基于MWM算法的多模式匹配的改进算法NMWM

针对入侵检测软件snort的默认多模式匹配算法-MWM(Modified Wu-Manber)中存在模式匹配窗口移动距离偏小和缺少合适的哈希冲突处理的问题,对算法的模式集预处理阶段和文本匹配阶段进行了改进,设计和实现了一种新的多模式匹配算法-NMWM算法.实验结果表明,NMWM算法比MWM算法能够有效的提高模式匹配的处理速度.     

一种改进的BMHS模式匹配算法

模式匹配在计算机应用中扮演着很重要的角色。通过分析BM,BMH和BMHS算法及相关改进算法,提出BMHS算法的改进算法(DBMHS)。该算法(DBMHS)充分利用模式串两端字符,通过比较模式串两端字符的跳转距离来实现更大距离的跳转。实验证明,改进后的算法显著增加了匹配窗口的跳转距离,有效地提高了匹配效率。     

一种改进的BM模式匹配算法

首先介绍了目前最常用的BM模式匹配算法,以及其改进算法Boyer Moore Horspool(BMH)算法，在此基础上提出了另一种改进的BM算法,该算法减少了匹配次数,有效的加快模式匹配的速度。     

入侵检测系统中模式匹配算法的优化研究

模式匹配是入侵检测系统中常用的技术,而字符串匹配算法是其核心内容.本文分析了三个常用的匹配算法,并在此基础上对其中的BM(Boyer-Moore)算法和WM(Wu-Manber)算法进行了改进和优化,从而提高了模式匹配的速度和效益.     

基于坏字符序检测的快速模式匹配算法

提出一种基于坏字符序检测的快速模式匹配算法(BCSBM)。该算法利用相邻字符序列在模式串中不出现的概率较单字符高的特性,基于好字符和坏字符序表实现字符匹配过程的"跳跃"。BCSBM算法显著减少了匹配窗口内字符的匹配次数,同时增大了匹配窗口的平均移动距离。算法的实际测试效率较高,在文本或模式串相对较长的情况下该算法的效率提高明显。     

一种快速的基于BM模式匹配的改进算法

模式匹配算法是入侵检测系统(IDS) 中非常重要的一种算法. 在研究和分析几种常用模式匹配算法的基础 上, 提出一种快速的基于BM(Boyer-Moore) 模式匹配的改进算法—–IBM 算法. 该算法充分利用模式串的末字符和 末字符所对应的文本串的后两字符的唯一性, 同时参考文本串本身的信息来提高模式串的移动量, 使得每次失配后, 在保证不丢失匹配成功可能性的前提下尽可能多地向后跳跃. 实验结果表明, 该算法相比其他模式匹配算法, 在检测 性能和匹配效率上均具有很大优势, 并且能够有效地提高IDS 的检测效率和性能.

     

面向入侵检测的改进BMHS模式匹配算法

模式匹配算法是入侵检测系统中使用较多的一种算法。分析几种常用模式匹配算法,提出一种基于BMHS的改进算法——N-BMHS算法。该算法对字符串进行双向模式匹配,引入一个新的数组s记录模式串中字符的出现次数,次数为1时可以利用已匹配的信息来辅助得到模式串的最大移动距离。实验结果表明,改进的模式匹配算法能减少比较次数,有效提高匹配速度。     

基于P2P的网络入侵检测系统snort的研究与改进

入侵检测系统中,模式匹配是非常重要的算法,它的效率关系到入侵检测系统的实时性和准确性。文章在研究早期单模式匹配算法(BM算法)和经典多模式匹配算法(AC算法)的基础上,提出了一种改进的算法——B_C匹配算法,并加以验证,结果提高了系统检测效率。     

入侵检测系统中BM算法的改进

随着网络安全问题的日益突出,入侵检测技术也成为当前研究的热点,模式匹配算法是入侵检测系统(IDS)中一种重要算法,直接影响剑系统的准确性和实时性.在研究BM算法和分析现有改进算法的基础上,提出了一种新的改进算法.该算法利用了末字符和下一个字符在模式串中首次出现的位置、存在性、唯一性的判断来增加模式串移动距离,利用记录因子记录上次匹配过程中的匹配后缀来减少比较次数,从而有效地加快模式匹配的速度,提高入侵检测的效率.     

模式匹配算法性能测试

模式匹配算法在防火墙、入侵检测等系统中,有十分重要的应用价值.对两个经典的多模式匹配算法、六个知名的单模式精确匹配算法和一个单模式模糊匹配算法进行了性能测试,并分析了它们的特点及适用场合,为应用系统开发者选择模式匹配算法提供了有益的参考.     

求解非线性方程组的混合人口迁移算法

针对变尺度法对初始值敏感和人口迁移算法容易陷入局部极值的缺陷,结合变尺度法和人口迁移算法各自的优点,提出了一种混合人口迁移算法,用来求解非线性方程组。该混合算法不仅发挥了人口迁移算法强大的全局搜索能力,而且利用了变尺度法的局部精细搜索能力。实验结果表明,该算法不但以较高的精度求出了各种非线性方程组的解,而且鲁棒性强,收敛速度快速,是一种解决非线性方程组问题的较好方法。     

基于混合模式匹配算法的网络入侵检测

为了提升中央处理单元(CPU)和图形处理单元(GPU)协同检测网络入侵的性能,本文提出了一种具有数据包有效载荷长度约束的CPU/GPU混合模式匹配算法(LHPMA)。在分析CPU/GPU混合模式匹配算法(HPMA)的基础上,设计了长度约束分离算法(LBSA)对传入数据包进行提前分类。利用CPU中的预过滤缓冲区对较长数据包进行快速预过滤,结合全匹配缓冲区将较短数据包直接分配给GPU进行全模式匹配,通过减少有效载荷长度的多样性,提升了CPU/GPU协同检测网络入侵的性能。实验结果表明,LHPMA增强了HPMA的处理性能,充分发挥了GPU并行处理较短数据包的优势,并且LHPMA提高了网络入侵检测的吞吐量。     

求解药代动力学参数的混合人口迁移算法

针对传统方法优化药代动力学参数时精度不高的缺陷,将Hooke-Jeeves算法与人口迁移算法有机融合,使两者取长补短,既提高了算法的精度,又加快了算法的收敛速度。将混合人口迁移算法用于血管外给药二室模型参数优化的实验之中,不仅比传统的残数法效果要好,而且比Hooke-Jeeves算法或人口迁移算法更优,精度更高。多次实验表明:算法具有良好的可靠性和稳定性,是一种较好的解决药代动力学参数的方法。     

RSA公钥密码体制中安全大素数的生成

RSA算法是基于数论的公钥密码体制,是公钥密码体制中最优秀的加密算法。由于RSA算法中大素数的生成对RSA加密算法的安全性有直接的影响,其寻找大素数的实现难度大,运算时间长。文中在研究了密钥生成的一般算法的基础上．即确定性素数产生和概率性素数产生方法．给出了利用Montgomery算法优化的Miller-Rabin算法和Pocldington定理算法实现．构造了大素数的生成算法,以提高RSA算法的安全性和运行速度。     

有限域上椭圆曲线 Jacobian 群求阶算法综述与比较

关于椭圆曲线密码体制（ECC）的研究,如今无论是 ECC 理论还是 ECC 的标准化、产业化都趋于成熟。在 ECC 的设计中,安全椭圆曲线的选取是 ECC 实现的基石,也是其安全性的重要保证。目前,随机选取法是最好的安全椭圆曲线选取方法,其核心思想是对随机生成的椭圆曲线计算其 Jacobian 群的阶。文章主要介绍了几类经典的计算椭圆曲线 Jacobian群阶的算法：Schoof 算法、SEA 算法、Satoh 算法、AGM 算法。在详细介绍 Schoof 算法的基础上,提出了其基于离散对数问题的改进算法：袋鼠算法和大步小步（BSGS）算法的改进方法,并用实验结果说明加速后的算法得到了提升。针对 SEA 算法,文章也提出了其 BSGS 改进算法并通过实例分析比较了原 SEA 算法与 BSGS 改进算法的实现效率。针对 Satoh 算法、AGM算法,文章介绍了算法的理论依据和具体实现,并通过实例分析比较了其优劣性和适用情况。     

解决旅行商问题的改进算法

首先提出旅行商问题(TSP),然后实现了常见的解决TSP问题的算法:有传统算法中的贪心算法和回溯法,还有现代优化算法中的基本遗传算法。并针对这3种算法的缺点提出了一种改进的算法,即综合运用贪心算法和遗传算法,依据贪心选择的原则指导遗传操作,可以大大加快搜索的速度,仿真实验表明改进的算法是十分有效和实用的。     

求解SAT问题的算法的研究进展

SAT问题是研究最广泛的NPC问题之一。由于SAT问题本身的特性,除非P=NP,否则不存在最坏情况下多项式阶时间复杂度的SAT求解算法。因此设计出高效快速的SAT求解算法至今仍是研究热点。首先简要介绍了SAT问题;其次从完备算法、不完备算法和组合算法3个角度总结了新近的研究进展,深入分析了已有算法解决SAT问题的基本流程,并从适用问题类别、算法特点、求解效率等方面对各类先进的求解器进行了对比分析;最后讨论了求解SAT问题的算法面临的挑战,并对下一步研究工作进行了展望。     

几种新型仿生优化算法的比较研究

仿生优化算法是模拟自然界中生物行为的随机搜索算法,可以用来解决现实中的许多优化问题.简要介绍了目前比较流行的四种新型仿生优化算法(蚁群算法、微粒群算法、人工免疫算法以及人工鱼群算法)的基本原理;然后深入分析了这些仿生优化算法的异同之处:这些算法都是一类不确定的算法,都是一类概率型的全局优化算法,都不依赖于优化问题本身的严格数学性质,都是一种基于多个智能体的智能算法,都具有本质并行性、突现性、进化性和稳健性,其不同性则主要体现在算法本身上;最后对这些仿生优化算法今后的发展方向进行了评述与展望.     

可扩展机器学习的并行与分布式优化算法综述

机器学习问题通常会转换成一个目标函数去求解,优化算法是求解目标函数中参数的重要工具.在大数据环境下,需要设计并行与分布式的优化算法,通过多核计算和分布式计算技术来加速训练过程.近年来,该领域涌现了大量研究工作,部分算法也在各机器学习平台得到广泛应用.本文针对梯度下降算法、二阶优化算法、邻近梯度算法、坐标下降算法、交替方向乘子算法五类最常见的优化方法展开研究,每一类算法分别从单机并行和分布式并行来分析相关研究成果,并从模型特性、输入数据特性、算法评价、并行计算模型等角度对每个算法进行详细对比.随后对有代表性的可扩展机器学习平台中优化算法的实现和应用情况进行对比分析.同时对本文中介绍的所有优化算法进行多层次分类,方便用户根据目标函数类型选择合适的优化算法,也可以通过该多层次分类图交叉探索如何将优化算法应用到新的目标函数类型.最后分析了现有优化算法存在的问题,提出可能的解决思路,并对未来研究方向进行展望.     

静态链表上排序算法的研究

排序是计算机操作中的一种常用技术,排序算法在顺序表上有很多实现技术,但在静态链表上的研究却很少见。本文讨论了静态链表上冒泡排序,插入排序和选择排序算法的实现思想,用高级语言实现了这几种算法,最后分析了这些算法的性能。