最优搜索理论在入侵检测系统中的应用研究

目前网络入侵检测面临的一个问题是如何在高速网络下有效地检测入侵.分析了snort的检测过程和其存在的问题,提出了提高检测速度的方法.由于内容检测需要使用模式匹配技术,将消耗较多的时间,会引起丢包现象,为了解决这个问题,通过将规则库按照攻击类别分类,然后根据最优搜索原理,将有限的时间分配到各类攻击的检测中去,在尽量不丢包的情况下使检测到攻击的概率最大化.     

杂波背景下慢动目标多特征融合检测系统设计

杂波背景中的干扰因素众多,导致慢动目标检测精度低、效率差,提出了一种多特征融合检测系统设计方案。硬件部分由预处理模块、模数转换模块和DSP模块三部分组成,利用有源低通滤波抑制了高频噪声的干扰,通过DSP实现对其他模块的有效控制;软件部分由多特征融合检测模块、通信接口模块以及存储模块构成,将包含慢动目标的原始图像划分为若干个子区域,并确定每个子区域的CLBP直方图和色调直方图,与背景模型进行相似性匹配,实现慢动目标多特征融合检测;通过USB接口将检测结果传送至存储模块中,完成检测结果的存储。系统性能测试实验结果表明,设计系统可在花费最少时间的前提下,得到精度最高的杂波背景下慢动目标检测结果。     

基于人工免疫系统的入侵检测研究

人工免疫系统（AIS）作为解决入侵检测问题的一种方法,已经显示其突出的优点并得到快速发展。为使入侵检测系统的研究者更进一步了解基于AIS的入侵检测研究进展,回顾基于第1代和第2代AIS的入侵检测常用算法,并指出算法特点。阐述树突细胞算法（DCA）适合于解决入侵检测问题的优势,给出针对DCA算法的未来研究工作,包括该算法的形式化描述、通过分片思想实现DCA在线分析组件以及DCA输入数据的自动数据预处理。     

基于集成学习的多类型应用层DDoS攻击检测方法

针对应用层分布式拒绝服务（DDoS）攻击类型多、难以同时检测的问题,提出了一种基于集成学习的应用层DDoS攻击检测方法,用于检测多类型的应用层DDoS攻击。首先,数据集生成模块模拟正常和攻击流量,筛选并提取对应的特征信息,并生成表征挑战黑洞（CC）、HTTP Flood、HTTP Post及HTTP Get攻击的47维特征信息;其次,离线训练模块将处理后的有效特征信息输入集成后的Stacking检测模型进行训练,从而得到可检测多类型应用层DDoS攻击的检测模型;最后,在线检测模块通过在线部署检测模型来判断待检测流量的具体流量类型。实验结果显示,与Bagging、Adaboost和XGBoost构建的分类模型相比,Stacking集成模型在准确率方面分别提高了0.18个百分点、0.21个百分点和0.19个百分点,且在最优时间窗口下的恶意流量检测率达到了98%。验证了所提方法对多类型应用层DDoS攻击检测的有效性。     

基于SRAM型FPGA的实时容错自修复系统设计方法

为提高辐射环境中电子系统的可靠性,提出了一种基于SRAM型FPGA的实时容错自修复系统结构和设计方法。该设计方法采用粗粒度三模冗余结构和细粒度三模冗余结构对系统功能模块进行容错设计;将一种细粒度的故障检测单元嵌入到各冗余模块中对各冗余模块进行故障检测;结合动态部分重构技术可在不影响系统正常工作的前提下实现故障模块的在线修复。该设计结构于Xilinx Virtex誖-6 FPGA中进行了设计实现,实验结果表明系统故障修复时间和可靠性得到显著提高。     

基于攻击检测的用户可信度计算方法

目前的用户概貌攻击检测算法无法避免垃圾用户和真实用户的误判现象,从而影响个性化协同推荐系统的精度。为解决该问题,将时间集中性的概念引入到攻击检测中,提出一种基于正态云模型和时间集中性的可疑评分度量方法,并在此基础上给出一种基于攻击检测的用户可信度计算方法。实验结果表明,该方法能够根据用户评分的真实程度为每个用户计算出评分可信度,提高推荐精度。     

基于信息携带的SQL注入攻击检测方法

目前,基于传统机器学习的SQL注入攻击检测的准确度仍有待提高,产生这一问题的主要原因是:在提取特征向量时,若选择的特征向量过多,则会导致模型过拟合,并影响算法的效率;若选择的特征向量过少,则会产生大量的误报数和漏报数.针对这一问题,文中提出了一种基于信息携带的SQL注入攻击检测方法SQLIA-IC.SQLIA-IC在机器学习的检测基础上加入了标记器和内容匹配模块,标记器用于检测样本中的敏感信息,内容匹配模块用于对样本进行特征项匹配,以达到二次判断的目的.为了提高SQL注入攻击检测的效率,利用信息值简化机器学习和标记器的检测结果,在内容匹配模块中根据样本携带的信息值进行动态匹配.仿真实验结果表明,相比传统的机器学习方法,所提方法的准确率平均高出2.62％,精确率平均高出4.35％,召回率平均高出0.96％,而时间损耗仅增加了5 ms左右,便能够快速、有效地检测出SQL注入攻击.     

分片支撑矢量机

文中借鉴了分段线性识别的基本思想,提出了分片支撑矢量机模型.该模型首先将特征空间剖分成若干子空间,在每个子空间中基于支撑矢量机构造一个最优分类面,然后,将各个分类面链接起来构成一个分片最优分类面以逼近理论上的最优分类超曲面.同时,文中还从理论上分析探讨了其推广能力的界,为分片支撑矢量机模型提供了坚实的基础.最后,经典双螺旋线数据实验结果表明,相对于传统支撑矢量机,分片支撑矢量机的计算速度、分类能力以及推广能力均有了明显提高.     

入侵检测系统中的多模式精确匹配算法WDawgMatch

经典的多模式匹配算法如AC、BM,并不满足NIDS对报文负载中攻击特征串检测时做在线乱序流匹配的需求。著名的多模式精确匹配算法DawgMatch弥补了上述算法无法在扫描的同时获得分片摘要信息的缺点,因此在网络入侵检测系统(NIDS)的在线检测中得到普遍应用。尽管基于DAWA自动机使得DawgMatch可通过二元索引来提高空间使用效率,但它的匹配性能尚不能达到高速报文入侵检测线速匹配的要求。本文提出了新算法WDawgMatch,它牺牲预处理时间,引入加权边消除了DawgMatch匹配回溯现象,提升了匹配速度。性能分析和实验结果表明,WDawgMatch降低了原算法的最坏时间复杂度,缩小了与AC算法的差距,完全满足NIDS线速匹配的要求。     

基于粗糙集的改进树突状细胞算法

树突状细胞算法（DCA）在应用于入侵检测时,需要对网络监测数据进行约简,以降低系统负担,提高检测效率。提出一种结合粗糙集属性约简和DCA的异常入侵检测方法。采用粗糙集属性重要度对数据集进行属性约简,产生DCA输入信号,而后利用DCA算法进行入侵检测。通过KDD CUP99数据集对所提出的改进算法进行验证,结果表明,算法在保证检测率的前提下,显著降低了误报率。算法实现了入侵检测特征的自动提取,显著减少了所需检测的特征数目,加快了算法运行速度,具有良好的综合性能。     

Unsupervised speaker segmentation and tracking in real-time audio content analysis

This paper addresses the problem of real-time speaker segmentation and speaker tracking in audio content analysis in which no prior knowledge of the number of speakers and the identities of speakers is available. Speaker segmentation is to detect the speaker change boundaries in a speech stream. It is performed by a two-step algorithm, which includes potential change detection and refinement. Speaker tracking is then performed based on the results of speaker segmentation by identifying the speaker of each segment. In our approach, incremental speaker model updating and segmental clustering is proposed, which makes the unsupervised speaker segmentation and tracking feasible in real-time processing. A Bayesian fusion method is also proposed to fuse multiple audio features to obtain a more reliable result, and different noise levels are utilized to compensate for background mismatch. Experiments show that the proposed algorithm can recall 89% of speaker change boundaries with 15% false alarms, and 76% of speakers can be unsupervised identified with 20% false alarms. Compared with previous works, the algorithm also has low computation complexity and can perform in 15% of real time with a very limited delay in analysis. Published online: 12 January 2005 Part of the work presented in this paper was published in the 10th ACM International Conference on Multimedia, 1-6 December 2002     

高分辨率光学遥感影像舰船检测算法研究

针对传统舰船检测方法在高分辨率光学遥感影像中虚警率较高的问题,提出了一种适用于高分辨率光学遥感影像的舰船检测算法。利用能够表征地物纹理特征的二维图像熵结合区域生长原理实现海陆分离,在舰船目标分割阶段,引入视觉显著性模型,解决了不能分割暗极性舰船目标的问题,大部分场景下分割精度较高。最后在分割出的候选目标中,采用多特征量综合的方法剔除虚警。结果表明,该算法在舰船目标检测中有较高的检测率和较低的虚警率。     

可调控误报率和漏报率的树突状细胞算法

了解决传统树突状细胞算法（DCA）对环境评判的盲目性,分析DCA权值矩阵对检测结果的影响,提出两种可调控误报率和漏报率的DCA。一种是改进的投票制DCA,即在树突状细胞（DC）状态转换准则中融入倾向因子,以求得对环境评判的公平,并通过对倾向因子的微调控制检测结果的误报率和漏报率;另一种是评分制DCA,即在DC状态转化阶段忽略对细胞环境的评判,改为直接对抗原进行评分,最后根据抗原的平均分分布调整异常阈值,以达到调控误报率和漏报率的目的。实验表明,两种算法均有效地实现了结果可控性,相比而言,评分制DCA可实现更为直观的调控。     

视频目标分割中帧间相似性传播的研究

目前视频目标分割算法多是基于匹配和传播策略分割目标,常常以掩模或者光流的方式利用前一帧的信息,探索了新的帧间特征传播方式,利用短时匹配模块提取前一帧信息并传播给当前帧,提出一种面向视频序列数据的目标分割模型。通过长时匹配模块和短时匹配模块分别与第一帧和前一帧做相关操作进行像素级匹配,得到的全局相似性图和局部相似性图,以及前一帧的掩模和当前帧的特征图,经过两个优化网络后通过分割网络得到分割结果。在视频目标分割公开数据集上的实验表明,所提出方法在单目标和多目标上分别取得了86.5%和77.4%的区域相似度和轮廓精度均值,每秒可计算21帧。提出的短时匹配模块比仅使用掩模更有利于提取前一帧的信息,通过长时匹配模块和短时匹配模块的结合,不使用在线微调即可实现高效的视频目标分割,适合应用于移动机器人视觉感知。     

基于轮廓特征及扩展Kalman滤波的车辆跟踪方法研究

在车辆实时跟踪中,基于Kalman滤波的方法是常用的有效方法,但因车辆检测时常将靠近的物体检测成一个目标引起误检现象,这会使在目标匹配时产生错误。为此,首先考察运动区域的长宽比和占空比,进行误检判断;然后提出了一种基于轮廓特征拐点的车辆分割方法;最后引入基于扩展Kalman滤波的跟踪模型。实验结果表明,采用的误检判断准则对多车辆的检测区域有较高的识别率,提出的基于轮廓特征拐点的车辆分割方法可实现重叠遮挡车辆的准确完整分割,用基于扩展Kalman滤波的跟踪模型实现了车辆的实时跟踪。     

基于PLA时间序列重现的在线车辆检测算法

文章提出了一种新的用于磁敏传感器的车辆检测算法。算法首先将磁敏数据时间序列经过变长滑动窗口滤波预处理,由PLA抽取平滑后的时间序列特征,用于车辆检测,从而获得相关的交通信息。仿真实验表明,算法有效地减少了慢速行驶的大型车辆对检测结果的影响,保持了较高的准确率。     

基于超像素分割和随机森林的橡胶柱塞缺陷检测方法

针对直径为3 mm的小尺寸橡胶柱塞件端面,其受光斑、灰尘及纹理干扰不易分割提取缺陷轮廓的问题,提出一种结合SLIC（简单线性迭代聚类）和RF（随机森林）算法的缺陷检测系统。首先利用霍夫变换和各向异性扩散滤波对图像预处理,然后采用基于超像素分割的SLIC算法分割和提取缺陷区域,最后把获得的缺陷区域的五维形状特征作为RF分类器特征向量进行缺陷分类预测。结果表明,SLIC算法较传统的自适应阈值分割算法快了0.128 s,并且分割效果远好于传统算法,能够准确分割出小至0.5 mm的缺陷,整体检测流程平均耗时小于1.5 s,同时RF分类结果准确率达到97.3%。因此,本文的缺陷检测系统满足在线检测准确性和实时性的要求,可在实际工作中使用。     

基于自编码和知识蒸馏的表面缺陷检测方法

针对传统的表面缺陷检测方法只能对具有高对比度或低噪声的明显缺陷轮廓进行检测的问题,提出了一种基于自编码和知识蒸馏的表面缺陷检测方法来准确定位和分类从实际工业环境捕获的输入图像中出现的缺陷。首先,设计了一种级联自动编码器（CAE）架构用于分割和定位缺陷,其目的是将输入的原始图像转换为基于CAE的预测蒙版;其次,利用阈值模块对预测结果进行二值化以获得准确的缺陷轮廓;然后,把缺陷区域检测器提取并裁剪出来的缺陷区域视为下一个模块的输入;最后,将CAE分割结果的缺陷区域通过知识蒸馏进行类别分类。实验结果表明,与其他几种表面缺陷检测方法相比,所提出的方法综合性能最好,其缺陷检测平均准确率为97.00%。该方法能够有效地对较小的、边缘不清晰的缺陷进行分割,满足对物品表面缺陷实时分割检测的工程要求。     

在线多类别逐点式多目标跟踪与分割

现有基于深度学习的多目标跟踪算法大多利用目标检测任务预测的边界框跟踪目标,当目标间存在遮挡时,边界框会产生重叠进而影响跟踪准确度,针对这个问题,提出了一种在线多类别逐点式多目标跟踪与分割（category-free point-wise multi-object tracking and segmentation,CPMOTS）算法。该算法摒弃了边界框的目标表征方式,利用实例分割的像素级掩码表征目标进行跟踪,网络采用并行结构同时分割与跟踪多类别目标,并保证了运行效率,这在真实场景中有很强的实用性。CPMOTS首先利用实例分割网络得到实例分割掩码,对其采样得到无序点集;然后将点集的特征输入跟踪网络得到判别性的实例级嵌入向量;最后将该嵌入向量通过直观高效的注意力模块以显式建模其通道间的依赖关系,自适应学习每个特征通道的重要程度,依照这个重要程度选择性地强化有用的特征,抑制无用的特征,实现通道特征重标定,从而提高算法的性能。在多目标跟踪与分割基准数据集KITTI MOTS的实验表明,CPMOTS跟踪的精度优于大部分其他对比方法,并达到了16 frame/s的近实时速度。