采用信息增益率的混合入侵检测模型设计

针对现有混合入侵检测模型仅定性选取特征而导致检测精度较低的问题，同时为了充分结合误用检测模型和异常检测模型的优势，提出一种采用信息增益率的混合入侵检测模型.首先，利用信息增益率定量地选择特征子集，最大程度地保留样本信息；其次，采用余弦时变粒子群算法确定支持向量机参数构建误用检测模型，使其更好地平衡粒子在全局和局部的搜索能力，然后，选取灰狼算法确定单类支持向量机参数构建异常检测模型，以此来提高对最优参数的搜索效率和精细程度，综合提高混合入侵检测模型对攻击的检测效果；最后，通过两种数据集进行仿真实验，验证了所提混合入侵检测模型具有较好的检测性能.     

铁山岩体北东部铁铜多金属矿成矿规律及成矿预测

铁山岩体北东部分布有多个中、小型矿床，受矿山开采和工作程度影响，多数矿床周边和空白地段未进行评价。为进一步开展矿区深部及其外围找矿勘查工作,扩大资源储量，通过对以往资料的整理分析，结合近些年矿床（点）的勘查资料，从地层、岩浆岩、控矿因素和物探等方面入手，总结成矿规律，并结合物探成果对矿区外围及空白地段进行预测，提出成矿预测靶区，A级3处，B级2处，C级2处。表明研究区内找矿前景较好,值得进一步开展工作。     

基于改进CGANs的入侵检测方法研究

近年来,机器学习算法在入侵检测系统(IDS)中的应用获得越来越多的关注。然而,传统的机器学习算法更多的依赖于已知样本,因此需要尽可能多的数据样本来对模型进行训练。遗憾地是,随着越来越多未知攻击的出现,且用于训练的攻击样本具有不平衡性,传统的机器学习模型会遇到瓶颈。文章提出一种将改进后的条件生成对抗网络(CGANs)与深度神经网络(DNN)相结合的入侵检测模型(CGANs-DNN),通过解决样本不平衡性问题来提高检测模型对未知攻击类型或只有少数攻击样本类型的检测率。深度神经网络(DNN)具有表征数据潜在特征的能力,而经过改进后的条件CGANs,能够通过学习已知攻击样本潜在数据特征分布,来根据指定类型生成新的攻击样本。此外,与生成对抗网络(GANs)和变分自编码器(VAE)等无监督生成模型相比,CGANsDNN经过改进后加入梯度惩罚项,在训练的稳定性上有了很大地提升。通过NSL-KDD数据集对模型进行评估,与传统算法相比CGANs-DNN不仅在整体准确率、召回率和误报率等方面有更好的性能,而且对未知攻击和只有少数样本的攻击类型具有较高的检测率。     

基于序列模型的无线传感网入侵检测系统

随着物联网(IoT)的快速发展，越来越多的IoT节点设备被部署，但伴随而来的安全问题也不可忽视。IoT的网络层节点设备主要通过无线传感网进行通信，其相较于互联网更开放也更容易受到拒绝服务等网络攻击。针对无线传感网面临的网络层安全问题，提出了一种基于序列模型的网络入侵检测系统，对网络层入侵进行检测和报警，具有较高的识别率以及较低的误报率。另外，针对无线传感网节点设备面临的节点主机设备的安全问题，在考虑节点开销的基础上，提出了一种基于简单序列模型的主机入侵检测系统。实验结果表明，针对无线传感网的网络层以及主机层的两个入侵检测系统的准确率都达到了99%以上，误报率在1%左右，达到了工业需求，这两个系统可以全面有效地保护无线传感网安全。     

Experience-Based Cognition for Driving Behavioral Fingerprint Extraction

Abstract

With the rapid progress of information technologies, cars have been made increasingly intelligent. This allows cars to act as cognitive agents, i.e., to acquire knowledge and understanding of the driving habits and behavioral characteristics of drivers (i.e., driving behavioral fingerprint) through experience. Such knowledge can be then reused to facilitate the interaction between a car and its driver, and to develop better and safer car controls. In this paper, we propose a novel approach to extract the driver’s driving behavioral fingerprints based on our conceptual framework Experience-Oriented Intelligent Things (EOIT). EOIT is a learning system that has the potential to enable Internet of Cognitive Things (IoCT) where knowledge can be extracted from experience, stored, evolved, shared, and reused aiming for cognition and thus intelligent functionality of things. By catching driving data, this approach helps cars to collect the driver’s pedal and steering operations and store them as experience; eventually, it uses obtained experience for the driver’s driving behavioral fingerprint extraction. The initial experimental implementation is presented in the paper to demonstrate our idea, and the test results show that it outperforms the Deep Learning approaches (i.e., deep fully connected neural networks and recurrent neural networks/Long Short-Term Memory networks).     

基于 GA-SVM 算法的通信网络入侵信号自动识别技术

针对当前通信系统入侵行为自动识别技术存在入侵信号样本识别成功率较低、误识别率和漏识别率较高的问题,提出基于 GA-SVM 算法的通信网络入侵信号自动识别技术。利用混沌原理提取通信网络入侵的非平稳信号时域特征,并凭借自回归模型提取对应频域特征,捕捉邻域入侵信号间的非线性时空动作频率,评价相邻行为间的状态关联性,预测入侵信号后续行为,完成入侵信号的识别。实验表明,所提方法识别精度高、误识别率较低,漏识别率非常低,具有可应用于实际的理论价值。     

冲击压实法加固湿陷性黄土路基的应用研究

 主要介绍了加固湿陷性黄土路基的一项新技术——冲击压实法。通过常规土工试验及显微结构试验：扫描电镜、压汞分析，并从宏观至微观，定性定量分析了加固效果，同时探讨了冲击压实法的加固机理，并提出合理的施工工艺参数，为进一步在黄土地区推广该项新技术提供了理论依据和实践经验。     

高庙子膨润土的土水特征曲线

近年来，用于高放废物深地质处置工程屏障的高压密膨润土越来越受到关注。经过全国范围内的比较和筛选，内蒙古兴和县高庙子膨润土矿床被确定为我国高放废物处置库缓冲材料的首选矿床。采用渗析法和水汽平衡法来控制吸力技术，通过上水特征曲线测定试验、环境扫描电镜和乐汞试验，研究高庙子高压密膨润土在不同吸力下的持水特性及其微观结构特征。利用压汞试验结果推算膨润土在恒体积条件下的土水特征曲线，并与实测数据进行比较。研究结果表明：在不同吸力作用下，膨润土的持水特性与其微观结构之间有着密切关系。     

Assessment of contaminant diffusivities in building materials from porosimetry tests

Recent studies have shown that surface and gaseous contaminant interactions may play an important role in indoor air quality. Modeling is an important tool to improve our knowledge about the phenomena involved and define appropriate ventilation strategies. However, data for sorption isotherms and diffusion in building materials remain woefully lacking. This paper deals with the latter point. It aims at investigating a methodology based on an analysis of the material porosity first and then the application of Carniglia's mathematical model to determine the effective diffusivity of gaseous species in building materials. This methodology, whose main principles are presented in the first part of the paper, was applied to seven commonly found materials. Mercury intrusion porosimetry (MIP) tests, and the calculations using Carniglia's model, reveal typical total porosities and tortuosity factors for these materials. The analysis of pore size distributions (PSDs) also draws one's attention to the possible differences in the pore structures that may exist between two samples of the same type of material and the differences in the effective diffusivities of contaminants that may result from them. The computed effective diffusivities were subsequently compared to data from experiments carried out in the frame of the EC project MATHIS. An agreement was obtained, thus validating Carniglia's methodology - a methodology that offers many practical advantages compared to diffusion-cell methods.     

入侵检测中基于SVM的两级特征选择方法

针对入侵检测中的特征优化选择问题,提出基于支持向量机的两级特征选择方法。该方法将基于检测率与误报率比值的特征评测值作为特征筛选的评价指标,先采用过滤模式中的Fisher分和信息增益分别过滤噪声和无关特征,降低特征维数;再基于筛选出来的交叉特征子集,采用封装模式中的序列后向搜索算法,结合支持向量机选取最优特征子集。仿真测试结果表明,采用该方法筛选出来的特征子集具有更好的分类性能,并有效降低了系统的建模时间和测试时间。