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。     

基于被引频次统计的基础科学数据库影响力分析

客观评价科学数据的共享和应用成效已是科学数据资源持续建设和良性发展的重要内容。数据库在学术论文中被引用和标注情况是分析其服务效果和影响力的一个重要参考指标。本文通过独立的第三方机构——同方知网学术文献总库,统计分析基础科学数据库 2009 年 10 月至 2012 年 12 月被学术论文全文引用的情况。同方知网从论文年度、论文类型、作者单位、获得资助分布和所属研究领域等五组指标对引用基础科学数据库的论文进行分析。结果显示,在过去三年多的时间内,基础科学数据库共被引用 968 次,并呈现逐年增长的趋势;文献类型涉及期刊、博硕论文、会议论文和报纸文章等;作者单位即有高等院校和科研机构,也包括政府部门和公司企业。这一结果表明基础科学数据资源已经产生了积极广泛的影响力。