一种基于时间序列分解和时空信息提取的云服务器异常检测模型

异常检测是维护云数据中心性能的一项重要任务。云数据中心中运行着大量的云服务器以实现各种云计算功能。由于云数据中心的性能取决于云服务的正常运行,因此检测和分析云服务器中的异常至关重要。为此,该文提出一种基于时间序列分解和时空信息提取的云服务器异常检测模型。首先,提出带时空信息提取模块的双向Wasserstein 生成对抗网络算法(BiWGAN-GTN),该算法在具有梯度惩罚的双向Wasserstein 生成对抗网络(BiWGAN-GP)算法的基础上,将生成器与编码器替换为由图卷积网络(GCN)与时间卷积网络(TCN)组成的时空信息提取模块(GTN),实现对数据空时信息的提取;其次,提出半监督BiWGAN-GTN算法来识别多维时间序列中的异常,以在训练过程中避免异常数据侵入的风险并增强模型鲁棒性。最后设计多通道BiWGAN-GTN算法-MCBiWGAN-GTN以实现降低数据复杂度并提升模型学习效率的目标。利用带有自适应噪声完全集合经验模态分解(CEEMDAN)算法将时序数据分解,然后将不同的分量送入对应通道下的BiWGAN-GTN算法中训练。在真实世界云数据中心数据集Clearwater和MBD上采用精确率、召回率和F1分数这3个性能指标验证了该文所提模型的有效性。实验结果表明,MCBiWGAN-GTN在这两个数据集上的性能稳定并优于所比较的方法。     

混沌时间序列降噪在数字通信中的一个应用

根据对非线性时间序列降噪的理论,本文采用Gradient Descent方法在CSK(Chaos shift Keying)系统的接收端对混沌时间序列进行降噪,获得一条比原来时间序列噪声更小的时间序列轨道,然后采用非相干检测技术对发射端传输的符号进行判断,理论分析和计算机仿真结果基本一致.     

神经网络在时间序列预测中的应用研究

介绍了时间序列预测的基本概念、各种模型,分析了基于神经网络的时间序列预测方法,阐述了BP神经网络基本原理,提出了一种基于BP神经网络的时间序列的预测和方法。通过应用实例的分析表明,以此方法得到BP网络应用于非线性时间序列预测是可行的,神经网络方法可以成功地用于分析预测时间序列变量。     

地震监测时间序列异常值检测策略

前兆观测数据真实可靠地应用在地震预测中前提是观测人员能够准确去除和标记干扰异常数据。为了能够在前兆数据预处理过程中由计算机及时检测出异常值,文章在时间序列的异常值检测的基础上,提出一套前兆仪器数据异常判定方法。根据异常的特征分析,首先选取合适的阈值特征进行阈值异常检测,在阈值异常检测结果的基础上,进而将其与邻近观测点数据进行相似性度量。从而达到将局部干扰异常与地球物理变化区分的目的。这种异常判定规则应用在前兆预处理中大大提高了前兆数据预处理的准确性和效率。同时,这种异常判定规则应用在实时监控中可以及时发现仪器的故障以及解决异常数据隐蔽性和时效性的问题。     

分区复杂性在时间序列分析中的应用

本文对KC复杂性,C₁、C₂复杂性等常见的时间序列分析中所用的方法进行了比较,在此基础上提出一种新算法——分区复杂性,同时将其应用在EEG时间序列分析、处理中,以检验它的有效性.     

基于时间序列的网络行为异常检测

网络流量可以反映用户的网络行为,针对用户的网络行为,提出一种基于时间序列的异常检测方法.该方法首先对用户行为进行建模,预测用户行为发展趋势,再根据用户的实际行为进行异常检测.实验表明,该方法能够有效地检测用户的违规操作及网络攻击行为.     

基于卫星图像时间序列连续异常检测方法优缺点

本文作者依据多年工作经验,对卫星图像时间序列连续异常检测方法优缺点进行了研究分析,以便和同行切磋与交流。     

基于时间序列的数据挖掘在商务智能中的应用

在介绍了数据挖掘和商务智能的基础上,阐明了数据挖掘在商务智能中的重要作用。对当前流行的数据挖掘方法作了介绍。研究基于时间序列的数据挖掘技术说明在以信息为基础的当今商业活动中,商务智能在企业决策中的重大意义。     

混沌时间序列在密码学应用中的随机性测试

针对混沌时间序列的产生是否符合密码学应用中的序列随机性检测的要求，及随着参数变化对混沌时间序列的随机性检测的效果进行实验。实验表明混沌密码序列对随机性的测试的好坏存在不确定性，因此混沌序列应用到序列密码之前必须对序列进行随机性检测。     

一种基于Volterra级数的云平台自适应失效检测机制

失效检测是分布式系统特别是云平台容错的关键组成部分。然而由于网络状态的不断变化,要实现对失效的快速准确的检测变得比较困难。为应对这种情况,本文提出了一种基于Volterra级数的高效的自适应失效检测机制。该机制基于Volterra滤波器实现,能够只利用很少的训练样本就可以对时间序列做出很好的预测,且可根据预测误差来自适应地调整以使得预测结果更准确。为了适应云平台中各功能模块对失效检测的不同QoS需求,本文提出的失效检测机制在统计反馈部分引入调节因子α,可以方便地满足不同应用的QoS需求。     

Boundary-Based Time Series Sorting

In many applications, it is desirable to sort the data. Most of previous work on sorting are key based, however, there are no apparent keys for the time-series data and therefore the classic sorting algorithms may fail in sorting time-series data. We propose a novel technique, called TS-Sort, to sort time-series sequences in the massive set. The proposed method first extracts the maximum and minimum boundaries of the set, then calculates the distance values between the sequences to the boundaries, and finally sorts the values to determine the relative orders of sequences in the set. For improvement, we propose a partition based version of the algorithm, which puts the sequences into small groups, and sorts the groups to get the final sorted set. Extensive experiments, both on synthetic and real datasets, show that our approach can be used to make the time series set in order, and there is a factor of up to 26.3% accelerating for the improved version of the method.     

An Efficient Adaptive Failure Detection Mechanism for Cloud Platform Based on Volterra Series

Failure detection module is one of important components in fault-tolerant distributed systems, especially cloud platform. However, to achieve fast and accurate detection of failure becomes more and more difficult especially when network and other resources＇ status keep changing. This study presented an efficient adaptive failure detection mechanism based on volterra series, which can use a small amount of data for predicting. The mechanism uses a volterra filter for time series prediction and a decision tree for decision making. Major contributions are applying volterra filter in cloud failure prediction, and introducing a user factor for different QoS requirements in different modules and levels of IaaS. Detailed implementation is proposed, and an evaluation is performed in Beijing and Guangzhou experiment environment.     

红外高光谱资料云检测方法研究

从红外高光谱资料的特点和应用现状出发,通过用晴空时观测光谱和背景光谱偏差矢量最小原理研究了特定云状下不同云量、云高和云水含量对观测光谱的影响,提出了一种新的红外高光谱资料云检测方法。从云污染视场中检测出不受云影响的通道,并用通过辐射传输模式(Radiative Transfer for(A)TOVS,RTTOV)模拟的大气红外探测器(Atmospheric Infrared Sounder,AIRS)资料和实测数据进行了方法可行性和有效性验证。结果表明,该方法能有效地提高云污染区域红外高光谱资料的利用率,可为有云覆盖情况下的大气参数反演提供有效途径。     

一种基于时间序列的动态加密方法

加密技术在通信系统中有着广泛的应用,由于信道等环境的制约,所以对称加密方法更适合保密通信,尽管其有稳定性和安全性不够好,密钥生成单一,易破解等缺陷,特别是密钥的生成、管理方面的不足。为解决传统对称加密中密钥生成、保存、传输安全性不高的缺点,提出了一种基于时间序列的动态密钥生成方法用于信息加解密,以保证密钥的安全性,最后通过试验验证算法的可行性和稳定性。     

基于神经网络的高校涉密项目风险预测

针对高校涉密项目风险因素多和保密环境复杂的特点,利用三层BP神经网络对能够逼近任意非线性函数的良好特性,突破传统上基于统计学方法进行预测的限制,综合了时间序列的计算简单,需要历史数据少的优点,设计了一种体现时序的多因素动态时间序列BP神经网络预测模型,并将模型运用于某高校涉密项目泄密风险的预测研究中。仿真实验表明,此方法切实可行,而且具有较好的预测精度。     

改进的GMDH型神经网络及其在混沌预测中的应用

本文提出基于改进自组织方法的GMDH（Group Method of Data Handling）型神经网络并将它应用于混沌顶测。一般的GMDH型神经网络的自组织功能是通过给定一个准则阈值来确定或直接给定数值来实现，但GMDH型神经网络的自组织准则的阈值难以合适确定，由此提出了一种简单的自组织方法来实现真正意义上的自组织功能。这种用改进了自组织方法所构成的GMDH型神经网络可以应用于混沌时间序列预测。通过仿真实验，证明其预测效果明显比基本的GMDH型神经网络好，即改进GMDH型神经网络优于基本的GMDH型神经网络。     

一种改进的符号化时间序列聚类方法

符号化时间序列聚类是聚类研究中的热点之一,其中关键问题是时间序列符号化相似度问题.本文针对传统的基于欧式距离度量存在的缺陷,以LCS度量为基础,提出了ELCS相似性度量,克服了LCS度量需要依赖线性函数选取的不足.在两类数据集上进行的实验表明,同其他常用度量的比较,该度量有着更好的聚类效果.     

基于非平稳时间序列处理的雷达信号融合

本文提出一种基于非平稳时间序列处理的雷达信号融合方法,该方法利用时间序列对非平稳的目标雷达散射回波信号在频域进行建模预测,然后利用去卷积与子空间分析技术对两个子带雷达信号进行处理,最后融合成一个等效的宽带信号。仿真试验表明,本文所提出的方法可以提高目标成像分辨率,有利于目标的检测与识别。     

离散时间序列卷积和的求法

卷积是“信号与系统”课程中的重要概念。连续卷积与有限长序列的卷积和在文献中给出了多种解法。文中系统介绍了求解一般离散时间信号卷积和的几种方法,包括解析法、列表法、利用卷积和性质求解及应用单位样值信号求解,并通过举例加以说明。最后,对各种解法进行了比较和讨论。