一种基于节点相关度的无线传感器网络分簇算法

提出了一种基于节点相关度的无线传感器网络分簇算法。该算法根据接收信号强度、节点剩余能量和网络连通度选取簇头节点,根据节点相关度确定簇内成员。分析与仿真结果表明,与经典的LEACH算法相比,该算法选出的簇头分布更均匀,并提高了簇内负载平衡程度,延长了网络生存时间。     

基于概率机制的涌现分簇算法

涌现分簇算法ACE是一类基于群体智能的移动Ad hoc网络分簇算法。针对ACE算法迭代中存在的问题,该文引入概率机制,提出了基于概率机制的涌现分簇算法(PACE)。该算法根据节点竞争簇头概率最高的局部信息,创建全局分簇网络,在概率相同的情况下,根据节点标识符来仲裁簇头选举,同时实现了单节点簇合并和失效恢复。理论分析和仿真结果表明,该算法收敛时间短,能够创建稳定且更优化的分簇结构,具备失效恢复能力。     

基于MANET的分簇算法研究

分簇是一种能将节点分成逻辑上独立的组的机制，在MANET中应用分簇算法得到的分级式结构能提高网络的总体性能．介绍了分簇算法的构成和度量分簇算法性能优劣的标准，并对几类典型的分簇算法进行了分析和比较，最后指出了其中存在的问题．     

基于MANET的分簇算法研究

分簇是一种能将节点分成逻辑上独立的组的机制,在MANET中应用分簇算法得到的分级式结构能提高网络的总体性能.介绍了分簇算法的构成和度量分簇算法性能优劣的标准,并对几类典型的分簇算法进行了分析和比较,最后指出了其中存在的问题.     

基于密度分簇的无线传感器网络定位算法

针对MDS-MAP(P)算法存在节点间最短路径距离计算误差、合并误差及算法复杂度过高等问题,提出了一种基于密度分簇的算法MDS-MAP(DB)。该算法选择邻居节点数最多的节点作为分簇机制的开始节点,一跳邻居节点组成的簇域内利用三角不等式法则测距,两跳内节点组成的簇域内利用最短路径法测距,且每个簇域内只有簇头节点执行测距算法,降低了测距误差及算法计算复杂度,提高了算法的性能。仿真实验结果表明,该算法具有更小的定位误差。     

基于能量效率的无线传感器网络分簇算法

提出了一种最大选票和负载平衡的分簇算法(VLCA)。该算法是完全分布式的,不依赖于网络大小和其拓扑结构。仿真结果显示:该分簇算法能够使簇的数量减少20%到50%,并且能有效延长传感器网络的生命周期。     

基于地理位置划分的无线传感器网络分簇算法

利用分簇算法延长无线传感器网络的生命周期是一个研究热点。基于经典的LEACH路由算法,提出了改进：主要体现在对节点地理位置的划分和在成簇过程中考虑传感器节点的剩余能量以及簇头与非簇头之间的距离。最后用Matlab对LEACH算法和改进后的算法进行仿真,证实了改进后的算法在网络生存时间上比LEACH算法有了很大提高。     

一种基于无线传感器网络分簇路由的改进算法

为了提高无线传感器网络能量的有效性,延长网络生命周期,在分析了无线传感器网络路由协议中的LEACH算法和SEP算法机理的基础上,提出了改进型SEP算法．改进型SEP算法能够在能量异构的网络模式下,通过改进选举簇头机制,提高了剩余能量较高的节点当选为簇头的概率,增加了选举簇头节点的合理性,有效地均衡了网络中的节点能耗,延长了网络的生命周期．实验结果表明：改进后的算法与LEACH算法和传统的SEP算法相比,在平衡节点能量和延长网络寿命方面具有更加优越的性能．     

WSNs中基于协作通信的分簇路由算法研究

针对无线传感器网络数据信息传输可靠性,提出一种无线传感器网络中基于协作通信的分簇路由算法。该算法主要对分簇、簇间路由和簇内路由三个阶段进行了设计,依据信噪比寻找满足网络数据传输可靠性的最佳路由,实现源节点和目的节点之间的协作通信。仿真结果表明,无线传感器网络中基于协作通信的分簇路由算法能够有效地优化网络路径,提高频谱利用率,增强数据信息传输的可靠性。     

WSNs基于信誉机制的恶意节点识别模型

为了抵御无线传感器网络内部节点的拜占庭行为以及自私行为,针对现有恶意节点识别系统检测功能单一、不可抵御高信誉节点的恶意诽谤行为等问题.提出了一种无线传感器网络下的恶意节点识别模型,该模型采用Beta分布描述信誉分布,引入了第三方节点的间接可信度,并将多种攻击类型相对应的节点信任值进行整合.仿真实验表明,该模型能够更快更准确地识别出发起多种攻击的恶意节点,并在一定程度上抵御了高信誉节点的恶意诽谤行为.     

基于免疫遗传聚类的异常检测系统

免疫算法是在保留遗传算法优良特性的基础上有目的、有选择的利用待求问题中的特征信息来抑制进化过程中出现的种群退化现象,算法核心是免疫算子(接种疫苗和免疫选择)的构造。基于免疫遗传算法的聚类不仅能够有效克服传统聚类方法对初始化敏感、依赖聚类原型、进化后期容易早熟等缺点,而且聚类结果能够快速收敛到全局最优。本文将这种聚类方法用于网络异常检测中,构造基于免疫遗传聚类的异常检测系统,该系统可实现对海量异构多维原始数据的异常检测,并且能够检测到网络未知攻击。本文在KDD CUP99数据集中进行了对比仿真实验,实验结果表明该算法能够得到较高的已知攻击和未知攻击检测率以及较低的误警率,检测系统性能优良。     

基于聚类和探测精英引导的蜻蜓算法

针对蜻蜓算法（DA）收敛速度慢、收敛精度低、全局搜索能力差等不足,提出新的蜻蜓优化算法. 利用tent混沌初始化种群并对种群进行K-Means++聚类,根据聚类的结果分别对种群个体进行反向学习和高斯变异以增强种群的多样性,提高搜索效率. 引入非线性自适应因子加快收敛速度,使用探测精英引导策略增强算法跳出局部收敛的能力. 引入平方散列探测增加收敛精度. 将该优化算法应用于8个典型复杂函数优化问题,并与原蜻蜓算法,以及其他仿生计算算法对比,实验结果表明该改进算法具有良好的全局收敛性和寻优精度.     

基于网格聚类的热点路径探测

针对现有热点路径探测算法需要路网拓扑结构的支持,以及难以准确识别热点路径的复杂耦合现象的问题,提出了一种基于网格聚类的热点路径探测算法。算法将移动轨迹映射为网格序列,以邻接网格间的共有轨迹量来定义网格间的密度可达性,并据此将网格分划抽象为图模型。然后以图论中的相关理论为基础提出了网格聚类算法Grid Growth,即热点路径探测算法。实验结果表明:本文算法能有效探测热点路径,且能准确识别热点路径的复杂耦合现象。     

Improved algorithm for detection of the malicious domain name based on the convolutional neural network

Aiming at the problem that the existing detection methods are not efficient in detecting the malicious domain name generated by the algorithm, especially the detection rate of several types of malicious domain names that are difficult to detect is low, an improved algorithm for detection of the malicious domain name based on the convolutional neural network is proposed. Based on the existing convolutional neural network model, this algorithm adds convolutional branches to extract deeper character-level features, so that both shallow and deep character-level features of malicious domain names could be extracted and fused simultaneously. A focal loss function is introduced as a loss function to solve the problem of sample imbalance caused by difficulty and quantity, which is used to improve the detection accuracy of hard-to-detect samples. The average detection accuracy of the improved algorithm for 20 types of malicious domain names is 97.62%, that is, 0.94% higher than that of the original algorithm, and the detection accuracy of four hard-to-detect domain names is increased by 3.71%, 4.6%, 11.18% and 17.8%, respectively. Experimental results show that the improved algorithm can effectively improve the detection accuracy of malicious domain names, especially for some hard-to-detect domain names.     

一种基于K-means的分布式聚类算法

为解决现有的分布式聚类算法效率低下和不能保护数据隐私的问题,在K-Dmeans算法的基础上,提出一种新的分布式聚类算法.该算法利用数据对象间的密度函数值来优化站点初始聚类中心,从而大大降低了聚类的迭代次数;同时各从站点只需向主站点传送其聚簇的特征信息,有效降低分布式聚类过程中的通信量,保护了各个站点的独立性,实验结果表...     

基于PCA和半监督聚类的入侵检测算法研究

针对网络入侵检测数据存在大量冗余信息和传统聚类算法对离群点检测不足的问题,提出一种基于主成分分析(principal component analysis, PCA)和半监督聚类的入侵检测算法。首先使用PCA对数据进行特征提取,消除数据间的冗余属性;然后利用少量已标记样本和成对约束信息,通过引入竞争凝聚让系统主动学习,以实现对大量未知样本的检测。在入侵检测数据集和UCI基准数据集上的实验结果表明,该算法能有效提高系统的性能。     

基于节点尺度特征的重叠社区检测算法

针对社会网络中重叠社区检测问题,在节点尺度特征下量化社区结构,用这些特性更易界定社区划分。利用合理假设来量化节点尺度的期望值,基于节点描述符集和谱算法建立算法模型,从而提出一种重叠社区检测算法。该方法允许节点同时属于多个社区,在社区重叠时同样可行。通过计算验证,算法对于整体边缘密度都有效。在2类网络中实验的结果表明,该算法在重叠社区检测中性能稳定、准确性高,能适用于目标特定的社区概念。     

基于蚁群模糊聚类算法的图像边缘检测

提出了一种基于蚁群动态模糊聚类算法的图像边缘检测,该算法首先利用蚁群算法的较强处理局部极值的能力,克服了FCM算法对初始化的敏感,动态地确定了聚类数目和中心;然后利用蚁群聚类得到的结果,再进行FCM聚类弥补蚁群算法的不足.两者有机结合起来可以寻求到具有全局分布特性的最优聚类,实现了基于改进的目标函数聚类分析.最后将该算法应用到图像边缘检测,对比实验表明,该算法具有很强的模糊边缘和微细边缘检测能力.     

一种基于协同进化方法的聚类集成算法

针对单一聚类算法存在的不能泛化的问题,将集成学习技术应用于聚类算法中,集成学习技术可以显著提高学习系统的泛化能力。提出了1种基于粒子群和遗传算法的协同进化聚类集成算法,粒子群算法保证算法快速收敛,遗传算法全局搜索扩大搜索范围,提高了聚类的性能和收敛速度。将本研究提出的算法在多个UCI数据集上进行试验验证,结果表明该算法是有效的。