基于云模型的识别技术

以机体免疫思想的人工免疫系统作为一种动态自适应的方法，可以更好地解决传统的网络防御方法的被动、静态等缺点。引入云模型的概念，提出了人工免疫系统中云识别的理论，即根据环境的需要用多个识别器对不确定性抗原进行联合云识别，以达到降低伪肯定率和伪否定率的目的。     

人工免疫系统中的云决策*

分析了在人工免疫系统中识别器识别抗原的过程中,由于抗原的属性具有不确定性并且抗原空间异常庞大,传统的单一识别模式带来的高伪肯定率和伪否定率的问题。引入了云模型的理论来应对此类问题,用多个识别器联合对抗原进行云决策,达到降低识别的伪肯定率和伪否定率的目的。     

Self集的动态更新方法

分析了人工免疫系统中识别器的产生成熟以及对抗原的识别过程,认为通过不断对self集合定义进行修正可以提高系统识别能力和降低伪肯定率。提出了一套动态更新self集合的机制,使得系统能够在不中断运行的情况下对self的更新做出响应。     

基于自然计算的模式识别在微信息识别中的应用

随着微信息应用的发展,产生了对微信息分类识别的强烈需求。在自然算法中选择人工免疫系统算法,应用于微信息识别领域。针对微信息系统本身的一些特点,提出了适应这些特点的人工免疫算法。实验结果表明,基于人工免疫的微信息识别方法具有较低的错误否定率和错误肯定率。     

基于人工免疫系统的数字模式识别

将免疫机制和算法引入到数字识别问题,然后将数字识别问题的有关描述与免疫系统的相关概念及系统所用到的免疫原理对应起来,设计了用于数字识别的人工免疫系统模型。该模型具有学习、记忆、自适应和多样性等特性。算法仿真试验结果表明此方法具有识别率高、识别速度快的优点,具有广阔的应用前景。     

人工免疫系统在手写体数字识别中的应用

基于生物免疫系统内在的模式识别与记忆能力,通过对手写体数字识别问题的研究,首次将借鉴生物免疫系统发展起来的人工免疫机制和算法引入到该问题中来,定义了相关免疫机制的数学表达,设计了具有学习、记忆、自适应和多样性等特性的人工免疫系统模型,并给出了相应的算法.通过对自采集的手写体数字样本库进行的仿真试验,结果表明用于手写体数字识别的人工免疫系统模型是可靠的,其对应算法可操作性强,只要相关参数选择得当,系统能够得到较好的识别效果,从而体现了人工免疫系统在模式识别领域的优越性和技术潜力.最后对下一步的研究工作进行了展望.     

人工免疫系统超变异模式识别及应用

描述了人工免疫系统(Artificial Immune System,AIS)原理,在人工免疫系统算法的基础上,对免疫系统的超变异特性进行了算法设计,并针对四种简单信号模式对人工免疫系统普通模式识别算法和超变异模式识别算法进行了比较.结果表明:人工免疫系统普通模式识别算法和超变异算法皆可对四种信号模式进行识别,超变异算法可以快速得到最优抗体,且亲和力优于普通人工免疫系统模式识别算法,并给出了人工免疫系统超变异模式识别算法在碳纤维增强复合材料板疏松缺陷超声信号检测中的应用.     

标签差网络在噪声标签数据集中的应用

噪声标签在实际数据集中普遍存在,这将严重影响深度神经网络的学习效果。针对此问题,提出了一种基于标签差学习的噪声标签数据识别与数据再标记方法。该方法设计两种不同的伪标签生成策略,利用基础网络所识别的干净数据生成人工噪声数据集,并计算该数据集的标签差向量或标签差矩阵;以强化相似类别间的关联性为目标,利用全连接层与单行卷积核,设计标签差向量网络与标签差矩阵网络等两种噪声学习网络直接学习样本数据的噪声概率;设计与噪声率线性相关的阈值,对干净数据与噪声数据进行判断。通过设计实验,对包括伪标签生成策略、网络结构、训练迭代次数等影响网络识别性能的因素进行分析。在公开数据集上的测试表明,在多种噪声分布情况中,该算法在保持干净数据的准确率与召回率基本稳定的前提下,能显著提高噪声数据的准确率与召回率,提高幅度最大为16.45%及21.01%。     

基于伪点云特征增强的多模态三维目标检测方法

环境感知是自动驾驶汽车落地的关键技术之一,它对于提高自动驾驶汽车的安全性和可靠性至关重要.三维目标检测是其中的一项核心任务,旨在识别和定位三维空间中的物体,为后续决策提供重要的信息.点云和图像是该任务最常用的输入数据,点云由三维空间中不规则分布的点组成,而图像则是由二维空间上规则分布的像素组成.因此,点云和图像之间难以进行有效的融合.而伪点云作为一种点云表征的图像信息,近几年受到了该领域学者的广泛关注.现阶段基于伪点云的三维目标检测方法还存在伪点云特征提取粗糙和相应感兴趣区域(Region-of-Intersts, Ro I)特征表征能力差的问题.本文针对上述问题开展研究,分别提出细粒度注意力卷积和多尺度分组稀疏卷积.细粒度注意力卷积将规则图像处理中常用的深度可分离卷积引入不规则点云的处理流程,并在此基础上嵌入通道和分组注意力机制,进行精细的特征提取,增强伪点云特征;多尺度分组稀疏卷积将格网池化后的Ro I特征分组,进行差异化特征学习,获取不同尺度的Ro I特征,增强伪点云Ro I格网特征的表征能力.基于此,本文在SFD(Sparse Fuse Dense)网络的伪点云特征提取流程中引...     

基于视觉感知与V-detector的水质异常检测方法

为了快速准确地对水质进行评价分析,提出了一种新的水质异常检测方法.该方法将视觉感知技术与人工免疫系统中的否定选择原理相结合.首先采用视觉驱动的生物监测技术对水质指标进行采集,然后利用基于否定选择原理的可变V-detector算法对水质指标进行评价分析.由于视觉感知技术具有敏感性、综合性以及人工免疫系统具有自组织、自学习、自识别等特点,故该方法能够快速准确地对水质进行实时检测评价.实验结果表明该方法是一种实用的水质检测评价方法.     

基于云模型的入侵检测研究

由于网络行为的不确定性,使现有入侵检测系统几乎都存在高误报率和高漏报率的缺点。云模型是将模糊性和随机性有机结合进行不确定性推理的有效工具。本文利用云模型来处理网络实体行为的不确定性,提出了一种新的云入侵检测方法。该方法通过基于云知识库的云推理引擎进行不确定性推理,以对网络实体行为进行智能判断。模拟结果表明该方法能有效提高入侵检测效率。     

基于抗体浓度的实时网络风险控制系统的设计与实现

系统采用人工免疫理论,通过对传统入侵检测系统Snort的实时检测结果进行分析,根据抗体浓度随网络入侵强度动态变化的特点,计算出当前网络风险值,反映出当前网络所面临的各类攻击和整体风险状况;Snort依赖规则匹配对数据包进行检测,由于检测过程未考虑当前的网络风险状况,对所有的匹配都发出报警,存在误报率过高的问题,系统针对不同攻击的危险程度设定报警阈值和丢包阈值,降低Snort的误报率;并根据风险值大小,采取通过、报警、丢包阻断等响应措施。实验表明,该系统能够准确计算出主机和网络所面临的实时风险,降低Snort误报率,并能根据风险值大小制定有效的响应措施     

一种改进的DRDoS检测算法

分布式拒绝服务攻击DDoS是互联网环境下最具有破坏力的一种攻击方式。检测并防御这种攻击是解决网络安全领域的重要课题。针对DRDoS的特性,采用了一种改进的DRDoS检测算法——T&A算法。DDoS攻击的预防解决了现有不同特定网络服务技术检测的不足的问题,提出了基于行为异常的方法进行检测的改进方案。通过模拟攻击实验证明,该算法不仅提升了检测率、降低了误报率,而且对资源的占用较少,具有较好预警功能。     

基于集成学习的云平台异常点检测

为提高云平台异常点检测的精度,解决单一检测系统误报率与漏报率高的问题,提出基于集成学习的异常点检测系统。为解决异常检测对象多样性的问题,构造监测序列的特征矩阵,采用自组织映射神经网络对监测序列进行聚类;对监测序列进行过采样,解决异常发生频率很低的问题;对异构的异常点检测器进行基于委员会的学习,集成各检测器的检测优点,提高检测的精度。通过带有标注的监测序列对异常点检测系统进行验证,结果表明,该系统效果优于单一检测系统,验证了设计的有效性。     

边缘计算中改进ELM的高效入侵检测算法

边缘计算将云计算扩展到网络边缘,在解决了云计算时延高、移动性差和位置感知弱等缺陷的同时也带来了诸多安全问题;针对边缘计算网络开放性、异构型和节点资源受限等特点,研究设计具有6层结构的通用边缘计算入侵检测系统,并在此模型架构上提出了一个边缘计算入侵检测方案,基于该方案提出了一种适用于边缘计算部署的改进极限学习机的入侵检测算法TSS-ELM,TSS-ELM增加了云服务器训练样本筛选环节来优化机器学习中的外权,从而对边缘节点数据实现高效的入侵检测;仿真实验结果和分析表明,该算法在准确性、时间依赖性、鲁棒性和误报率方面与其他现有算法相比具有更优异的性能.     

A novel intrusion detection framework for wireless sensor networks

Vehicle cloud is a new idea that uses the benefits of wireless sensor networks (WSNs) and the concept of cloud computing to provide better services to the community. It is important to secure a sensor network to achieve better performance of the vehicle cloud. Wireless sensor networks are a soft target for intruders or adversaries to launch lethal attacks in its present configuration. In this paper, a novel intrusion detection framework is proposed for securing wireless sensor networks from routing attacks. The proposed system works in a distributed environment to detect intrusions by collaborating with the neighboring nodes. It works in two modes: online prevention allows safeguarding from those abnormal nodes that are already declared as malicious while offline detection finds those nodes that are being compromised by an adversary during the next epoch of time. Simulation results show that the proposed specification-based detection scheme performs extremely well and achieves high intrusion detection rate and low false positive rate.     

入侵检测中基于残余抗原理论的动态记忆算法

依据生物免疫的防御层次结构,分析了网络入侵的多层防御体系.引入生物学中残余抗原理论,结合入侵检测过程中存在的残余抗原,提出了一种新的基于残余抗原理论的动态记忆算法.在此基础上,分析了算法的设计思想,给出了算法的具体实现过程.实验数据表明:该算法实现了识别器记忆的动态性和持久性,并且能够提高系统资源的利用率.     

A queuing theory model for cloud computing

The ability to deliver guaranteed QoS (Quality of Service) is crucial for the commercial success of cloud platforms. This paper presents a model based on queuing theory to study computer service QoS in cloud computing. Cloud platforms are modeled with an open Jackson network that can be used to determine and measure the QoS guarantees the cloud can offer regarding the response time. The analysis can be performed according to different parameters, such as the arrival rate of customer services and the number and service rate of processing servers, among others. Detailed results for the model are presented. When scaling the system and depending on the types of bottleneck in the system, we show how our model can provide us with the best option to guarantee QoS. The results obtained confirm the usefulness of the model presented for designing real cloud computing systems.     

增量挖掘实时报警关联研究

入侵检测技术通过实时获取网络攻击报警信息,对网络安全实施检测、分析和动态防御,有效弥补了防火墙的不足。通过有效处理网络报警信息提高入侵检测的检测率、精确度是当前入侵检测技术研究的重要课题之一。提出了一种实时的增量挖掘入侵检测报警关联方法。该方法使报警事件的聚合操作和报警关联分析控制在小规模数据范围内进行,有效克服了一些数据挖掘算法应用到入侵检测过程中存在的多遍扫描、误报率高和报警信息关联度低问题。实验结果表明,该方法不但可以处理大容量实时网络报警信息,而且在报警信息关联分析和报警事件约减都体现了良好的性能。