基于行为分析的主动防御技术研究

随着互联网的普及,网络安全问题越来越成为大家关注的焦点,传统的被动防御已经无法应对当前自动化、大规模的网络攻击。从程序行为上入手已经成为了必然趋势。介绍了行为分析技术的概念,以及网络安全从行为上分析的必要性,并分析了基于行为分析的主动防御技术工作原理,最后对其发展趋势做出了展望。     

基于危险免疫理论的物联网网络层检测器动态自适应算法研究

针对物联网网络安全,应用免疫危险理论原理,研究动态自适应算法,提出一种基于免疫危险理论的新型动态自适应算法。该算法能够动态调整机体内各个区域细胞器的数量,构建全方位的物联网网络层动态防御体系。算法分析表明该算法能够识别物联网网络层的危险信号,并对危险区域的范围大小、危险程度和危险频率进行计算,根据危险程度做出及时地响应,有效地保证物联网网络层的安全。     

基于Linux的网络监控技术的实现

阐述了Linux环境下网络监控技术的基本原理和Libpeap的体系结构，依据Libpeap使用的包过滤技术，给出了实现网络监控的基本步骤和方法，在此基础上利用Libpcap库提供的API函数实现了网络监控程序。     

无线传感器网络MAC协议研究与分析

传感器节点有着诸多的资源限制,能量有效性和可扩展性成为无线传感器网络MAC协议设计最重要的性能指标,目前MAC协议研究主要集中在基于CSMA和基于TDMA的信道管理分配.文章阐述了二者各自的特点,详细分析了基于竞争的SMAC、基于时分复用的LMAC以及混合型的Z-MAC等MAC协议的设计方案和不足之处,总结了针对MAC协议可能遭受到的攻击以及相应的抵御方案,最后探讨了今后的发展趋势.     

SM8260 Cache应用验证的性能测试分析

根据CPU芯片应用验证的方法,给出写通模式下SM8260 Cache应用验证的流程及其硬件平台设计。分析L1 Cache, L2 Cache的初始化过程,对写通模式下的SM8260 L1 Cache, L2 Cache进行基准测试和大数组操作测试。测试结果表明,在大数组情况下,使用L2 Cache在一定程度上可提高嵌入式通信系统的性能。     

基于弹性网的深度去噪自编码器异常检测方法

针对传统异常检测方法在处理多元和高维数据时检测性能较差的问题,提出一种融合弹性网和深度去噪自编码器的网络异常检测方法。构建一种基于弹性网的深度去噪自编码器,利用部分正常数据对网络进行训练获得重构误差阈值,以自编码器和重构误差值检测异常行为。采用NSL-KDD数据集的实验结果表明,与AE、K-NN和SVM方法相比,该方法在保证较好的分类准确率和检测率的同时,召回率和F1值明显提高,误报率明显降低,对不同攻击类数据被分类为异常的准确率也优于其它方法。     

IP报文总长字段统计属性研究

由于网络技术的迅速发展及吉比特以太网的出现,对流量进行全分组测量越来越困难,采用抽样方法并以抽样样本来估计网络流量的总体特性已成为研究重点.一般情况下,总体服从什么分布是未知的,对总体是否服从某个分布作检验,常用的方法是x^2分布检验法.然而,当样本中IP报文长度比较集中时,大量实验结果表明IP报文的总长字段不服从x^2分布,但并不能认为抽样样本的统计分布和总体的统计分布就不相同.本文提出了IP报文总长字段的一种新的检验方法——累计偏差检验法,并在南华大学校园网总出口上进行了抽样实验,结果证明抽样样本的分布和总体的分布相同,同时也证明了这种检验方法是非常有效的.     

结合随机森林的PSO-CNN入侵检测研究

为了提高网络入侵检测的准确率、精确率,降低误报率,提出一种结合随机森林(Random-Forest,RF)的粒子群算法(Particle Swarm Optimization,PSO)优化卷积神经网络(Convolutional Neural Networks,CNN)结构及初始参数算法.该方法结合随机森林理论、PSO的全局寻优特点和CNN提取特征的局部相关性能力.在数据预处理阶段,通过随机森林进行数据特征提取,并作为模型的输入数据.采用粒子群算法优化CNN网络结构,使CNN在非经验指导下自主选择最佳网络结构和初始参数.实验结果表明,该方法在准确率、精确率、误报率方面均优于经典卷积神经网络、粒子群优化反向传播(BP)算法、粒子群优化支持向量机(SVM)算法及目前流行的集成学习方法.     

基于弱实时系统的元搜索引擎合成策略

本文根据弱实时系统理论提出一种新的元搜索引擎结果合成策略,与现有系统相比可以较好把握系统响应时间与准确率的平衡,提高元搜索引擎的搜索速度和性能,并具有进一步深入研究的价值。     

结合随机森林的PSO-CNN入侵检测研究

为了提高网络入侵检测的准确率、精确率,降低误报率,提出一种结合随机森林(Random-Forest,RF)的粒子群算法(Particle Swarm Optimization,PSO)优化卷积神经网络(Convolutional Neural Networks,CNN)结构及初始参数算法.该方法结合随机森林理论、PSO的全局寻优特点和CNN提取特征的局部相关性能力.在数据预处理阶段,通过随机森林进行数据特征提取,并作为模型的输入数据.采用粒子群算法优化CNN网络结构,使CNN在非经验指导下自主选择最佳网络结构和初始参数.实验结果表明,该方法在准确率、精确率、误报率方面均优于经典卷积神经网络、粒子群优化反向传播(BP)算法、粒子群优化支持向量机(SVM)算法及目前流行的集成学习方法.