基于深度学习网络的物联网非法入侵识别研究

为了获得理想的物联网非法入侵自动识别结果,提出基于深度学习网络的物联网非法入侵自动识别方法.首先采用物联网非法入侵的数据,并从中提取数据的异常入侵行为特征,然后将特征作为深度学习网络的输入,物联网非法入侵类型为作为输出,通过深度学习网络的训练建立物联网非法入侵识别分类器,最后与其它方法进行了物联网非法入侵识别仿真实验,结果表明,深度学习网络获得了高精度的物联网入侵行为识别结果,能够有效保证物联网安全,具有一定的实际应用价值.     

基于深度信念网络的光通信网络数据异常识别研究

为提高光通信网络数据传输能力,基于深度信念网络研究光通信网络数据异常识别方法。先构建光通信网络数据传输模型,采用深度信念网络进行传输信道均衡控制,利用模糊多分类支持向量机提取数据异常特征,构建数据分类学习模型,实现对数据异常重构和关联规则挖掘,采用深度信念网络对光通信网络数据进行异常张量切片重组,用张量对多关系网络进行建模,实现对光通信网络数据异常识别。仿真结果表明,所提改进方法的能量开销仅为1.2 kJ,生命周期为55.75 h,且识别时间仅为1.0 ms,优于其余两种方法,具有更大的应用价值。     

基于特征学习的无线传感网络入侵行为检测方法

传统的机器学习算法在无线传感网络入侵行为检测中应用效果不理想,Recall（召全率）和F1-score（召全率与精准率的调和平均数）较低,针对现行方法存在的不足和缺陷,提出基于特征学习的无线传感网络入侵行为检测方法。利用时间戳马尔可夫模型对无线传感网络进行分段,实现对网络入侵数据局部特征编码,利用深度学习网络,学习网络入侵行为特征,对网络数据标签进行数值化和归一化处理,根据入侵特征对网络行为进行分类,识别检测入侵行为,以此实现基于特征学习的无线传感网络入侵行为检测。经实验证明,设计方法Recal在95%以上,F1-score在90%以上,检测精度较高,在无线传感网络入侵行为检测方面具有良好的应用前景。     

基于集成学习的光纤光栅传感网络入侵行为检测

针对光纤光栅传感网络结构复杂,入侵行为检测难度较高的问题,研究基于集成学习的光纤光栅传感网络入侵行为检测方法。选取支持向量机作为集成学习算法的基分类器,计算各基分类器分类光纤光栅传感网络入侵行为样本的误差率,依据基分类器的误差率确定基分类器的重要程度。利用AdaBoost集成学习算法,依据各基分类器的重要程度集成各基分类器,构建最终的集成分类器,利用所构建集成分类器,输出光纤光栅传感网络入侵行为检测结果。实验结果表明,该方法可以精准检测光纤光栅传感网络的远程入侵、拒绝服务入侵等入侵行为,数据丢弃量较低,提升了光纤光栅传感网络的通信性能。     

基于深度信念网络的光通信网络数据异常识别研究

为了降低光通信网络被攻击的概率,保证光通信的安全顺畅,提出基于深度信念网络的光通信网络数据异常识别方法。利用时间-频率相结合的算法建立光通信信道模型,获取信道特征。根据信道特征密度设计数据异常特征的判断准则,利用数据挖掘聚类算法提取异常数据特征。融合BP网络和受限玻尔兹曼机网络,确立深度信念网络结构,结合隐藏层与可见层单元的概率分布情况构建数据异常识别模型,经过数据采集、特征归一化和模型微调等过程完成光通信网络数据异常识别。仿真实验表明,所提方法能够获取准确的光通信网络异常数据特征,光通信网络数据异常识别高和误报率低。     

基于深度学习的无线传感网络入侵检测方法

针对现有无线传感网络入侵检测准确率不高的问题,提出基于深度学习的无线传感网络入侵检测方法。先对入侵无线传感网络特征进行提取,然后基于深度学习对无线传感网络入侵目标的位置进行定位检测,在获得入侵目标位置后,对入侵信息进行检测,最后通过对各个节点的入侵检测,完成整个网络入侵检测过程。实验结果表明,文中设计的无线传感网络入侵检测方法的检测准确率较高,能满足无线传感网络入侵检测需求。     

基于大数据技术的网络非法入侵检测系统研究

面对不同企业、事业机构数据信息资源的海量化,在广域网或局域网内面临的非法用户入侵、网络入侵攻击问题也不断增多,借助于大数据及云计算技术,对用户访问、网络数据流量进行检测和控制,成为网络非法入侵、异常数据发现与处理关注的重点。通过基于Hadoop分布式数据处理、Spark并行计算等大数据软件框架,构建起以入侵检测为主的网络拓扑结构,设置数据流量采集、检测分析、非法入侵报警等的控制管理模块,完成异构网络中多个数据传送节点的非法入侵、异常数据检测。     

基于深度学习的网络入侵检测方法研究

随着互联网技术的快速发展和普及,网络攻击和威胁已经渗透到我们生活的方方面面,网络安全成为人们关注的焦点.在面对网络攻击的研究中,入侵检测作为保证网络安全的一道防线,起着至关重要的作用.针对当前入侵检测收集的各类数据集中存在的数据不平衡问题,提出了一种基于深度学习的平衡数据生成模型,利用数据生成模型生成平衡数据集,使用这...     

基于深度学习的视频异常行为识别算法

针对传统的异常行为检测算法仅使用RGB图像作为网络的输入,而未考虑到视频序列中隐藏运动信息的问题,文中提出一种基于双流卷积神经网络的视频异常行为检测算法。该算法分别使用RGB图像与视频帧间的光流信息作为两个网络分支的输入来学习空间维信息与时间维信息,并使用长短时神经网络来建模长时视频帧间的依赖关系,从而得到最终的行为分类结果。仿真测试结果表明,所提出的方法在UCSD Ped1、Shanghai Tech和Pedestrian 2数据集上均能取得较好的识别效果,且使用帧间运动信息能够显著提升异常行为检测性能。     

基于现代网络的深度学习应用协议识别技术研究与实现

现代网络视域下,在对应用协议识别技术进行研究的过程中,需对其所包含的技术类型进行全面了解。确保实现高精度的、高效率的选择与利用应用协议识别技术。即结合现代网络特征,构建科学的技术识别计划。基于应用协议识别技术类型,优化与完善端口与识别方式。并将技术改革与应用与现代网络发展态势进行有效连接,确保真正展现与发挥应用协议识别技术的功能与优势。     

基于深度神经网络的网络入侵检测技术

在现今攻击手段多样化和网络流量高维度的情况下,如何快速准确地检测网络入侵成为了目前研究的重点。深度神经网络（DNN）对于海量数据的处理具有很好的计算能力,并且可以学习样本数据的内在规律,因此基于DNN开展了网络入侵检测技术的研究。首先,通过符号数据数值化和数据归一化对公共数据集进行预处理;然后,构建DNN模型获取分类预测结果;最后,根据分类结果计算模型评价指标,并不断地迭代调整DNN模型,直到模型评价指标达到期望值,对于提高网络入侵检测准确度和效率具有重要的意义。     

基于融合运动特征和深度学习的电厂人员行为识别

电厂人员行为的准确识别与分析,对于维护电厂安全运行具有重要意义.文中使用融合运动特征的深度学习算法,建立了一套电厂工作人员的行为识别系统框架.为了提高动作识别精度、解决人体骨骼识别问题,通过引入图卷积网络建立多层时间空间融合的图卷积运算人体行为识别模型.针对单一网络检测准确率与鲁棒性低的问题,文中基于传感器网络建立了无...     

一种基于深度学习的网络入侵检测方法

针对如何将深度学习应用到网络入侵检测中以提高入侵检测准确率的问题,结合网络数据的特点给出一种深度学习网络的设计方法,并在此基础上提出一种基于深度学习的入侵检测方法。该方法采用了深度学习中的自编码网络模型实现对网络特征的提取,通过softmax分类器对特征数据进行分类,从而得到网络入侵检测分析的结果。基于KDD99数据库实验证明,该方法在保证高检测率的同时,其误检率较其他算法低40%以上,从而验证了方法的有效性。     

基于深度学习的工业车辆驾驶行为识别

文章提出一种基于深度学习的工业车辆驾驶行为识别的方法。该方法对工业车辆在实际工厂环境中行驶的特点进行分析,将三轴加速度传感器和三轴角速度传感器采集到的数据进行预处理,根据处理结果将数据送入深度神经网络训练,完成对工业车辆驾驶行为的识别。系统先对样本数据使用数据插值、标准化处理等方法进行预处理,通过数据增强算法减少过拟合的影响,再基于长短期记忆网络(LSTM)处理时间序列数据,构建出CNN+LSTM的深度网络模型,用于驾驶行为的识别。测试结果表明,所提模型识别整体准确率可达96.51%,能够准确地识别出工业车辆行驶的状态。     

基于深度学习的视频行为识别方法综述

近年来,自动学习特征的深度学习方法在视频行为识别领域中不断被挖掘探索。在总结了常用的行为识别数据集的基础上,对传统的行为识别方法以及深度学习的相关基础原理进行了概述,着重对基于不同输入内容与不同深度网络的行为识别方法进行了较为全面、系统性的总结、对比与分析。最后,对深度学习在行为识别领域的发展做了总结并展望了未来的发展趋势。     

基于深度学习网络的群体通信行为识别方法

现有群体通信行为识别方法识别率低、易受到干扰源影响,为此,引进深度学习网络,设计一种针对群体通信行为的全新识别方法。设定群体在网络中通信时任意一个通信节点随着时间变化而发生变化的序列,基于时间序列匹配通信背景,对群体通信行为发生背景进行提取与剥离;设定深度学习样本数据集合,结合粒子群的聚类方向,确定分类模型,实现对群体通信行为的标准化分类;引进共识函数,对群体通信行为进行识别,并通过设计识别算法的方式,对输出的识别结果进行多次迭代,实现识别结果的高精度。通过对比实验证明,在相同条件下,设计的识别方法识别率更高,且不会受到数据源中干扰数据的影响,可为后续群体通信安全策略的提出提供更有利的依据。     

基于深度学习的关节点行为识别综述

关节点行为识别由于其不易受外观影响、能更好地避免噪声影响等优点备受国内外学者的关注,但是目前该领域的系统归纳综述较少.该文综述了基于深度学习的关节点行为识别方法,按照网络主体的不同将其划分为卷积神经网络(CNN)、循环神经网络(RNN)、图卷积网络和混合网络.卷积神经网络、循环神经网络、图卷积网络分别擅长处理的关节点数据表示方式是伪图像、向量序列、拓扑图.归纳总结了目前国内外常用的关节点行为识别数据集,探讨了关节点行为识别所面临的挑战以及未来研究方向,高精度前提下快速行为识别和实用化仍然需要继续推进.     

基于深度学习的关节点行为识别综述

关节点行为识别由于其不易受外观影响、能更好地避免噪声影响等优点备受国内外学者的关注,但是目前该领域的系统归纳综述较少。该文综述了基于深度学习的关节点行为识别方法,按照网络主体的不同将其划分为卷积神经网络(CNN)、循环神经网络(RNN)、图卷积网络和混合网络。卷积神经网络、循环神经网络、图卷积网络分别擅长处理的关节点数据表示方式是伪图像、向量序列、拓扑图。归纳总结了目前国内外常用的关节点行为识别数据集,探讨了关节点行为识别所面临的挑战以及未来研究方向,高精度前提下快速行为识别和实用化仍然需要继续推进。     

基于深度学习网络的红外网络节点异常状态识别研究

为准确识别红外网络节点状态,提出了基于深度学习网络的红外网络节点异常状态识别方法。利用红外网络节点采集模块采集节点状态数据,确定可视层与隐含层神经元数量,利用贪婪算法训练过程重构训练样本,通过微调过程优化深度置信网络,完成深度置信网络训练,提取红外网络节点状态数据特征,将状态数据特征作为球心,计算识别红外网络节点状态数据同球心的半径,根据结果是否异常状态。仿真测试结果,本文方法可有效识别红外网络节点异常状态,红外网络节点异常状态识别精度高。     

基于深度学习的行为识别方法综述

行为识别作为计算机视觉领域研究的热点,在当今社会的智能安防、智能监控、智慧医疗等领域有着广泛的应用,而将在在计算机视觉方面有着突出表现的深度学习应用在行为识别研究上效果便更加显著.相较于传统基于手动特征提取方法,基于深度学习的行为识别方法具有速度快、鲁棒性强、准确率高等优点,因此文章针对基于深度学习中的视频行为识别方法进行综述.通过对国内外最新发表的相关文献进行归纳总结,首先阐述分析了传统行为识别方法以及相应改进点,依照网络架构的不同详细梳理基于深度学习的行为识别方法,继而研究对比常见的识别数据集并且比较各算法在数据集上的表现优劣,最后对本领域的研究进行总结,侧重于存在的问题对未来进行了展望,希望可以对之后研究者予以启迪和帮助.