSTM）、卷积神经网络（CNN）以及一些传统机器学习方法相比,该方法对接状态识别的宏F₁（macro_F₁）指标高达0.998,能够精准地识别每一种对接状态且训练速度较快.     

基于流量自相似的DDoS检测分析

近年来,人们的日常生活与互联网越来越密不可分,网络安全问题也呈现高发态势。作为一种严重的网络威胁,分布式拒绝服务（ DDoS）攻击越发为人们所关注。通过对流量的自相似检测,可以实现对DDoS进行有效判定,然而传统算法的固定式判据难以体现现实流量的变化,文章提出一种改进型算法,可实现对DDoS的动态检测。     

基于XGBoost的隧道掘进机操作参数智能决策系统设计

为了实现隧道施工的同质化,提出基于极端梯度提升算法（XGBoost）预测模型的隧道掘进机（TBM）操作参数的智能决策方法. 定义场操作系数指数（FOI）作为替代传统场切深指数（FPI）的围岩级别特征参数,使用XGBoost算法建立预测模型以实现对FOI的预测,对围岩级别进行预测、判断. 通过对优秀司机在特定FOI下TBM操作参数的选择,建立专家模型实现FOI与特定TBM操作参数的关联,实现TBM操作参数的智能决策. 使用引松工程的现场数据进行对比实验,结果表明,设计的TBM操作参数的智能决策系统能够实现对优秀的TBM司机操作参数决策的复现,相比于以FPI为特征参数的传统智能决策系统,新系统的推进速度和刀盘转速两部分的平均相对误差分别下降8.84 %和7.97 %.     

分布式拒绝服务攻击的攻击树建模

分布式拒绝服务(distributeddenialofservice,DDoS)攻击严重威胁了网络的安全性。网络攻击的攻击树建模方法是卡内基梅隆大学提出的一种以结构化、可重用的方式来描述攻击信息建模方法;介绍了攻击树建模方法,研究了分布式拒绝服务攻击的攻击树,给出了分布式拒绝服务攻击的具体的攻击树模型,并分析了其可重用性,探讨了如何结合攻击树采取措施提高网络安全性;安全分析和设计人员可借此构造更安全的信息系统。     

利用入侵检测技术防范DDoS

分布式拒绝服务攻击(DDoS)由多宿主机发动,是目前常见的网络攻击中比较严重的一种,难于检测和跟踪。为此,阐述了DDoS的攻击方式的体系结构,并较为详细地分析了DDoS的机理并给出了攻击实例,概述了入侵检测技术的概念,提出了利用入侵检测技术防范DDoS攻击的一种尝试。设计一个针对DDoS的入侵检测方案,该方案检测通过路由器的数据包的流量判断是否异常。如果发现数据包的异常发送,则发出受攻击信号。本方案由3部分组成:包分类,获取原始的网络流量统计;流量离散函数,计算网络数据包的发送特性;基于变异的检测,在当前流量远远偏离历史上的正常变化范围时做出反应。     

加权Markov修正模糊信息粒的电力负荷区间预测

针对电力负荷预测存在波动性且预测精度不高的问题,提出一种基于加权马尔可夫(Markov)修正模糊信息粒的电力负荷区间预测方法.该方法首先对电力负荷数据序列进行基于模糊信息粒化(FIG)的空间窗口重构,以此得到电力负荷模糊信息粒和电力负荷的各阶自相关系数; 然后建立由基于FIG和长短时记忆网络(LSTM)组合的模型(FIG - LSTM),以此获得能够预测不同模糊粒的3组LSTM模型; 最后建立加权Markov - FIG - LSTM模型,并通过消除3组LSTM模型中的预测误差得到电力负荷预测区间和趋势值.实例分析表明,Markov - FIG - LSTM模型的RMSE、MAE和MAPE指标比FIG - LSTM模型分别降低了4.78%、11.37%和11.72%,因此该方法可为电网调度提供有效的数据支撑.     

基于WOWA-FCM的复合攻击检测模型

为有效处理复合攻击检测中的诸多不确定性及复杂性因素,提出了基于WOWA-FCM的复合攻击检测模型.WOWA-FCM检测模型从攻击意图分析的角度,利用模糊认知图(Fuzzy Cognitive Maps, FCM)对初级入侵警报进行因果关联;并结合脆弱性知识与系统配置信息,利用WOWA(Weighted Ordered Weighted Averaging)算子融合关联数据.WOWA-FCM检测模型不仅能识别复合攻击各个阶段、构建完整的攻击视图,并且能动态地评判攻击进度和目标系统的安全状态.WOWA-FCM模型简化了传统的复合攻击检测过程,并具有较强的适应性.Mstream DDoS攻击检测实验证明了方法的有效性.     

DDoS原理及防御策略的研究

DDoS(分布式拒绝服务)是Internet面临的最严峻的威胁之一.近年来DDoS攻击的数量一直呈快速增长的趋势,它给全世界带来了巨大的经济损失和影响.本文介绍了DDoS攻击的原理及体系结构,在此基础之上着重分析了DDoS的防御策略及模型,对于有效的构筑全面的网络安全体系,提高网络的抗攻击性具有一定的理论指导意义.     

吉林地区M ≥ 4.0的地震预警模型研究

利用复发间隔公式和地震发生概率模型计算了吉林地区2006—2022年4.0级以上(M≥4.0)地震的相关数据,得到了研究区内4个震级档的平均复发间隔和发生概率,并以此建立了吉林地区M≥4.0地震的4级预警模型.利用吉林地区的地震数据对目前吉林地区4个震级档所处的地震预警级别进行预测显示: M≥ 4.0的地震目前不在预警范围内, M≥4.5和M≥5.5的地震处于C级黄色预警级别, M≥5.0的地震处于D级蓝色预警级别.该研究结果可为吉林地区的地震预警工作提供参考.     

基于LSTM的内部用户安全行为评估方法

内部用户安全行为评估方法由于较少考虑用户操作行为的前后关联性,导致用户操作行为评估的准确率受到影响。针对该情况,结合长短期记忆网络（LSTM）适合处理时间序列问题的特性,提出了一种基于LSTM的内部用户安全行为评估方法。该方法首先对数据作向量化处理;然后按照N vs 1方案进行数据划分,利用LSTM算法对已知用户操作行为习惯进行统一建模;最后使用双峰阈值（bimodal threshold）机制来确定判决阈值,并对用户操作行为进行评估。实验结果表明,该方法的数据划分方案提升了其检测未知用户操作异常的能力,而且通过引入双峰阈值机制,提高了其检测未知用户异常操作的查准率与查全率。     

基于多尺度分解和深度学习的锂电池寿命预测

针对目前的剩余寿命预测（RUL）方法存在模型适应性差及预测不准确等问题,提出多尺度深度神经网络的锂电池健康退化预测模型. 通过经验模态分解（EEMD）方法和相关性分析（CA）,将采集到的锂电池能量数据分解为主趋势数据和波动数据;采用深度置信网络（DBN）和长短期记忆网络（LSTM）,分别对主趋势与波动数据进行建模;将DBN与LSTM预测结果进行有效集成,得到锂电池的健康预测结果. 实验结果表明,利用该方法能够有效地对锂电池的健康趋势进行拟合,得到准确的RUL预测结果,性能优于其他典型的预测方法.