恶意软件鉴别技术及其应用

随着互联网技术的发展和安全形势的变化,恶意软件的数量呈指数级增长,恶意软件的变种更是层出不穷,传统的鉴别方法已经不能及时有效的处理这种海量数据,这使得以客户端为战场的传统查杀与防御模式不能适应新的安全需求,各大安全厂商开始构建各自的"云安全"计划。在这种大背景下,研究恶意软件检测关键技术是非常必要的。针对恶意软件数量大、变化快、维度高与干扰多的问题,我们研究云计算环境下的软件行为鉴别技术,探讨海量软件样本数据挖掘新方法、事件序列簇类模式挖掘新模型和算法及在恶意软件鉴别中的应用,并构建面向云安全的恶意软件智能鉴别系统原型以及中文钓鱼网站检测系统架构。     

生活

耳机音量最好在40～60分贝耳机,这个看似不起眼的小设备,在日常生活中占据越来越重要的地位。因为长期使用耳机导致听力下降的事件也时有发生。医生建议,使用耳机最好能控制在40～60分贝,以感觉舒适悦耳为宜,成人每天用耳机不超过3～4小时,不要长时间连续收听,最好每半小时就让耳朵休息一下。     

鼠标配合 一个数字变戏法

通过鼠标的配合,在Excel表格中,一个简单的数字可以迅速演化出丰富多彩的成批规律化的数据。在Excel表格中填入一系列有规律的数字,比如我们常见到的各种序号(1、2、3、……)、工厂车间中机器零件尺寸或工程参数中按一定级差变化的数字序列(5cm、10cm、15cm……3、5、7、9……)。输入这些数值最笨的办法是手工输入,不懂Excel的人常这样干的;高级一点的办法是先输入两个相邻的数字,再选定这两个已知数据,然后根据这两个数字结合填充柄来自动填写序列。但这两种办法都有其局限性,不够灵活。实际上,还有更灵活的办法,只需一个起始数字,然后用鼠标右键或     

改进的蠕虫特征自动提取模型及算法设计

文章提出了一种基于序列比对的蠕虫特征自动提取模型,该模型针对现有蠕虫特征自动提取系统的可疑蠕虫样本流量单来源和粗预处理等问题,提出了对网络边界可疑流量和蜜罐捕获网络流量统一的聚类预处理,并使用改进的T-Coffee多序列比对算法进行蠕虫特征提取。实验分别对Apache-Knacker和TSIG这两种蠕虫病毒进行特征提取,从实验结果可以看出文章提出的模型产生的特征质量优于比较流行的Polygraph、Hamsa两种技术。     

医用药剂中可见异物自动化检测研究

针对国内人工药品检测的低效率、低准确率的不足,文章介绍了一套根据国家行业标准设计的基于智能机器视觉的可见异物自动化检测系统。该系统主要包括机械传动模块、电气控制模块、图像识别与处理模块。根据异物运动连续性和噪声运动无序性等特点,提出了改进的三次差分和能量累积算法来提取运动杂质,然后采用基于基于SIFT特征匹配和最邻近匹配的目标跟踪算法对杂质进行跟踪,获取杂质的大小和数目并分析出杂质总类,最后检测出杂质情况。最后把检测结果与国家标准进行比对,判断出该药剂是否合格。测试表明,系统的检测准确率达90%以上,满足企业要求,基本能替代人工检测。     

最长公共子序列算法在填空题评分程序中的应用

讨论最长公共子序列算法在填空题评分中的应用,并具体设计一种基于网络环境下,考试系统中的填空题题型的通用答案识别逻辑,在独立学院网络考试系统中操作可行。     

基于虚拟锚节点的序列定位算法研究

为解决无线传感器网络中现有序列定位算法存在的定位精度差、复杂度较高等问题,本文提出一种基于虚拟锚节点的序列定位算法。该算法根据未知节点与已有锚节点、虚拟锚节点(锚节点间连线的中点)间的RSSI值建立定位序列来获取未知节点的位置。仿真结果表明,基于虚拟锚节点的序列定位算法比原有算法在定位精度上有较大提高,且降低了算法的硬件代价和时间代价。     

摘掉眼镜看3D—华硕玩家国度笔记本拉开裸视3D大幕

近两年席卷国际影坛的3D热潮,促使越来越多的普通消费者开始对家用3D数码装备产生兴趣。曾在2009年推出全球首款3D笔记本电脑的华硕"玩家国度"G系列,近日再度融入最新裸眼3D技术,引领广大玩家及影音爱好者和家人同享摘掉眼镜看3D的零束缚快感。     

图像序列的预处理与目标检测技术综述

对图像预处理与运动目标检测中的几个关键技术进行了讨论,概述了其研究现状、存在的问题及研究方法,比较和评价了各种算法,并对运动目标检测的研究前景进行了展望。     

基于时空图卷积网络的多变量时间序列预测方法

为了扩大时空图卷积网络的预测范围,将它应用在关联关系未知场景下的多变量时间序列预测问题,提出一种附加图学习层的时空图卷积网络预测方法（GLB-STGCN）。图学习层借助余弦相似度从时间序列中学习图邻接矩阵,通过图卷积网络捕捉多变量之间的相互影响,最后通过多核时间卷积网络捕捉时间序列的周期性特征,实现对多变量的精准预测。为验证GLB-STGCN的有效性,使用天文、电力、交通和经济四个领域的公共数据集和一个工业场景生产数据集进行预测实验,结果表明GLB-STGCN优于对比方法,在天文数据集上的表现尤为出色,预测误差分别降低了6.02%、8.01%、6.72%和5.31%。实验结果证明GLB-STGCN适用范围更广,预测效果更好,尤其适合自然周期明显的时间序列预测问题。