基于集成深度森林的入侵检测方法

基于卷积神经网络(CNN)的入侵检测方法在实际应用中模型训练时间过长、超参数较多、数据需求量大。为降低计算复杂度,提高入侵检测效率,提出一种基于集成深度森林(EDF)的检测方法。在分析CNN的隐藏层结构和集成学习的Bagging集成策略的基础上构造随机森林(RF)层,对每层中RF输入随机选择的特征进行训练,拼接输出的类向量和特征向量并向下层传递迭代,持续训练直至模型收敛。在NSL-KDD数据集上的实验结果表明,与CNN算法相比,EDF算法在保证分类准确率的同时,其收敛速度可提升50%以上,证明了EDF算法的高效性和可行性。     

基于IGWO-RBF的LTE-R切换算法研究

针对高速铁路LTE-R越区切换中,A3事件下的越区切换算法容易出现乒乓效应（PPE）和无线链路连接失败（WLF）的问题,提出了粒子群优化（PSO）灰狼算法改进的RBF神经网络（IGWO-RBF）的越区切换优化算法。该算法采集大量列车以不同速度（0~100 m/s）运行在特定环境中时切换成功率高的切换迟滞门限[(Hys)]和触发延迟时间[(TTT)]参数集,送入改进的RBF神经网络,训练完成后得到不同速度下的[Hys]和[TTT]的拟合曲线。根据列车接收到的参考信号接收质量（RSRQ）,加入自矫正项对[Hys]和[TTT]进行二次优化调整。在matlab上进行仿真实验,结果表明提出的算法减小了掉话率和乒乓切换率,提高了列车在高速环境下的切换成功率及鲁棒性。     

基于RBF神经网络的LTE-R切换算法优化

在LTE-R越区切换中,基于A3事件的越区切换算法在列车高速运行时容易出现乒乓效应和无线链路连接失败的问题。为此,提出基于RBF神经网络的越区切换优化算法。采集列车运行在特定环境中不同速度时切换效果较好的hys和ttt参数,并将其发送到RBF神经网络进行训练,得到不同速度下hys和ttt的非线性表达式,根据列车接收到的参考信号质量,加入自矫正项对hys和ttt进行二次调整和优化。在Matlab上进行的仿真实验结果表明,该算法能够降低掉话率和乒乓切换率,提高列车在高速运行环境下的切换成功率及鲁棒性。     

SDN环境下基于DBN的DDoS攻击检测

软件定义网络(SDN)作为新型网络架构模式,其安全威胁主要来自DDoS攻击,建立高效的DDoS攻击检测系统是网络安全管理的重要内容.在SDN环境下,针对DDoS的入侵检测算法具有支持协议少、实用性差等缺陷,为此,提出一种基于深度信念网络(DBN)的DDoS攻击检测算法.分析SDN环境下DDoS攻击的机制,通过Mininet模拟SDN的网络拓扑结构,并使用Wireshark完成DDoS流量数据包的收集和检测.实验结果表明,与XGBoost、随机森林、支持向量机算法相比,该算法具有攻击检测准确性高、误报率低、检测速率快和易于扩展等优势,综合性能较好.