基于网络资源的kNN网络流量分类模型的研究

为了快速有效的识别网络流量中的攻击行为,根据同一类应用对网络资源的消耗具有相似性,不同类应用对网络资源的消耗具有差异性,提出了一种基于网络资源的kNN流量分类模型。该模型可以从多种网络资源中选取三种属性作为特征,采用改进的kNN算法进行流量检测,对网络中的各种流量特别是攻击类流量尽可能快速并有效的识别,给网络防御的启动提供重要依据。实验结果表明:改进的kNN算法在保证识别率的同时有效提高分类的速度。     

基于核映射的无相关鉴别矢量集算法

针对人脸识别这一非线性分类问题,提出了一种基于核的无相关鉴别矢量集算法。应用了支持向量机中核函数的思想,通过核映射将原空间的非线性分类问题转化为特征空间的线性分类问题,然后在特征空间进行无相关鉴别矢量集的求取。其优势在于:利用核函数不但可以将非线性问题转化为线性问题,而且可以提取样本图像的高阶统计特征。在ORL人脸库中的测试结果表明,与传统的全局正交鉴别矢量集算法及传统的无相关鉴别矢量集算法相比,基于核映射的无相关鉴别矢量集算法有更高的识别率,最高识别率可达到99%。     

基于RIPPER的网络流量分类方法

利用一种规则学习方法中的重复增量式降低错误剪枝方法解决网络流量分类问题。利用该方法能够挖掘出网络流属性特征和类别之间的相关关系,并将挖掘出的关系构成分类器用于网络流量分类。该方法能够解决传统机器学习方法在网络流量中有大量的不平衡数据集时,分类错误率高等问题。实验证明,该方法在网络流量分类标准数据集上具有很高的分类准确率、查全率和查准率。     

回归模型中基于机器学习的流量预测算法

在基于机器学习的流量预测算法中,详细研究了基于回归模型的预测算法,将机器学习算法引入到网络流量预测中,提出了不同的弱回归算予用来描述网络流量中的非线性特性。针对网络流量中的自相似特性,提出两种不同的机制,即用主成分分析作为预处理和为每一维特征保留一组权重分布;同时,针对实验中发现的过匹配现象提出一种自适应的权重更新准则。     

一种基于BP网络的流量分类方法

针对传统的网络流量分类方法准确率低、开销大、应用范围受限等问题,提出了一种基于BP网络的流量分类方法。该方法改进了标准的BP网络算法,采用基于Lyapunov函数得到的自适应学习率,并引入遗传算法优化网络的初始连接权值和阈值,使网络避免陷入局部最小,加速了网络收敛过程。实验结果表明,采用改进的BP网络算法来处理网络流量分类问题具有明显的优势：该方法的收敛速度和拟合精度均优于标准BP算法,而且流量分类准确率高于NB算法。     

在线聚类的网络流量识别

针对网络流量在线识别的难题,提出一种聚类算法和在线流量识别方案.以网络数据流的若干初始数据包作为子流,提取子流的统计特征,应用基于滤波器算法的属性相关性算法提取子流最佳特征子集,并提出基于密度的在线带噪声空间聚类算法对子流特征向量进行聚类,采用优势概率业务实现聚类和应用类型的映射.实验结果表明,该方案具备识别新应用类型和加密数据流的功能,且能实现在线的网络流量分类.     

基于特征加权与最近邻法的P2P协议识别算法

针对新的P2P协议以及加密P2P协议无法使用传统方法进行识别的问题,提出一种新的基于流量统计特征的识别方法。首先定义了网络协议特征矢量的概念,并在此基础上使用类内、类间距离与遗传算法定量地对特征子集进行选择,同时由于不同属性所起的作用不同,提出了网络协议特征加权的概念,并使用粒子群优化算法计算特征权值。为了提高识别率,针对TCP协议与UDP协议分别建立了相应的特征空间。实验结果表明该方法能够有效地从多种属性特征中选择出最能够体现P2P协议之间以及P2P协议与非P2P协议之间区别的特征子集,且通过粒子群优化算法计算出的特征权值使识别率得到提高。实验证明通过该算法,对常见的P2P协议平均识别率达到了96%。     

一种基于集成学习的流量分类算法

针对网络流量分类中类不均衡问题,提出一种基于K均值和k近邻的流量分类算法(traffic classification based on K-means and k nearest neighbor,KMk NN);以KMk NN为基础设计了一种集成分类器(ensemble classifier based on KMk NN,KKEC)。首先通过抽取不同的输入特征子集分别进行训练,获得不同的分类器,进而采取绝对多数与相对多数相结合的投票方式产生集成输出结果,最后采用非平衡数据集进行测试。理论分析和实验结果都表明,算法在面对非均衡协议流时提高了小类流的识别率。     

基于多任务和卷积神经网络的业务识别算法

针对以低识别率对业务进行较高精度分类问题,提出了一种结合多任务学习和卷积神经网络(Multi-Task Learning and Convolutional Neural network,MTL-CNN)的网络业务识别算法,将业务分类重新构建为多任务学习框架,令业务类别作为主任务,带宽需求和持续时间作为辅助任务,3个任...     

基于大数据分析的非线性网络流量组合预测模型

针对传统方法不能对网络流量变化特征进行准确描述,并且预测精度较低的问题,提出了基于大数据分析的非线性网络流量组合预测模型.通过对非线性网络流量数据进行有效分解,获得不同尺度的分量,利用混沌理论对多尺度分量进行相空间重构获得流量子序列.构建改进鸟群算法优化模型,并对重构后的网络流量子序列进行预测和组合,获得网络流量预测结果.结果表明,所提模型能够精确地描述网络流量的非线性、周期性以及长相关性等变化特征,具有较高的预测精度.     

基于神经网络学习控制的图像挖掘算法

针对传统神经网络算法进行图像分类识别时收敛速度慢,学习过程中可能出现震荡甚至收敛于局部极小值的情况,提出了一种小波变换融合神经网络的图像分类识别方法.利用高斯小波基函数取代神经网络隐含层中的隐节点函数,采用小波神经网络参数初始化方法和改进的模拟退火算法自适应调整学习过程中的网络权值参数,从而解决了神经网络的学习效率低等情况.结果表明,本文方法对5类动物图片的正确分类识别率为84.0%,较传统神经网络和稀疏表示的正确分类识别率提高了4.2%和6.1%.     

基于多尺度卷积神经网络的交通标志识别方法

为了提升交通标志自动识别的精度,提出一种基于多尺度CNN的交通标志识别方法(TSR -MSCNN算法).该方法采用三阶段卷积神经网络,融合了低阶、中阶和高阶3种不同尺度的特征,并串联了多个小卷积层用以代替单个较大卷积层.通过对全连接层的神经元个数、Dropout参数、卷积核尺寸等网络超参数进行选比实验,获得了最佳的网络超参数.利用德国交通标志基准数据库(GTSRB)对不同算法进行测试表明,本文提出的算法在较小的网络参数量下能够有效提取交通标志特征,获取的识别准确率达到99.76%,且显著优于传统卷积神经网络方法和多尺度特征方法的识别准确率,因此本文算法在图像识别领域有良好的应用价值.     

虹膜与眼周深度特征融合网络模型

虹膜识别虽然识别率很高,但单模态识别时存在环境、欺骗攻击等影响,并且对于远距离或移动端、较少约束等场景下,虹膜识别率会大大下降。为解决此问题,采用虹膜和眼周双模态融合识别是较好的思路。为实现精确自适应的融合识别,本文提出新颖的虹膜与眼周深度特征融合网络模型（MultipleFusionNet）。根据特征通道注意力和通道分组注意力的思想,设计出自动权值生成网络,通过网络学习自动获得虹膜与眼周的权值。权值与卷积神经网络生成的虹膜与眼周深度特征加权计算,实现两个模态的深度特征动态精确地融合,从而提高识别准确率。本文网络模型中融合部分可作为通用的深度特征融合模块使用,该模块可灵活地嵌入在任何的CNN主干网络中,轻便且易于实现。在中科院公开的远距离虹膜库图像库CASIA-Iris-Distance和近距离光照变化虹膜图像库CASIA-Iris-Lamp进行了实验验证,实验结果显示,本文的特征融合模型准确率最高为99.56%,采用余弦距离度量的EER值最低为0.0027,优于单模态方法和相关的特征融合方法。计算复杂度方面,参数量和计算量比单模型的两倍少1.5%,计算量只比基准融合方法高1%,表明该融合模型计算复杂度低,具有良好的性能。     

基于加权小波变换和2D-PCA的人脸识别改进算法

基于小波变换的人脸识别方法通常将图像变换成低频和高频信息,传统的人脸识别算法大多数都是基于小波变换后的低频信息,没有充分利用高频信息,造成了高频信息中对识别有利信息的丢失. 本文提出了一种基于加权小波变换和2D-PCA的人脸识别改进算法. 首先基于二维离散小波(2D-DWT)对图像进行二层小波变换,将所得的低频信息和水平、垂直和对角高频信息进行加权融合. 在此基础上,采用二维主成分分析(2D-PCA)方法进行特征提取; 最后采用最近邻分类器进行分类识别. 基于ORL标准人脸数据库的实验结果表明,本文提出的方法比传统的2D-PCD识别算法和2D-DWT+2D-PCA识别算法有更好的识别效果,且人脸受光照等因素的影响表现出良好的鲁棒性.     

报文分类算法的设计与实现

报文分类是网络交换设备的基础操作之一.针对目前的报文分类算法主要为小规则集或低维的分类问题,提出了一种新的多维快速报文分类算法.该算法通过压缩、分割和索引操作,设计了压缩分割规则表和索引列表结构表这两类数据存储结构,能支持上万条多维分类规则,分类速度快、存储空间小、支持快速更新,适合于软硬件实现.     

Fault Diagnosis for Rolling Bearings with Stacked Denoising Auto-encoder of Information Aggregation

信息融合型的层叠去噪自动编码器的轴承故障诊断研究

张利，高欣，徐骁

（辽宁大学 信息学院，沈阳 110036）

创新点说明：

1）针对轴承故障信号的复杂性，提出了融合性的层叠去噪自动编码器，其主要方法在于综合了隐藏层结点的信息，对每一个结点的输入信息进行加权，从而更好的包含特征信息。

2） 利用主元分析法的立体抽象形式，进行特征信息的表达比二维更易发掘。

3）利用证据理论，对不同的信息进行融合表达。

研究目的：

主要针对轴承故障信号的敏感特征不易发觉而提出一种信息融合型的去噪自动编码器方法。

研究方法：

在研究中采用西储大学的轴承数据进行测试，研究的对象包括正常，内圈，外圈以及滚动故障的4种类型数据。

其中，考察的指标为:转速，负载量，直径，采样单元。如下表所示:

Combining Multi-scale Directed Depth Motion Maps and Log-Gabor Filters for Human Action Recognition

结合多尺度有向深度运动图和Log-Gabor滤波器的人体行为识别

赵晓叶，吉训生，李元祥，彭力

（江南大学 物联网工程学院物联网应用技术教育部工程中心，江苏 无锡214122）

创新点说明：

1）考虑到动作执行速度的不同，本文提出了一种新的基于能量均分的视频分割方法，传统方法对第n层金字塔进行了 等分，其中，第n-1层金字塔的细节信息完全可以在第n层金字塔中体现出来。因此，为了在金字塔的不同层更大限度的包含细节信息，本文在第n层金字塔进行了 等分，构建多尺度深度运动图。

2）在行为识别中，除了身体形状和运动信息外，运动方向也至关重要。考虑到动作执行时，时间顺序的不同，本文提出了有向深度运动图。有向DMM分为正向DMM（Positive DMM，PDMM）、反向DMM（Negative DMM，NDMM），前者反映的是当前帧图像的深度值比前一帧图像的深度值大的形状和运动信息，后者反映的是当前帧图像的深度值比前一帧图像的深度值小的形状和运动信息，相似但时间排序相反的两个动作的PDMM和NDMM正好是相反的，因此基于PDMM和NDMM表示可以区别两个动作。最后综合得到基于能量的多尺度有向深度运动图。

3）为描述多尺度有向深度运动图纹理细节，本文采用在纹理表征方面具有优势同时符合人眼视觉特性的Log-Gabor作为特征表示。

针对上述新的算法进行了实验验证，且对参数设置进行了大量对比实验，得到对应的最佳参数。结果表明, 本文算法准确率分别达95.79%和96.43%，与现存许多算法相比，有更高的识别率、鲁棒性。

研究目的：

DMM是基于整个深度序列得到的，丢失了人体行为本身的时间信息，对于动作相似但时间顺序不同的两个人体动作，是很难区分的，比如“坐下”和“站起”。另外，DMMs并没有考虑到动作执行速度差异造成的类内误差，从而降低识别率。本文的目的就是在尽量满足实时性的前提下，提高动作的识别率。

研究方法：

研究方法：主要是使用MATLAB进行仿真实验。在公开动作识别库MSRAction3D和手势识别库MSRGesture3D上进行实验验证。最后将本文识别率与其他现有算法识别率进行对比，结果表明本文具有更高的识别率，分别达到95.79%和96.43%。另外混淆矩阵也显示了在两个数据库中各个动作识别的情况，从而进一步显示本文方法有效地减少了相似动作的误判率。另外，针对参数选择，本文也进行了对比试验。

实验设置：动作识别库MSRAction3D：一个包含20种动作，由10个表演者对每个动作重复2~3次得到的人体行为公共数据库，共557个视频序列。该数据库许多动作高度相似，具有很大挑战性。为了便于性能比较，本文将20个动作作为一个集合，在10个表演者中选择第奇数个的数据作为训练集，第偶数个的数据作为测试集。在实验中，正面、侧面、顶面的MsdDMM尺寸分别归一化为102*54，102*75和75*54，Log-Gabor滤波器尺寸设置为10*11，CRC中的正则化参数λ设置为0.001。

手势识别库MSRGesture3D：是一个包含12个由美国标准手语定义的动态手势，由10个表演者对每个动作重复2~3次得到的人体手势测试评价数据库，共333个视频序列，该数据库存在很多自遮挡问题。本文采用Leave one-subject-out交叉验证方法，总共进行10次实验。第n次实验使用第n个表演者的所有数据作为测试集，其余表演者的数据作为训练集，最终取10次实验结果的平均值作为最终识别率。

结果：

1）在公开动作识别库MSRAction3D和手势识别库MSRGesture3D上，识别率可分别达到95.79%和96.43%，与现存许多算法相比，有更高识别率。

2）在公开动作识别库MSRAction3D上， =0.001，特征子为Log-Gabor时，取得最高识别率95.79%。

3）在手势识别库MSRGesture3D上， =0.01，特征子为Log-Gabor时，取得最高识别率96.43%。

结论：

MSRAction3D数据集：

取不同值时的识别率

基于改进遗传算法的非侵入式电器负荷识别

针对传统非侵入式负荷识别算法在电器负荷接近或较小时并不能得到较理想识别效果的问题,提出了一种基于谐波特征和遗传算法的非侵入式电器负荷识别算法.通过提取电流数据的非活性电流及其谐波特征,来增大不同用电器间的差异性,从而提高识别精度;并使用遗传算法优化的神经网络的权重、阈值和隐含层神经元个数来提高分类识别精度,达到细粒度用电分析的目的;使用包含5种家用电器的用电场景测试所提出算法的识别精度,并将其与反向传播神经网络算法相比较.仿真测试结果表明,提出的特征和算法具有更高的负荷识别准确率及更快的识别速度.     

基于梯度算法的LSP流量分配算法

根据多路径流量优化的数学模型对MPLS系统模型进行了数学描述,提出了一种基于梯度算法的LSP自适应流量分配算法。它可减少由传统路由算法引起的网络拥塞,优化网络资源的利用。仿真结果表明,该算法在MPLS系统模型中的数据包平均丢失率明显低于传统路由算法,并具有运算速度快和稳定性好的特点。