基于时间序列分析的分布式拒绝服务攻击检测

该文分析了分布式拒绝服务(DDoS)攻击的特点，提出了一种基于流连接密度(FCD)时间序列分析的DDoS攻击检测方法，该方法通过拟合FCD时间序列的自适应自回归模型，获得能够在多维空间描述当前流量状态的AAR模型参数向量序列，然后使用经过样本训练的支持向量机(SVM)分类器进行攻击识别；充分考虑了报警的时间间隔及分布情况，提出一种报警可信度评估算法对SVM分类结果进行二次处理，以消除网络流量噪声及分类错误所带来的影响．实验结果显示，该检测方法能够有效检测DDoS攻击，可信度评估算法能够明显减少误报，降低误报率，显著提高检测质量．  

Dimensionality Reduction for Fast Similarity Search in Large Time Series Databases

The problem of similarity search in large time series databases has attracted much attention recently. It is a non-trivial problem because of the inherent high dimensionality of the data. The most promising solutions involve first performing dimensionality reduction on the data, and then indexing the reduced data with a spatial access method. Three major dimensionality reduction techniques have been proposed: Singular Value Decomposition (SVD), the Discrete Fourier transform (DFT), and more recently the Discrete Wavelet Transform (DWT). In this work we introduce a new dimensionality reduction technique which we call Piecewise Aggregate Approximation (PAA). We theoretically and empirically compare it to the other techniques and demonstrate its superiority. In addition to being competitive with or faster than the other methods, our approach has numerous other advantages. It is simple to understand and to implement, it allows more flexible distance measures, including weighted Euclidean queries, and the index can be built in linear time. Received 16 May 2000 / Revised 18 December 2000 / Accepted in revised form 2 January 2001  

混沌时间序列分析中的相空间重构技术综述

本文对混沌时间序列分析中的相空间重构技术进行了分析和评价,总结了国内外学者的研究进展,并展望了未来的研究方向。  

基于信息融合的网络安全态势评估模型

安全态势评估是近年来国内外在网络安全领域的研究热点之一.对已有的安全态势评估方法进行了详细分析和比较,针对网络安全中多数据源的特点,提出基于信息融合的网络安全态势评估模型,引入改进的D-S证据理论将多数据源信息进行融合,利用漏洞信息和服务信息,经过态势要素融合和节点态势融合计算网络安全态势,绘制安全态势曲线图,同时对态势计算结果进行时间序列分析,从而实现网络安全趋势的预测.最后利用网络实例数据,对所提出的网络安全态势评估模型和算法进行了验证,结果表明该模型比已有成果更加有效和准确.  

应用混沌理论的电力系统短期负荷预测

应用混沌方法对电力系统历史负荷时间序列进行数理统计处理，并将这种混沌特性应用于知期负荷预测。不直接考虑气候等随机因素，只要根据过去负荷时间序列及计算所得的Ｌｙａｐｕｎｏｖ指数规律，就可得到较高的预测精度。对东北电网实际负荷时间序列进行预测，取得满意的结果。  

Financial Forecasting Using Support Vector Machines

The use of Support Vector Machines (SVMs) is studied in financial forecasting by comparing it with a multi-layer perceptron trained by the Back Propagation (BP) algorithm. SVMs forecast better than BP based on the criteria of Normalised Mean Square Error (NMSE), Mean Absolute Error (MAE), Directional Symmetry (DS), Correct Up (CP) trend and Correct Down (CD) trend. S&P 500 daily price index is used as the data set. Since there is no structured way to choose the free parameters of SVMs, the generalisation error with respect to the free parameters of SVMs is investigated in this experiment. As illustrated in the experiment, they have little impact on the solution. Analysis of the experimental results demonstrates that it is advantageous to apply SVMs to forecast the financial time series.  

加权一阶局域法在电力系统短期负荷预测中的应用

在混沌时间序列的基础上提出加权一阶局域法, 并将其应用于电力系统历史负荷数据序列进行预测. 通过对华东某电网实际负荷数据进行预测, 结果令人满意.  

基于分段时间弯曲距离的时间序列挖掘

在时间序列库中的数据挖掘是个重要的课题，为了在挖掘的过程中比较序列的相似性，大量的研究都采用了欧氏距离度量或者其变形，但是欧氏距离及其变形对序列在时间轴上的偏移非常敏感．因此，采用了更鲁棒的动态时间弯曲距离，允许序列在时间轴上的弯曲，并且提出了一种新的序列分段方法，在此基础上定义了特征点分段时间弯曲距离．与经典时间弯曲距离相比，大大提高了效率，而且保证了近似的准确性．  

时间序列数据挖掘综述*

在综合分析近年来时间序列数据挖掘相关文献的基础上,讨论了时间序列数据挖掘的最新进展,对各种学术观点进行了比较归类,并预测了其发展趋势.内容涵盖了时间序列数据变换、相似性搜索、预测、分类、聚类、分割、可视化等方面,为研究者了解最新的时间序列数据挖掘研究动态、新技术及发展趋势提供了参考.  

基于BP神经网络的非线性网络流量预测

传统的流量分析建立在线性模型的基础上，但是由于复杂的拓扑结构和网络行为，网络流量表现为一个非线性的系统。根据实际网络中测量的大量网络流量数据，建立一个时间相关的基于神经网络的流量模型，预测和分析网络流量状况。相对于传统线性模型该模型具有较高的预测精度、自适应性和鲁棒性。