基于OGSA-DAI的网格数据访问与集成技术研究

对网格环境下的数据资源集成与访问中间件OGSA-DAI进行了深入研究,并构建基于GT4和OGSA-DAI的网格数据集成实验平台,通过在实验平台上部署数据资源组来实现对分布、异构的数据资源的集成访问,证明了基于OGSA-DAI的网格数据集成方案的有效性。最后,在该平台上进行了数据集成系统体系的研究,并构建了一个网格数据集成原型系统。与传统的数据集成方式相比,该系统使得网格中数据更新及时,对于网格这种高度自治、大量异构数据、集成数量多且更新变化快的网络系统能很好的完成数据访问与集成工作,在一定程度上弥补了网格数据集成系统研究方面的不足。     

面向网格计算的按需入侵检测模型

为了解决分布式入侵检测系统缺乏动态组织敏捷性的问题，提出了适应数据网格的按需入侵检测模型.该模型针对网格计算的动态共享性与多域集成性的特点，基于全局检测服务将入侵检测系统分为安全评估模型、工作流编程服务、数据网格环境与检测资源服务四个部分.通过系统级与节点级重构相结合的方式，保证入侵检测系统全局检测服务失败时，能从节点处获得检测服务支持.研究结果表明，与Snort入侵检测系统相比，在局域网(LAN)和广域网(WAN)的实验条件下，基于该模型的分析引擎Higen的检测时间更少，消耗用户时间更少，提高了网格计算环境下协同检测的敏捷性.     

基于网格和XML的异构数据库集成模型

异构数据库的集成问题是当前数据处理领域内研究的一个热点。本文在分析了异构数据库系统的关键问题和解决方法的基础上．提出了一个基于网格和XML的异构数据库集成模型。并重点分析了该模型的结构和实现方法．该模型采用XML作为信息传输的数据格式,通过GT4网格计算中间件来实现对各异构数据源的高效访问。     

企业电子商务异构数据集成模型研究

通过研究XML在数据集成方面的相关技术,提出了一个基于XML企业电子商务异构数据集成框架,可以无缝地与面向对象系统、数据仓库系统等进行接口,能够较好地实现系统之间动态资源共享和交流,为企业之间对各种分布异构数据库资源提供了全局、统一、动态和高效的访问.     

基于Web Services的异地异构数据库的集成

为了克服当前异地异构数据库集成办法的不足。介绍了Web Services这一分布式计算模型及其特点,提出了一种基于Web Services技术进行异地异构数据源集成的方法,它能把分布在异地的异构数据源通过 WebServices连接起来形成一个虚拟的数据库,为用户提供一个透明统一的接口,从而实现异地异构数据资源的共享和整合.     

基于QoS的网格资源聚类管理

资源管理是网格计算研究领域中的一项重要研究点,为满足当前服务网格对QoS的高要求,将服务质量有效地溶入到管理机制中,使资源能更好地在开放、异构和动态的不确定网格环境中得到有效利用具有重要的理论意义和现实意义.总结并提出了一种QoS的三层结构模型,依靠资源绑定的策略有效地解决了网格资源中管理难的特点,并利用改进后的DBSCAN聚类算法实现对资源属性的划分,将资源分成多个资源相似集合.仿真实验证实,该算法能有效实现资源的聚类.     

DMIDS中的特征构造方法研究

基于数据挖掘的入侵检测系统(DMIDS)是将数据挖掘技术用于分析系统审计数据,从中提取用户正常行为模式和黑客入侵模式,用于检测攻击.在DMIDS的实现过程中,特征构造是一个关键环节.描述了建立入侵检测模型的数据挖掘过程,设计了一个特征构造算法,该算法能自动地根据频繁模式构造临时和统计特征,用来辅助建立入侵检测模型,此构造方法所构造的特征具有较高的信息增益度.     

基于数据挖掘的网络入侵检测系统的设计与应用

网络攻击工具与手段日趋复杂多样,单纯的防火墙策略已经无法满足对安全高度敏感的部门的需要.将数据挖掘技术应用到网络入侵检测中,能够广泛地收集审计数据来计算模型,从而精确地捕获实际的入侵和正常行为模式,自动生成入侵检测规则,实现入侵检测系统的智能化.在此基础上设计并实现了一个智能化网络入侵检测系统模型,阐述了该系统模型的结构、工作原理及主要功能.该模型为开放的系统模型,具有很好的可伸缩性,可大大减少使用入侵检测系统的代价,有效地解决了入侵检测系统的环境适应性问题.     

基于数据挖掘的入侵检测系统研究

提出了一种基于数据挖掘技术的入侵检测系统模型,该模型是一个核模型,具有很好的扩展能力和适应能力.结合异常检测和误用检测方法,提出了一种改进型的基于数据挖掘的入侵检测系统.论述了数据挖掘技术在入侵检测系统中的应用,讨论了数据预处理和特征提取问题.     

基于AdaBoost和概率神经网络的入侵检测算法

将AdaBoost算法和概率神经网络结合,提出了一种新的概率神经网络模型ABPNN,基于此模型提出一种新的入侵检测算法.该算法对接收到的网络数据进行分析判断,实现入侵方式的自动分类,并且能对新的入侵行为进行分类和记忆.实验证明该算法在入侵检测系统的检测率和误报率方面都有优越的性能表现.