基于自适应学习的Rootkit检测模型

针对目前基于异常行为的Rootkit检测方法依赖于行为的选取和行为模式库的完备性,提出了一种基于自适应学习的Rootkit检测系统模型。该模型对通过模糊行为识别检测出的Rootkit的行为进行分析,利用学习机制提取新的行为特征,不断完善行为模式库,并动态计算各行为特征对Rootkit的支持度自适应地更新各行为特征的检测权重,实现对未知Rootkit的检测。实验结果表明,该模型能较好地检测Rootkit,且不会明显影响系统性能。     

基于深度学习的图异常检测技术综述

图异常检测旨在大图或海量图数据库中寻找"陌生"或"不寻常"模式,具有广泛的应用场景.深度学习可以从数据中学习隐含的规律,在提取数据中潜在复杂模式方面表现出优越的性能.近年来随着基于深度神经网络的图表示学习取得显著进展,如何利用深度学习方法进行图异常检测引起了学术界和产业界的广泛关注.尽管最近一系列研究从图的角度对异常检测技术进行了调研,但是缺少对深度学习技术下的图异常检测技术的关注.首先给出了静态图和动态图上各类常见的异常定义,然后调研了基于深度神经网络的图表示学习方法,接着从静态图和动态图的角度出发,梳理了基于深度学习的图异常检测的研究现状,并总结了图异常检测的应用场景和相关数据集,最后讨论了图异常检测技术目前面临的挑战和未来的研究方向.     

一种新颖的异常检测自适应模型

针对目前异常入侵检测系统误报率过高、自适应能力不强等问题,提出知识库的完备度、自相似度等概念,构造一种新颖的异常入侵检测自适应模型.使入侵检测系统能够根据自身的学习情况自动调节异常和正常的判断准则,从而增强系统的自适应能力,有效降低系统的误报率,提高入侵检测的准确度.     

一种实数编码的免疫学习算法

针对异常检测问题，提出了一种基于实数编码的免疫学习算法，就算法收敛的条件、是否收敛等重要问题进行了研究；给出了算法中重要参数的取值范围。实验结果表明，提出的算法能实现对抗体分布状况的动态优化和对数据模式进行聚类，获得了较高的异常检测准确率。     

改进贝叶斯分类算法在入侵检测中的研究

把朴素贝叶斯分类算法引入到入侵检测中，可以简单方便地区别出入侵事件。但是由于该算法在学习中存在一定的不足和缺陷，主要是属性值之间要求相互条件独立和训练集数据不完备这两个缺陷，导致了它的检测效果并不是很理想。文中针对该算法这两个最主要的缺陷，提出增量学习概念，引入损失幅度参数，改进和完善朴素贝叶斯分类算法。并对改进后的新学习策略进行了分析和研究，给出了其基本实现思想和算法描述，并指出它实现的可能性。     

一种使用深度联合学习的ICS自适应异常检测方法

为了提高工业控制系统异常检测方法的准确性、及时性以及可部署性,本文提出了一种使用深度联合学习的ICS自适应异常检测方法FL-AETFT。具体来说,首先提出了一种基于自编码器-Transformer-付立叶变换算法的轻量级局部学习模型AETFT,以提高学习速度,合理利用硬件资源,保证了部署在分布式边缘设备中的可行性。其次提出了一种只基于正常数据的无监督学习模型,并结合核分位数估计对检测机制进行自适应动态调整。与现有方法相比,它能够准确捕捉ICS中可能随时间变化的新型异常数据范式,对ICS中的异常时序数据进行正确检测。最后将上述方法整合到联合学习框架下,使其能有效地在边缘段攻击源附近进行分布式异常检测,以最大化减少系统对异常攻击的响应时间。分布式边缘计算有助于在不影响整个系统共同运行的情况下最大化阻断受影响区域,从而提高生产效率。此外,联合学习框架允许边缘节点之间共享模型信息,进而优化全局异常检测性能。在实际应用中,这解决了每个边缘节点缺乏训练数据的问题,在多变量且高维数据的情况下尤甚。     

基于危险模式的IDS异常检测模型*

针对当前入侵检测技术在检测新入侵的不足,分析了危险模式理论应用于异常检测的可行性,提出了一个新型的基于危险模式的自适应IDS异常检测系统模型以及相关算法.该系统有效地降低了误报率和漏报率,具有自适应、自学习、自组织和分布性特点.     

模式特征对带有通配符和长度约束的模式匹配问题的影响

带有通配符的模式匹配问题(PMWL)模式定义的灵活性给用户提供方便,却也造成求解上的困难。目前没有任何多项式算法能得到该问题的完备解,同时也缺少足够的完备性分析。文中认为模式特征是影响PMWL完备性的关键因素,并提出模式重复度的概念,记为rep。证明在rep=0的限定条件下PMWL的完备性,同时分析rep>0时PMWL不完备的原因。实验以近似比为指标,说明rep对PMWL完备性的影响。     

基于构造型神经网络的异常模式发现方法

数据流的异常模式检测中,有时受噪声等因素影响发生概念漂移,影响了检测效率。针对此问题,提出一种基于构造型神经网络增量学习的异常模式动态检测方法,以提取滑动窗口内数据的数据概要,修正全局数据概要,更新已有的学习模型。另外,数据流速、流量等因素也影响检测效率,采用粒度分析思想改进检测方法,设置合适的时间滑动窗口,根据数据量自适应选择分析粒度,进而更准确地发现异常模式。无线电通信信号监测数据异常模式检测实验验证了本方法的有效性。     

不完备数据的鲁棒多视角图学习及其聚类应用

现有多视角图学习方法主要建立在数据具有较好完备性的前提假设下,没有充分地考虑由于特征缺失引起的不完备数据的学习问题.针对此问题,提出一种不完备数据的多视角图学习方法.一方面,从局部视角内将数据重建和图学习放入同一框架,通过不完备数据补偿,实现从重建数据中学习视角专属的近邻关系,弥补特征缺失对数据分布的影响.另一方面,为了保持近邻图的二维结构,引入张量分析,从全局角度构造基于多视角的融合图学习约束,捕获缺失数据下视角间图结构的高阶潜在关联性.框架交替的优化数据重建、视角专属图学习和融合张量图结构学习,使其在迭代中相互促进,有效提高模型对不完备多视角数据的学习能力.将所提出的方法应用于两类不完备数据的多视角聚类实验,其结果表明所提出方法在多项性能指标和鲁棒性方面均优于当前主流的多视角聚类方法.     

混合学习模式在Photoshop教学中的应用

本文主要描述基于网络平台下的混合学习模式的特点。并谈谈本人把Photoshop课程教学和混合学习教学模式相结合,面向应用,提高学生的自主学习能力,培养学生的信息素质,以达到较好的教学效果。     

混合学习模式在Photoshop教学中的应用

本文主要描述基于网络平台下的混合学习模式的特点。并谈谈本人把Photoshop课程教学和混合学习教学模式相结合,面向应用,提高学生的自主学习能力,培养学生的信息素质,以达到较好的教学效果。     

网络探究学习模式在远程教学中的探索

介绍了网络探究学习理论,提出一种网络探究学习模式,并以＂程序设计基础＂课程为例,将这一学习模式应用到现代远程教育的具体教学过程中。教学实践表明,网络探究学习模式对于培养学生的自主学习能力有较好的效果。     

个性化学习路径推荐综述

近年来，伴随着现代信息技术的迅猛发展，以人工智能为代表的新兴技术在教育领域得到了广泛应用，引发了学习理念和方式的深刻变革.在这种大背景下，在线学习超越了时空的限制，为学习者“随时随地”学习提供了更多的可能性，从而得到了蓬勃发展.然而，在线学习中师生时间、空间分离的特征，导致教师无法及时掌握学生的学习状态，一定程度上制约了在线学习中教学质量的提升.面对多元化的学习需求及海量学习资源，如何迅速完成学习目标、降低学习成本、合理分配学习资源等问题成为限制个人和时代发展的重大问题.然而，传统的“一刀切”的教育模式已经不能满足人们获取知识的需求了，需要一个更高效、更科学的个性化教育模式，以帮助学习者以最小的学习成本最大限度地完成学习目标.基于以上背景，如何自动高效识别学习者特征，高效地组织和分配学习资源，为每一位学习者规划个性化路径，成为面向个体的精准化教育资源匹配机制研究中亟待解决的问题.系统地综述并分析了当前个性化学习路径推荐的研究现状，并从多学科领域的角度分析了对于同一问题的不同研究思路，同时也归纳总结了当前研究中最为主流的核心推荐算法.最后，强调当前研究存在的主要不足之处.     

学习型校园网学生自主学习模式研究

以建构主义学习理论和现代教学结构理论为指导,运用计算机网络技术,利用互联网与校园网上信息资源,培养了学生的自主学习能力,分析了自主学习的基本特征与自主学习模式的具体步骤,提供了在先进教学观念指导下的课堂新模式,推进了教学改革与素质教育。     

Personalized mobile English vocabulary learning system based on item response theory and learning memory cycle

Since learning English is very popular in non-English speaking countries, developing modern assisted-learning tools that support effective English learning is a critical issue in the English-language education field. Learning English involves memorization and practice of a large number of vocabulary words and numerous grammatical structures. Vocabulary learning is a principal issue for English learning because vocabulary comprises the basic building blocks of English sentences. Therefore, many studies have attempted to improve the efficiency and performance when learning English vocabulary. With the accelerated growth in wireless and mobile technologies, mobile learning using mobile devices such as PDAs, tablet PCs, and cell phones has gradually become considered effective because it inherits all the advantages of e-learning and overcomes limitations of learning time and space that limit web-based learning systems. Therefore, this study presents a personalized mobile English vocabulary learning system based on Item Response Theory and learning memory cycle, which recommends appropriate English vocabulary for learning according to individual learner vocabulary ability and memory cycle. The proposed system has been successfully implemented on personal digital assistant (PDA) for personalized English vocabulary learning. The experimental results indicated that the proposed system could obviously promote the learning performances and interests of learners due to effective and flexible learning mode for English vocabulary learning.     

基于Windows Mobile平台的移动学习系统的设计与实现

近年来移动技术的高速发展以及移动终端设备的迅速普及,使得将现有学习系统扩展到移动端成为可能。这种新型学习模式称为移动学习,其旨在使学习者不受时间和空间的限制,能够在任何时间、任何地点自主地进行学习。文章介绍了一个基于Windows Mobile平台的移动学习系统,其使用web Service技术实现移动客户端和服务器的通信。针对移动终端设备资源受限的特点．对系统进行了合理的分层设计,并进一步分析了数据处理、界面展现及课件浏览等方面的相关技术。     

基于Windows Mobile平台的移动学习系统的设计与实现

近年来移动技术的高速发展以及移动终端设备的迅速普及,使得将现有学习系统扩展到移动端成为可能。这种新型学习模式称为移动学习,其旨在使学习者不受时间和空间的限制,能够在任何时间、任何地点自主地进行学习。文章介绍了一个基于Win-dows Mobile平台的移动学习系统,其使用WebService技术实现移动客户端和服务器的通信。针对移动终端设备资源受限的特点,对系统进行了合理的分层设计,并进一步分析了数据处理、界面展现及课件浏览等方面的相关技术。     

迁移学习在医学图像分类中的研究进展

医学影像作为医疗数据的主要载体,在疾病预防、诊断和治疗中发挥着重要作用。医学图像分类是医学影像分析的重要组成部分。如何提高医学图像分类效率是一个持续的研究问题。随着计算机技术进步,医学图像分类方法已经从传统方法转到深度学习,再到目前热门的迁移学习。虽然迁移学习在医学图像分类中得到较广泛应用,但存在不少问题,本文对该领域的迁移学习应用情况进行综述,从中总结经验和发现问题,为未来研究提供线索。1）对基于迁移学习的医学图像分类研究的重要文献进行梳理、分析和总结,概括出3种迁移学习策略,即迁移模型的结构调整策略、参数调整策略和从迁移模型中提取特征的策略;2）从各文献研究设计的迁移学习过程中提炼共性,总结为5种迁移学习模式,即深度卷积神经网络（deep convolution neural network,DCNN）模式、混合模式、特征组合分类模式、多分类器融合模式和二次迁移模式。阐述了迁移学习策略和迁移学习模式之间的关系。这些迁移学习策略和模式有助于从更高的抽象层次展现迁移学习应用于医学图像分类领域的情况;3）阐述这些迁移学习策略和模式在医学图像分类中的具体应用,分析这些策略及模式的优点、局限性及适用场景;4）给出迁移学习在医学图像分类应用中存在的问题并展望未来研究方向。     

慕课背景下的螺旋式研究性学习模式探索

为了探索慕课环境下研究性学习的要素与形态,分析了慕课背景下研究性学习的系统构成及内在关系。通过对慕课背景下研究性学习与传统研究性学习的对比,分析了新环境下研究性学习的特点。构建了由五个环节组成的螺旋式研究性学习模式,即:准备阶段、分析阶段、应用阶段、总结阶段、评价阶段,并用实例予以验证。