基于态势熵的网络安全态势评估指标体系研究

针对网络安全态势评估指标体系的不完善和难以选取及构建等问题,以相关标准和规范为基础,从系统安全机制出发,按照既定原则,提出了基于态势熵的网络安全态势评估指标体系的构建方法,并给出了网络可用性方面的态势评估指标值的计算方法.实验表明,态势熵值的变化与所反映的网络安全态势是一致的,说明该指标体系的构建具有一定的科学性,为网...     

态势估计本体的知识表示

本体作为一种有效表现概念层次结构和语义的模型,能够准确地描述态势估计领域的态势要素及其相互关系,便于利用计算机实现知识共享.为在一体化信息作战中实现态势信息的共享,基于本体和态势估计基础理论,探讨了将本体应用到态势估计领域的方法.对态势估计过程进行分析,以具体战场场景为实例,建立了态势估计的本体体系结构和基于UML的本体模型,并运用protégé工具进行本体编辑,实现对态势的OWL本体语言描述.     

基于直觉模糊推理的网络舆情预警方法*

为解决网络舆情预警等级问题,提出了一种基于直觉模糊推理的网络舆情预警方法。借鉴战场态势分析思想,对网络舆情态势分析的原理进行了阐述,选取了适合计算机实现的七个网络舆情态势分析模式对预警等级进行判断。选择七个舆情话题进行实验,实验结果表明,该方法能够准确地估计出威胁等级,符合专家经验判断,说明该方法是可行的。     

以信息融合为基础的网络安全态势评估模型构建分析

网络安全是现代信息技术发展的重要内容,采取安全技术能够保证整个网络工作的稳定性。近些年来,网络不稳定因素增多,网络安全发生的频率呈现上升的趋势,这就要求针对网络运行机制设定保护措施,提升网络安全级别。其中,网络安全态势评估就是采用计算机技术和网络技术进行分析网络安全的变化规律,并且能够预测出供网络管理者决策的网络安全发展趋势。本文结合当前网络安全技术的发展,以信息融合为基础,详细阐述了网络安全态势评估模型的构建过程及方法,从而能够指导网络安全态势评估技术的发展。     

有机硅国内市场发展空间巨大

当前位居世界前5位的有机硅上游单体生产商-道康宁、GE、瓦克、罗地亚和新越公司提供的有机硅单体占世界总产量的80％以上。2004年，国外有机硅单体年产能为240万-250万t，年产量200万t，保持着高速增长态势。     

工信部:今年4G投资将达1600亿元

<正>对于4G今年的发展态势,工信部电信管理局局长韩夏近日在接受采访时表示,预计今年4G基站数增长将超过50万个,年底4G网络将覆盖全国300多个城市,用户也将超过3000万户。韩夏表示,按照企业初步预测,预计4G今年投资将达到1600亿元,带动国内投资经济发展将超过9000亿元。韩夏认为,相比3G,4G对经济的拉动作用会更加明显。"当时3G牌照发放一年之内,带动直接投资约7500亿元,带动消费约500亿元,拉动国民经济增长约1800亿元。"其实今年     

网络安全事件关联分析与态势评测技术研究

随着网络应用的普及,网络涉及的范围越来越广,网络安全是网络应用中的重要课题。文章对网络中发生的安全事件进行分析,介绍了从传导路径的角度和事件关联关系的角度对安全事件进行分析的方法,并建立网络安全事件势态评测模型,从网络环境的角度和事件自身属性的角度诠释网络安全事件态势。     

基于EPS格式条形码的图形识别

由于EPS格式为矢量类文件,无分辨率可言,很难利用数字图像处理技术来识别。针对EPS格式条形码识别过程中存在诸如受黑墨扩展因素造成了条码的条和空的比例不符,无法准确识别出正确的条码等问题,提出了一种基于二进制法解析EPS格式条形码,并对其进行识别,判断条码的准确度,这样可以提前检测出EPS格式条码的错误。对不同放大系数的条形码进行分析,从而避免生成胶片和印刷时的误差和浪费。实验结果证明效果显著。     

一种AHP中群体决策逆判问题的新方法

为了研究AHP中的逆判问题,利用模糊关系对AHP中群体决策的一致性给出了判断方法,即由一致性系数构造模糊关系矩阵,对其一致性进行分类,当分类情况基本一致时,则专家们给出的判断矩阵是公平公正的。通过算例验证了方法的可行性,并对AHP中的逆判问题提出了一种新算法,定义了新的一致性系数,经算例验证与相关文献的结果是一致的。     

基于t-SNE降维预处理的网络流量异常检测

网络流量中大多数流量都是正常的,但经常会出现偏离正常范围的异常流量,主要由DDOS攻击、渗透攻击等恶意的网络行为引起,这些异常行为通常会导致网络质量下降,甚至网络直接瘫痪。因此引入网络安全态势的预测,在仅知道正常网络流量的情况下判断网络中的异常。异常检测是一种网络安全态势的预测方法,用来判断网络中是否有异常。现有的异常检测算法由于无法准确提取网络数据包的低维特征导致算法的性能不佳,因此,需要找到网络数据包的准确的低维特征表示,该低维特征表示能够区分网络数据包是正常的还是有攻击的。为此,本文引入基于t-SNE降维的NLOF异常检测算法。该算法采用t-SNE算法自动预处理网络数据包以获得低维的网络数据包特征,之后将得到的低维的网络数据包特征作为NLOF算法的输入进行异常检测。其中,本文的NLOF算法首先采用k-means算法将网络数据包聚类成为K个簇,并将网络数据包数量小于N个的簇标记为异常簇,之后将未被标记为异常簇的网络数据包作为LOF算法的输入进行异常检测。在ISCX2012数据集上的实验结果表明,基于t-SNE降维的LOF算法达到最优性能时,准确率为98.46%,精确度为98.38%,检测率为98.54%,FAR为0.66%。该算法比基于现有最新算法的准确率、检测率和F1分别高3.18个百分点、0.02个百分点和0.01个百分点。基于t-SNE降维的NLOF算法达到最优性能时,准确率为98.53%,精确度为98.86%,检测率为98.86%,FAR为0.32%。该算法比基于现有最新算法的准确率、检测率和F1分别高3.25个百分点、0.34个百分点和0.41个百分点。这是异常检测中首次采用t-SNE算法自动提取低维的网络数据包特征。此外,LOF算法仅能捕获异常点,而本文的NLOF算法能够同时捕获异常点和异常簇。