GPS差分基准站

从影响GPS定位精度的因素入手,对建立差分GPS(DGP)基准站及基准站地心坐标(基准坐标)的测定,作了较详细的研究.为了解决异地使用中,DGPS不便于用联合观测网站测定基准坐标的问题,根据多次实际测量的结果,提出了用直接测量法确定基准坐标更为方便、有效.     

基于反向选择的地震前兆观测数据异常检测

针对现有前兆异常检测方法因异常数据较少导致检测准确率偏低的问题,提出一种基于反向选择的检测方法。定义地震数据中的self集与nonself集;将随机选取的未成熟检测器与self集进行匹配,生成半径可变的成熟检测器,覆盖nonself空间;将待检测数据与检测器匹配,通过判断是否在nonself空间得到检测结果;与现有地震异常检测方法BP神经网络、支持向量机进行对比,实验结果表明反向选择用于地震前兆观测数据异常检测有更好的效果。     

CUSUM算法在NOAA卫星数据震前异常分析中的应用

震前异常信息可以帮助研究人员检测地震。将CUSUM(cumulative sum)算法作为一种数据挖掘的工具,对射出长波辐射OLR(outgoing longwave radiation)数据进行地震异常检测。主要工作包括计算累积和、平滑曲线、提取特征点和输出特征点曲线。通过对汶川地震、阿根廷地震前后一整年的NOAA卫星射出长波辐射信息进行研究分析,发现异常发生在地震之前,且异常度由小及大,到地震前后达到异常度最大;地震结束后,异常度逐渐减小。实验结果表明,该方法是可行的,有效的。     

基于Transformer重建的时序数据异常检测与关系提取

现有时序异常检测方法存在计算效率低和可解释性差的问题.考虑到Transformer模型在自然语言处理任务中表现出并行效率高且能够跨距离提取关系的优势,提出基于Transformer的掩膜时序建模方法.建立时序数据的并行无方向模型,并使用掩膜机制重建当前时间步,从而实现整段序列的重建.在存储系统数据集和NASA航天器数据...     

一种基于误差和关键点的地震前兆观测数据异常挖掘算法*

地震前兆观测数据是对地震进行分析和预测的重要依据。但是当前往往是以人工处理为主要手段,面对海量的前兆观测数据,迫切需要切实可行的异常挖掘算法。提出了基于误差和关键点的自顶向下(error and key-point top-down, EKTW)分段算法以及基于时间邻域的局部异常因子(time-neighbourhood local outlier factor, TLOF)分析方法。相比于传统的分段算法在高分辨率下近似效果不佳、对发现短时高频异常会造成一定程度影响的缺陷,EKTW分段算法通过对时间序列中     

基于粗糙集理论的异常行为规则的提取

异常检测是数据挖掘技术研究方向之一。利用粗糙集理论挖掘出的高质量的决策规则集,具有广泛的适应性和简明清晰的特点。通过对规则的支持度和置信度的度量,提取那些支持度很低,但置信度非常高的规则。在某些如银行欺诈、入侵检测、青少年犯罪和学生心理问题等领域,研究这些小概率、置信度低的事件却有特别的重要意义,对于人们发现异常情况进行决策非常有益。     

基于粗糙集理论的异常行为规则的提取

异常检测是数据挖掘技术研究方向之一。利用粗糙集理论挖掘出的高质量的决策规则集,具有广泛的适应性和简明清晰的特点。通过对规则的支持度和置信度的度量,提取那些支持度很低,但置信度非常高的规则。在某些如银行欺诈、入侵检测、青少年犯罪和学生心理问题等领域,研究这些小概率、置信度低的事件却有特别的重要意义,对于人们发现异常情况进行决策非常有益。     

基于拟合的地震图波形自动提取方法

首先研究了地震图的预处理技术,并提出一种改进的弧形校正方法和滑动窗口波形分割方法.在此基础上,提出了一种基于三角多项式的分段拟合算法,并针对函数阶数的确定进行了分析.实验表明,该方法具有抗噪能力强,获得波形光顺,刻划波形起伏准确的优点.     

针对无序数据集异常检测的树突状细胞算法

为了提高树突状细胞算法对无序数据集的异常检测性能,分析了上下文环境的频繁转换是导致检测精度降低的主要原因,提出了一个“倍增-归并”的树突状细胞算法.先将数据集放大n倍,即每种抗原产生n个实例,对每个实例进行评估,综合每种抗原的n次评估得到最终结果.算法体现了细胞环境决定抗原状态的生物机制,通过倍增营造了相对稳定的环境,通过归并综合了多数正确判断减少了误判的影响.实验结果表明,该算法对无序数据集具有可观的检测精度和稳定的检测性能.     

基于图像的异常步态二次特征提取算法仿真

针对传统特征提取算法容易忽略对数据的降维处理,未能较好的提取出图像异常步态特征,导致提取准确率不高的问题,提出一种基于图像的异常步态二次特征提取算法。根据不同姿态下足底的压力变化数值,完成异常步态图像的一次特征提取;根据一次特征提取后正常步态定义的特征变量数据,构建目标个体行走轮廓的步态能量图,同时结合KPCA核方法,对一次特征提取后的步态轮廓数据进行降维处理,完成异常步态的二次特征提取。仿真结果表明,在正常步态下和异常步态下,所提算法都能够有效地提取出图像的异常步态,具有较高的特征提取准确率,表明所提算法具有较强的实用性。     

基于熵的网络异常流量检测研究综述

网络流量异常检测及分析作为一种重要的网络监管控制手段,是网络及安全管理领域的重要研究内容.本文探讨了网络异常流量的种类,简述了基于传统的异常检测方法在网络异常流量检测中的应用以及存在的问题.针对基于信息熵、相对熵、活跃熵等熵值理论在网络异常流量检测中的研究,阐述了基于熵值理论的异常检测在国内外的研究进展情况.总结了当前基于熵值理论的异常检测研究工作中存在的问题及改进方向.     

Using artificial anomalies to detect unknown and known network intrusions

Intrusion detection systems (IDSs) must be capable of detecting new and unknown attacks, or anomalies. We study the problem of building detection models for both pure anomaly detection and combined misuse and anomaly detection (i.e., detection of both known and unknown intrusions). We show the necessity of artificial anomalies by discussing the failure to use conventional inductive learning methods to detect anomalies. We propose an algorithm to generate artificial anomalies to coerce the inductive learner into discovering an accurate boundary between known classes (normal connections and known intrusions) and anomalies. Empirical studies show that our pure anomaly-detection model trained using normal and artificial anomalies is capable of detecting more than 77% of all unknown intrusion classes with more than 50% accuracy per intrusion class. The combined misuse and anomaly-detection models are as accurate as a pure misuse detection model in detecting known intrusions and are capable of detecting at least 50% of unknown intrusion classes with accuracy measurements between 75 and 100% per class.     

网络异常的检测与诊断方法

为提高网络的可用性和可靠性，当网络出现异常时，首先，必须尽快地发现异常(即异常检测)，发出警报，这样可以提前采取措施以避免或减轻对服务的影响，其次，必须从大量的警报信息中作出正确的诊断，提取出真正的、非冗余的信息，以便找出问题的根源(即警报关联)，从而解决问题，改善服务质量．本文就网络异常检测和警报关联两个方面进行总结和分析，回顾了该领域的主要研究工作，最后提出了一种新的异常检测方法．     

基于数据挖掘的建筑能耗异常检测研究

建筑能耗异常检测对于建筑管理和运行至关重要,论文提出了一种基于D-S证据理论的不平衡数据多划分(Multi-partition,MP)聚类算法,并构建MP算法能耗异常检测模型对建筑能耗中的异常值进行准确检测。首先通过改进的信任c均值算法将能耗数据集多划分；利用基于K-NN的均值漂移算法确定数据集的真实类别个数；然后根据密度合并规则对能耗数据进行合并；最后对未合并的能耗数据再次划分得到最终的能耗异常检测结果。UCI数据集验证结果表明,MP算法对于不平衡数据聚类效果良好,能够有效避免样本“均匀效应”,降低错误率；通过对某大型商场建筑空调和照明用电能耗异常值检测,验证了MP算法能耗异常检测模型的有效性。     

入侵检测技术的分析研究

介绍了一种新的安全技术－入侵检测技术，它是一种以攻为守的主动式防御措施，而且它侧重对网络内部攻击进行防御。本文将涉及入侵检测领域的方方面面，为进行入侵检测技术的研究提供一定的技术，理论依据。     

Detecting structural anomalies of quadcopter UAVs based on LSTM autoencoder

Detecting a structural anomaly, such as a damaged propeller or motor, is crucial for mission-critical operation of unmanned aerial vehicles (UAVs). The existing solutions often fail to detect structural anomalies because the pre-defined parameters required for the solution are limited in reflecting the flight pattern or the external environment, such as wind conditions. In this paper, we propose a method for detecting structural anomalies in quadcopter UAVs, using only regular data and specifically considering flight patterns and runtime flight conditions. To this end, we employ a long short-term memory (LSTM) autoencoder model to learn complex features of regular flight data. While flying the UAV, the trained model estimates the degree of outlierness of the incoming data and assesses abnormal behavior of UAV by adaptively considering its movement. This way, the proposed method accurately detects structural anomalies in UAVs regardless of the runtime environment or flight mission. Our experiment results with an off-the-shelf UAV show that the proposed approach detects diverse structural anomalies by an average of 98.6% specificity and 90.3% sensitivity.     

基于粗糙集理论的入侵检测新方法

提出了一种高效低负荷的异常检测方法，用于监控进程的非正常行为，该方法借助于粗糙集理论从进程正常运行情况下产生的系统调用序列中提取出一个简单的预测规则模型，能有效地检测了进程的异常运行状态，同其它方法相比，用粗糙集建立正常模型要求的训练数据获取简单，而且得到的模型更适用于在线检测，实验结果表明，该方法的检测效果优于同类的其它方法。     

网络蠕虫爆发的检测算法及其应用

新一代的网络蠕虫融合了病毒、木马、DDOS攻击等各种攻击手段,一旦爆发,将迅速导致大规模的网络阻塞甚至瘫痪。提出了一种蠕虫爆发检测算法,通过对网络流量变化率的监测,可以在蠕虫爆发的前期发现网络异常,从而使网络管理员和应急响应组织获得更多的反应时间,在蠕虫阻塞网络之前采取措施。算法使用DARPA98入侵检测评估系统进行了评估,并应用于Blaster、Nachi、slammer和Sasser蠕虫爆发时的真实数据。     

基于密度的离群点挖掘在入侵检测中的应用

给出一种基于密度的局部离群点挖掘方法。采用KDD99数据集进行实验,对数据集中的41个属性提取特征,利用基于密度的聚类对统计处理过的数据集实行剪枝操作,剪除数据集中大部分密集的数据对象,保留未被剪除的候选离群对象集。采用局部离群挖掘方法计算离群候选对象的离群因子,检测出异常攻击。实验结果表明,该方法能保证较高的检测率和较低的误报率。