基于系统调用的入侵检测新方法

通过分析系统调用行为特征,提出了程序的系统调用行为可以用有限状态自动机来描述的方法,证明了算法产生的自动机的完整性,并给出算法性能分析结果。     

基于系统调用的入侵检测系统研究

入侵检测是网络安全研究的热点技术之一,是新一代安全保障方案。该文实现了一种基于系统调用的异常入侵检测方法,使用系统调用作为输入,构建程序中函数的有限状态自动机,利用该自动机检测进程流程是否发生异常来确定是否发生了入侵。实验结果表明,该技术不仅能有效地检测出入侵行为,而且可以发现程序漏洞的位置,便于修改代码。     

基于系统调用分类的异常检测

提出了一种新的基于规则的异常检测模型.把系统调用按照功能和危险程度进行了分类,该模型只是针对每类中关键调用(即危险级别为1的系统调用).在学习过程中,动态地处理每个关键调用,而不是对静态的数据进行数据挖掘或统计,从而可以实现增量学习.同时通过预定义,精炼规则,有效地减少了规则数据库中的规则数目,缩减了检测过程中规则的匹配时间.实验结果清楚地表明,检测模型可以有效侦测出R2L,R2R和L2R型攻击,而且检测出的异常行为将被限制在相应的请求内而不是整个系统调用迹.检测模型适合于针对特权进程(特别是基于请求--反应型的特权进程)的异常入侵检测.     

基于电量状态的移动流媒体码率自适应策略

为提升移动流媒体的用户体验质量(quality of experience,QoE)和设备续航时长,提出一种基于移动设备电量状态的Qo E模型,模型的参数包括初始延迟、重新缓冲、平均视频质量、码率切换平滑度以及设备电量状态.在模型的基础上,给出一种基于网络吞吐量,同时又考虑设备电量状态的码率自适应策略.策略能避免客户端...     

基于HMM的系统调用序列异常入侵检测

本文首先介绍了入侵检测的发展状况,接着用马尔可夫和BW算法进行建模;然后以系统调用执行迹这类常用的入侵检测数据为例,验证该模型的工作效果,最后将计算机仿真结果与其他检测方法进行了比较。通过实验和比较发现,基于HMM的系统调用序列的异常检测率比其他方法有明显的提高。     

基于系统调用的入侵检测技术研究

如今网络攻击的多样性与低成本性以及攻击工具的齐全使得网络攻击日益泛滥。对于防御者来说,遭受一次攻击的损失是巨大的,防御和攻击的不对等使得防御方往往处于被动和弱势的地位。入侵检测技术通过模型学习勾勒网络入侵行为轮廓或正常行为轮廓,从而实现对入侵行为的识别与检测,实现对零日攻击的检测能力。本文是对基于系统调用数据上的入侵检测的综述性文章,重点介绍了系统调用数据的特征提取方法、入侵检测分类模型、应用场景,同时简单概括了系统调用的数据集与模型的评判标准。     

SysTracker:一种采用系统调用监测安卓应用资源使用的方法

安卓恶意应用行为大多源于对系统资源的非法使用,资源使用信息将有助于快速地分析恶意行为。然而,由于安卓系统使用权限机制对资源进行管理的特性,现有的基于系统调用监测安卓应用资源使用的方法并不行之有效。针对该问题,设计并实现了SysTracker:一种采用系统调用辅以API-系统调用映射关系来监测安卓应用资源使用的技术。SysTracker通过截获安卓应用程序中的系统调用,并对系统调用的相关信息进行解析,借助API-系统调用映射关系将特殊的系统调用序列还原为相应的API调用,从而识别出应用程序中资源使用信息。大规模的应用程序测试显示SysTracker对API调用的识别率高达99.2%。同时,通过对多款应用程序的分析表明,SysTracker能直观反映应用对资源使用的情况以快速识别出应用的恶意行为。     

一种改进的基于系统调用的入侵检测技术

随着恶意入侵计算机现象的日益严重 ,准确检测入侵的需求应运而生 .本文提出一种基于系统调用的入侵检测方法—— SGNN算法 .该算法解决了传统基于系统调用入侵检测方法的缺陷 ,不仅去除了降低检测效率的规则 ,同时能有效识别用户的误操作 .实验结果体现了该方法的有效性和检测的高效性     

基于QoS的自适应资源预约模型

本文针对多媒体自适应性的特点,提出了一个基于ＱｏＳ的自适应资源预约模型,它综合了资源预约方法和完全自适应方法的优点,有效地利用资源,向用户提供稳定的服务质量。     

基于物联网技术网络自适应移动节点资源监测研究

针对无线Ad Hoc网络的高度动态性、网络拓扑动态变化、链路不稳定等问题,提出了一种基于物联网技术网络自适应移动节点资源技术.该技术通过建立不同的传感器来探测邻居节点,对无线资源进行动态划分设置请求优先级从而建立动态划分资源优先级机制.实验结果表明,该技术能够快速进行网络节点查询,不仅有效提高了Ad Hoc网络中节点资源发现的性能和系统的稳定性,而且与原有的技术相比在转发率和时延等方面均具有良好的性能.     

一种基于中间件的自适应动态负载平衡方法

负载平衡是提高分布式系统性能不可缺少的技术,同时也是系统高可用性、可扩展性、容错性的必然要求。该文在分析和研究负载平衡模型的基础上,提出了一种基于消息队列的负载平衡模型,并在此模型下改进了基于阈值的动态负载平衡算法,给出了一种自适应的动态负载平衡算法。最后,在J2EE平台下,进行了实验和性能比较。     

基于迁移学习的癫痫EEG信号自适应识别

脑电图（electroencephalogram,EEG）信号智能识别是癫痫病检测的重要手段。传统的智能识别方法在进行检测时,都假定智能模型训练采用的训练样本集和测试样本集满足同一分布特征,但在实际应用时,此假设条件过于苛刻,当训练和测试数据对应的场景有一定漂移时传统方法不再适用。针对上述情况,将近年来广受关注的对分布差异性场景具备较好性能的迁移学习方法引入到脑电图识别中,使得最终所得的模型对训练和测试数据的分布要求较之传统方法得到进一步放松,扩大了算法的适应场景,实现了在数据漂移场景下对癫痫EEG信号的自适应识别。实验表明,基于迁移学习的方法比传统方法具有更好的适应性。     

一种精确的自适应图像边缘提取方法

针对传统Canny算子需要人为指定参数和阈值等问题,提出一种自适应图像边缘提取方法。该方法使用改进的自适应中值滤波对图像去噪;用8点邻域梯度计算方法自适应计算滤波后图像梯度的幅值;根据图像的梯度信息特征,用梯度的熵和标准差自适应地调整高低阈值。实验结果表明,与传统Canny算子相比,该算法在滤除图像噪声、保留细节边缘和保持边缘连通性方面都获得了不错的效果,提高了边缘检测的自动化程度,更具有实用性。     

基于迁移学习的领域自适应推荐方法研究

协同过滤在目标评分数据非常稀疏时，其推荐效果往往会下降。跨领域推荐方法在一定程度上可以解决数据稀疏性的问题。对于不同领域异构的数据，如果不进行特征映射处理，则可能会导致负迁移；采用单一的迁移模式，则会造成潜在信息缺失。因此，提出一种领域自适应的方法，以应用于跨领域推荐。具体包括：利用GFK特征映射后，以增加共享信息的一致性和减少潜在信息的缺失；采用联合用户侧重和项目侧重多元迁移模式来预测缺失评分的目标域矩阵，以提升预测评分的准确性。经开源数据集上的实验测试，证实了该模型可提高推荐的精准度。     

基于概率统计自适应背景模型的运动目标检测方法

为了更好地进行运动目标检测,提出了一种基于概率统计的自适应背景模型的运动目标检测方法。该方法能够自适应选择背景和前景阈值,且不需要进行训练,而且在不同的场景下能够自适应进行选择。在此基础上,针对盲目更新和选择更新不足,还采用了像素聚类统计和概率相结合的背景更新模型,因为采用基于像素统计的更新机制能够适应场景中背景的局部改变(移入/移出物体),而采用概率更新则能够降低前景污染背景的程度。实验证明,该方法能够得到可靠的背景,改善了运动检测效果。     

基于自适应带宽均值漂移聚类算法设计传递函数

本文采用均值漂移聚类算法为三维数据场设计传递函数.首先根据采样点的分布提出了两种自适应的带宽计算方法;然后利用梯度幅值对采样点加权,实现数据场的物质分类;最后对分类的结果设计高斯型的映射函数.实验表明,与固定带宽均值漂移算法相比,该方法提高了算法的速度和分类的准确性,并获得了高质量的绘制效果.     

基于图像风格迁移的端到端跨域目标检测

跨域目标检测是最近兴起的研究方向,旨在解决训练集到测试集的泛化问题.在已有的方法中利用图像风格转换并在转换后的数据集上训练模型是一个有效的方法,然而这一方法存在不能端到端训练的问题,效率低,流程繁琐.为此,我们提出一种新的基于图像风格迁移的跨域目标检测算法,可以把图像风格迁移和目标检测结合在一起,进行端到端训练,大大简...     

自适应颜色迁移

该文提出一种基于统计学的自适应图像颜色迁移技术,把一幅图像的颜色迁移到另一幅图像中．对于给定两幅图像,首先把计算机表示的RGB颜色空间转换为LMS空间,并通过线性变换把LMS基变换到一组正交基来消除空间内各个分量之间的强相关性,从而把RGB颜色空间转换到一个正交空间．然后利用统计学方法进行局部和整体相结合的自适应采样分析,提取一幅图像的颜色信息和另一幅图像的形状信息,合成一幅崭新的图像,实现颜色图像到形状图像的颜色迁移过程．进一步,可以把这种迁移合成技术用来扩展现有的图像效果处理软件．     

基于三焦点张量点转移的多摄像机协同

针对复杂遮挡环境下多摄像机协同的问题,提出一种基于三焦点张量点转移的多摄像机协同目标定位方法.该方法利用单摄像机视图中头部检测的结果进行对极匹配,然后利用虚拟顶视图和摄像机视图之间的三焦点张量关系进行点转移,确定行人在虚拟顶视图中的位置.该方法的优势在于:不需要标定摄像机参数,不需要假设物体在共同平面上运动,不存在利用对极关系进行点转移时出现的交点退化的问题.与传统方法的实验结果对比表明了该方法的有效性和准确性.     

基于迁移学习的商品图像检测方法

近年来,对象识别方法被应用到多个领域.如人脸检测,车辆检测.然而模型训练所需要的边框标定需要很大的工作量.本文通过基于迁移学习的方法,将物体检测任务迁移到商品检测,且不需要边框标定.本文在分类层和边框回归层之间建立关系层,来学习两种任务之间的关联.本文建立了一个商品数据集,并提出了一种深度学习训练方法,解决了可旋转物体的检测问题.基于Faster RCNN框架,本文提出一种候选选择方法,可以在无边框标定情况下训练商品分类.本文提出的商品检测方法不需要边框标定,而且很容易训练并应用到其它数据集.