基于改进证据理论的态势评估方法

证据理论是实现基于规则的态势感知主要方法之一。然而,证据理论在多源多证据合成时存在悖论问题。针对此问题,通过相异度计算对证据重要性度量与修正,提出了一种基于改进证据理论的态势评估方法,该方法包括规则度量、证据修正、规则融合和态势决策等四个阶段。实验表明,该方法能够避免利用证据理论进行态势融合中的悖论问题,在态势评估效率和准确性等方面优于Dempster、Yager和Leung等典型方法。     

基于D-S证据理论的层次化网络安全威胁态势评估方法

基于IDS(intrusion detection system)海量报警信息和网络系统的组织结构,提出了采用自下而上、先局部后整体评估策略的层次化安全威胁态势评估模型.该方法采用D-S证据推理理论,推理服务、主机和整个网络系统的威胁级别,进而评估分析安全威胁态势.实验结果证明该方法能够定性地评估服务、主机和网络系统3个层次的安全态势,给系统管理员提供直观的安全态势分析结果.     

基于预处理模式的D-S证据理论改进方法

D-S证据理论是决策融合的主要方法之一,但典型的D-S理论不大适应高冲突证据组合.本文提出一种基于预处理模式的方法,在利用Dempster组合规则进行证据组合之前,将冲突焦元的基本概率赋值部分转移到焦元并集,采用证据之间的冲突额度来确定证据组合顺序.由于该方法将冲突化解为不确定的知识表示,可以处理冲突证据的组合问题.     

基于D-S证据理论的网络安全态势预测方法研究

为了获取网络在未来一段时间内的安全态势状况,提出了一种基于D-S证据理论的网络安全态势预测方法.构建了基于D-S证据理论的网络安全态势预测模型,用于融合历史和当前网络安全态势对未来网络安全态势的影响,降低其中的不确定性,获得下一时刻网络处于各类安全状态的概率,避免对网络安全态势的绝对预测.通过实验验证了该方法的有效性和准确性,为网络安全态势预测提供了一种新思路.     

基于D-S证据理论的脆弱性态势数据融合方法研究

将基于D-S证据理论的融合算法应用在态势感知领域的脆弱性态势数据处理中,对网络扫描和主机扫描等多种手段得到的脆弱性数据进行融合与分析。通过对脆弱性数据进行规格化,构造概率分配及融合处理,有效利用多源数据的冗余性、互补性,实现了对多个扫描结果的综合。结果表明此方法得到的结果更加全面可靠。     

网络安全态势感知中D-S证据理论冲突证据的修正研究

D-S证据理论是不确定推理的一种重要方法,在许多方面都得到了广泛的应用。针对D-S证据理论在网络安全态势感知的数据融合过程中的应用,就多源数据的证据组合结果与直觉相悖的问题进行深入研究,提出了一种新的解决方案。该方案通过支持度的思想对冲突证据源进行修正以达到解决证据冲突的目的。最后,以网络安全态势感知环境为背景进行数值算例,证明了所提方法的可行性。     

基于Rough-Vague集与证据理论的态势估计方法

针对态势估计中的事件检测需要依靠领域知识,提出一种基于Rough-Vague集与D-S证据理论的态势估计方法。基于Rough集与Vague集进行事件检测,根据目标历史数据建立事件决策表,通过属性约简得到简约的事件决策表,提出一种基于简约决策表获得目标事件Vague集的方法,根据Vague集的相似度建立评价系数来判定事件结果。目标在不同时刻发生的事件就是证据,基于证据合成公式得到最终的目标态势估计结果。实例分析表明该态势估计方法中事件检测不需要任何领域知识,对态势结果的不确定性具有很强的聚焦能力。     

基于证据可信度的D-S理论改进方法

针对当前D-S理论改进方法中可信度计算不够准确的问题,通过引入证据源可靠度,提出一种新的证据可信度计算方法。给出基于新可信度计算方法的三个改进合成公式,能够处理高度冲突的证据,并快速收敛到合理结果。通过算例对可信度计算方法的准确性和改进合成公式的有效性进行了验证。     

基于模糊模式识别和D-S证据理论的安全态势估计

分析了网络安全态势估计问题的本质特征,构造了网络安全态势推理评估的求解模型。采用模糊模式识别和D-S证据理论相结合的不确定性推理方法,能较好地解决多样本识别的不一致问题,有效地对识别结果进行融合,从而得到较高的正确识别率。通过实例说明了方法的有效性。     

基于证据理论优化的态势预测模型

针对态势预测的多模型组合问题,提出了一种基于证据理论优化的态势组合预测模型。该模型首先对预测子模型进行训练,获得预测子模型的性能评价与指标权重分配;基于证据理论对多指标的权重分配结果进行融合,提高权重分配的精度;在预测完成后,基于指标可信度和证据理论对指标权重进行调整,优化多指标的评价能力。Matlab实验仿真结果表明,该模型能够依据态势曲线的变化动态优化组合权重,其预测精度优于典型预测模型。     

基于Pignistic相似度与改进DS证据理论的综合评估方法

针对标准的Dempster-Shafer（DS）证据理论在证据冲突情况下决策准确率低与评估稳定性差的问题,提出一种基于Pignistic相似度与改进DS证据理论的综合评估方法。由Pignistic概率转换求得各类证据的相似度,计算对应的支持度与自适应权重,引入不确定命题推导出改进的证据合成规则。结合某航道实际通航状况进行算例分析,验证该方法的有效性与可靠性。分析结果表明,所提出的方法能正确处理不确定性条件下证据之间的冲突并能给出稳定决策结果。     

基于D-S证据理论的网络安全风险评估模型

针对网络信息系统的安全风险评估问题,提出了基于D－S证据理论的风险评估模型。证据理论是一种处理不确定性的推理方法。首先用“折扣率”对Dempster合成法则进行了改进,然后使用改进后的Dempser合成法则对网络中存在的各种风险因素进行合成,减少了风险因素中的不确定性,并以实例验证了该模型在网络安全风险评估中的应用,仿真结果证明了该算法的正确性。最后,通过与模糊综合评判法进行比较验证了证据理论具有更高的准确性。     

基于证据推理的云计算服务适应性评估

针对云计算服务模式尽管对中小型企业吸引力巨大,但由于受到安全、技术、管理等方面的限制并不是都能适用,企业需要根据自身实际需要作出判断的问题,提出了一个云计算服务适应性评估指标体系。该体系从安全与风险、数据、服务、资源、经济五个维度来分析云计算服务的适应性问题,并利用证据推理方法对实际问题进行建模分析,验证了评估指标体系的有效性与合理性。     

基于证据向量差异度改进的冲突证据融合方法

针对传统Dempster-Shafer证据理论合成高冲突证据时会出现融合结果不合理的问题,提出了一种新的冲突证据加权方法和融合规则。该方法引入证据向量差异度概念对证据冲突系数进行修正,并应用修正后的冲突系数计算证据集互信度矩阵和证据权重,最后对加权修正后的证据进行融合。数值算例表明,该方法可以合理有效地解决冲突证据融合的问题,相比于其他改进方法,具有更快的收敛速度和更强的鲁棒性。     

一种改进的D-S证据理论合成方法

针对D-S证据理论计算量大和不能有效合成高度冲突证据的不足,提出一种基于加权和矩阵运算的证据组合方法。该方法通过引入权重系数区分不同证据在数据融合中的重要程度,因此能有效合成高度冲突的证据。同时,在证据合成过程中通过引入矩阵运算,有效地降低了算法的计算量。仿真结果表明,与传统的基于D-S证据理论的多传感器数据融合方法相比,改进方法不但能提高证据合成的可靠性和准确性,而且具有较小的计算量。     

多特征证据理论融合的视觉词典构建

现有的视觉词典构建方法一般是将多个特征构成整个向量并通过聚类形成视觉词典,这种方法在视觉聚类的过程中只考虑了特征的整体相似性而忽略了不同特征对构建视觉词典的影响。提出了一种基于Dempster-Shafer（D-S）证据理论的多特征融合的视觉词典构建方法。该方法应用证据理论融合不同特征的视觉相似性,构造出更加精确的视觉词典。在证据理论的基础上,使用两种特征实现了对视觉词典的再分,使得相似的特征更好地集中在一类中。与传统视觉词典构建方法相比,本文方法获得了更好的结果。应用以上视觉词典构造方法并将之应用于分类实验,在支持向量机与朴素贝叶斯分类器上取得的分类实验结果表明,应用本文方法构建的视觉词典能有效提高视觉词典的精确度,分类效果得到了很大的提高。     

基于粗糙集的证据合成方法研究

证据理论是处理不确定问题的重要方法,其处理的证据来源于专家,而专家的知识经验是有限的,且存在一定的主观性。在证据合成中,Dempster合成规则为证据理论提供了证据合成公式,但该公式在合成高度冲突的证据时,合成结果将有悖于常理。针对上述问题,将粗糙集理论中属性依赖度的思想引入到证据理论中,以此衡量证据的重要性,更合理地解决冲突证据合成问题。研究表明,该方法避免了传统证据理论的主观因素影响,能有效提高融合结果的准确性,得到符合实际的结论。     

基于相异度矩阵的冲突证据合成算法

为解决经典证据理论在证据冲突程度高的环境下合成容易导致Zadeh悖论的问题,提出一种解决冲突证据合成问题的算法。通过计算证据间的欧几里德距离构造相异度矩阵,计算证据的相异支持度、可信度和修正率,对证据进行修正后利用合成算法进行合成。实验结果表明,该算法可以很好地解决Zadeh悖论,合成结果优于现有一些典型方法。