基于事件流数据世系的恶意网络行为检测方法

目前网络攻击呈现高隐蔽性、长期持续性等特点,极大限制了恶意网络行为检测对网络攻击识别、分析与防御的支撑。针对该问题,提出了一种基于事件流数据世系的恶意网络行为检测方法,采用事件流刻画系统与用户及其他系统间的网络交互行为,构建数据驱动的事件流数据世系模型,建立面向事件流数据世系相关性的异常检测算法,从交互数据流角度分析和检测恶意网络行为事件,并基于事件流数据世系追溯恶意网络行为组合,为网络攻击分析提供聚焦的关联性威胁信息。最后通过模拟中间人和跨站脚本组合式网络渗透攻击实验验证了方法的有效性。     

视频监控中人体行为识别的研究

提出一种人体行为识别模型和前景提取方法.针对人体运动过程中产生新的行为问题,该模型用分层Dirichlet过程聚类人体特征数据来判断人体运动过程中是否有未知的人体行为模式:用无限隐Markov模型对含有未知行为模式的特征向量进行行为模式的有监督的学习,由管理者将其添加到规则与知识库中.当知识库的行为模式达到一定规模时,系统便可以无监督地对人体行为进行分析,其分析采用Markov模型中高效的Viterbi解码算法来完成.对于前景的提取,提出了基于背景边缘模型与背景模型相结合的前景检测方法,此方法能够有效避免光照、阴影等外部因素的影响.仿真实验证明,本文提出的方法在实时视频监控中的人体行为识别方面有独特的优势.     

通信协议的实体行为描述语言CPEBSDL

提出了一种通信协议的实体描述语言CPEBSDL.CPEBSDL语言是一种描述能力很强的语言,它可以对协议实体的状态、行为及协议实体对资源的控制和访问进行形式化的描述,同以往的描述语言不同,CPEBSDL语言把协议实体之间复杂的交互行为看做是实体对协议中共同使用到的资源的控制和访问,从而简化了交互行为描述的复杂性,便于对协议进行分析和测试.给出CPEBSDL语言规则对应的上下文无关文法G(CPEBSDL),并给出了G(CPEBSDL)的乔姆斯基范式,在此基础上给出了一个判定协议行为的CPEBSDL语言描述是否合法的判定算法——CYK协议行为序列的合法性验证算法.作为一个实例,用CPEBSDL语言对ISDN数据链路层协议LAPD的链接过程进行了完整的描述,并给出了一个判定协议行为序列是否合法的例子.     

面向APT家族分析的攻击路径预测方法研究

近年来,针对政府机构、工业设施、大型公司网络的攻击事件层出不穷,网络空间安全已成为事关国家稳定、社会安定和经济繁荣的全局性问题。高级持续威胁(Advanced Persistent Threat, APT)逐渐演化为各种社会工程学攻击与零日漏洞利用的综合体,已成为最严重的网络空间安全威胁之一,当前针对APT的研究侧重于寻找可靠的攻击特征并提高检测准确率,由于复杂且庞大的数据很容易将APT特征隐藏,使得获取可靠数据的工作难度大大增加,如何尽早发现APT攻击并对APT家族溯源分析是研究者关注的热点问题。基于此,本文提出一种APT攻击路径还原及预测方法。首先,参考软件基因思想,设计APT恶意软件基因模型和基因相似度检测算法构建恶意行为基因库,通过恶意行为基因库对样本进行基因检测,从中提取出可靠的恶意特征解决可靠数据获取问题;其次,为解决APT攻击路径还原和预测问题,采用隐马尔可夫模型(HMM)对APT恶意行为链进行攻击路径还原及预测,利用恶意行为基因库生成的特征构建恶意行为链并估计模型参数,进而还原和预测APT攻击路径,预测准确率可达90%以上;最后,通过HMM和基因检测两种方法对恶意软件进...     

基于矩阵画像的金融时序数据预测方法

针对金融市场中机构交易对股票市场中的散户投资行为具有较强的误导性的现象,提出了一种基于机构交易行为影响的趋势预测方法。首先,利用时间序列的矩阵画像（MP）方法,以股票换手率数据为切入点,构建不同兴趣模式长度下的基于机构交易行为影响的换手率波动知识库;其次,确定待预测股票在兴趣模式长度取何值时的预测结果精确度高;最后,根据该兴趣模式长度下的知识库,预测在机构交易行为影响下的单支股票的波动趋势。为验证趋势预测新方法的可行性和准确性,将其与自回归滑动平均（ARMA）模型和长短时记忆（LSTM）网络这两种预测方法进行对比分析,运用均方根误差（RMSE）与平均绝对百分误差（MAPE）评价指标综合比较3种方法对70支股票的预测结果。实验结果分析表明,与ARMA模型和LSTM网络相比,在70支的股票价格趋势预测上,所提方法有80%以上的股票预测结果更准确。     

带有时间预测辅助任务的会话式序列推荐

会话式序列推荐旨在根据短期匿名行为序列预测该用户近期行为,因为该任务设定考虑了用户偏好的变化而备受学术和工业界关注.现有方法集中于以单任务模式预测下一交互对象,忽略了行为时间预测辅助任务中的额外语义.在面向事件、地点的一般序列推荐问题中,有少数方法以并行方式同时预测下一交互对象及对应时间,然而这并不完全契合用户先产生交互意图再选择合适时间的实际情况.为缓解上述问题影响,本文提出了一种基于序列式多任务学习的会话式序列推荐方法,具有两方面特色.首先,该方法通过将下一交互对象预测结果作为下一时间预测的输入,赋予两个任务顺序依赖性.相比于传统的并行式交互对象和时间预测方式该方法耦合性更强.其次,本文开发了一种经过改进的双向时间间隔感知自注意力方法,使得会话中每个位置可以融合来自左右两侧的交互对象及时间间隔信息.相比于过去的单向会话式序列推荐方法增强了建模会话上下文的能力,该方法有利于更好地刻画用户兴趣表征.本文在Tianchi电商数据集、Lastfm音乐数据集以及Foursquare地点行为轨迹数据集上进行了实验.结果 表明:(1)所提出方法在常用序列推荐指标上一致优于所采用的比较方法.特别地,在NDCG@5评价指标上比最好的基线方法TiSASRec平均提高13.51％;(2)序列式多任务学习和双向时间间隔感知自注意力机制对于预测性能均能带来正面提升.     

聚类分析和模糊逻辑在驾驶行为辨识中的应用

在驾驶行为识别以及车辆运动状态预测时,需将车辆连续运动过程离散化成状态,对状态划分时极易出现状态重复划分的情况,且利用隐马尔科夫模型在对行为状态序列进行判定时难以准确确定各个状态之间的转移概率以及各个状态的初始概率,因此,提出利用聚类分析对滑动时窗内的数据进行聚类,确保驾驶过程中状态划分的唯一性,此外,利用模糊逻辑规则对出现的异常行为状态进行修正.利用CPNtool层次化分析软件,将不同驾驶行为分成若干层,通过状态之间的转移实现层与层之间的交互,通过判定等时间段内状态流所占用某个层的时间比例来确定当前的驾驶行为.最终利用测试车采集到的样本数据对所建模型进行有效性验证,结果表明,该模型能够以可视化的方式展现不同驾驶行为之间的状态切换,对当前的驾驶行为的判断准确率达到了96％以上.     

用户行为模式挖掘问题的研究

在软件可用性测试中,分析用户行为模式是一个关键的问题。为解决具有序列长度长、以序列片断为支持度计算依据等特点的用户行为模式挖掘问题,提出了一种有效的基于前缀树的频繁事件序列扩展方法,给出了比特图索引表的构造、事件扩展、事务扩展以及支持度计算的算法。使频繁事件序列能够简单快速地被确定。     

用户行为模式挖掘问题的研究

在软件可用性测试中，分析用户行为模式是一个关键的问题。为解决具有序列长度长、以序列片断为支持度计算依据等特点的用户行为模式挖掘问题，提出了一种有效的基于前缀树的频繁事件序列扩展方法，给出了比特图索引表的构造、事件扩展、事务扩展以及支持度计算的算法。使频繁事件序列能够简单快速地被确定。     

视频监控中的行为序列分割与识别

智能监控系统中的行为分析与识别是当前计算机视觉领域的研究热点,而行为序列分割则是行为分析与识别的基础.提出了一种无监督的行为序列分割算法,并对分割结果进行识别.首先,采用鲁棒的形状编码方案得到人体轮廓的紧凑表示,提取轮廓点集特征描述运动人体;然后,基于奇异值分解(SVD)估计行为序列数据的本征维数,确定数据对应的低维流形,并通过检测特征数据在该流形上的投影误差的突变实现行为序列分割;最后,采用隐马尔可夫模型(HMM)对分割结果进行识别.在公共数据库上的实验结果表明了此分割和识别算法的有效性.     

一种用于恶意行为检测的规划识别方法

恶意行为检测是通过观察分析智能体一系列行为过程中的动作和行为识别其行为目的的方法.为了排除智能体行为的复杂性、误导性带来的影响,以隐马尔可夫为基础构造规划识别方法,综合分析多个智能体行为之间的关联关系推测行为目的性.文章提出恶意行为检测模型的整体框架,简述了复杂数据下的特征抽象方法,进而提出基于隐马尔可夫实现的规划识别...     

门户个性化兴趣获取与迁移模式发现

个性化服务技术为门户平台上的兴趣挖掘研究带来了新的挑战,如何隐式地获取门户用户兴趣行为以及发现兴趣迁移模式是其中的重要课题.在对门户个性化兴趣映射描述的基础上,提出了一种独立于门户平台的含隐私保护的门户个性化兴趣获取机制,可实现不同兴趣访问行为的隐式获取以及操作语义分析,并采用兴趣扩展规则描述方式进行了隐私保护.结合门户个性化兴趣影响以及兴趣目的预测,给出了带有门户个性化兴趣描述的隐Markov模型扩展,可用于发现不同用户的门户个性化兴趣迁移模式.最后通过验证实验给出了有效性和可行性的结论分析.     

普适环境下陌生交互实体的行为分析与预测*

基于普适环境下陌生交互实体之间没有先验交互经历,为了该环境的计算安全,必须确保其交互的行为可信,提出一种基于嵌套的狄利克雷过程和无限隐马尔可夫模型的行为分析与态势预测模型。该模型能有效地预防陌生实体交互过程中反常、欺诈等行为,对不可信的行为提前干预,避免产生严重的后果。最后举出模型在智能商场中应用并仿真分析了模型的可行性。     

Boosted string representation and its application to video surveillance

This paper presents a new behavior analysis system for analyzing human movements via a boosted string representation. First of all, we propose a triangulation-based method to transform each action sequence into a set of symbols. Then, an action sequence can be interpreted and analyzed using this string representation. To analyze action sequences with this string representation, three practical problems should be tackled. Usually, an action sequence has different temporal scaling changes, different initial states, and symbol converting errors. Traditional methods (like hidden Markov models and finite state machines) have limited abilities to deal with the above problems since many unknown states should be constructed and initialized. To tackle the problems, a novel string hypothesis generator is then proposed for generating a bank of string features from which different invariant features can be learned for classifying behaviors more accurately. To learn the invariant features, the Adaboost algorithm is used and modified to train a strong classifier from the set of string hypotheses so that multiple human action events can be well classified. In addition, a forward classification scheme is proposed to classify all input action sequences more accurately even though they have various scaling changes and coding errors. Experimental results prove that the proposed method is a robust, accurate, and powerful tool for human movement analysis.     

基于系统调用和齐次Markov链模型的程序行为异常检测

异常检测是目前入侵检测领域研究的热点内容.提出一种新的基于系统调用和Markov链模型的程序行为异常检测方法,该方法利用一阶齐次Markov链对主机系统中特权程序的正常行为进行建模,将Markov链的状态同特权程序运行时所产生的系统调用联系在一起,并引入一个附加状态;Markov链参数的计算中采用了各态历经性假设;在检测阶段,基于状态序列的出现概率对特权程序当前行为的异常程度进行分析,并根据Markov链状态的实际含义和程序行为的特点,提供了两种可选的判决方案.同现有的基于隐Markov模型和基于人工免疫原理的检测方法相比,提出的方法兼顾了计算成本和检测准确度,特别适用于在线检测.该方法已应用于实际入侵检测系统,并表现出良好的检测性能.     

基于马尔科夫模型的就餐人数预测

准确预测就餐人数能够降低学校食堂的运行成本,提高学生对食堂的满意度. 根据校园一卡通的消费情况,提出一种基于马尔科夫模型的就餐人数预测研究方法. 首先,通过计算早餐就餐行为得到初始概率;其次,分别通过计算早、午餐和午、晚餐就餐行为得到早餐午餐概率转移矩阵和午餐晚餐概率转移矩阵;最后,根据初始概率和概率转移矩阵构建的模型预测三餐的就餐人数. 该方法的就餐人数预测的平均预测误差率为1.31%,具有良好的预测效果. 实验结果表明,该方法能够反映学生的就餐行为,从而可以为学校后勤部门提供一些参考意见,有助于学校的建设和管理也有助于满足学生的需要.     

基于影响模型的短时交通流预测方法

根据复杂交通网络中多个节点之间交通流相互影响的特性,提出一种基于影响模型的短时交通流预测方法。分析交通网络中交通流预测的难点,引入随机过程中影响模型的理论对其进行建模。将每个节点的交通流处理为一个隐马尔科夫过程,整个网络由多个相互交互的隐马尔科夫过程组成,采用EM算法对模型参数进行训练。实验结果表明,该方法具有较高的预测精度,可较好地显示交通网络中多个节点之间交通流的交互规律以及动态演化规律。     

多时间尺度时间序列趋势预测

针对股票、基金等大量时间序列数据的趋势预测问题，提出一种基于新颖特征模型的多时间尺度时间序列趋势预测算法。首先，在原始时间序列中提取带有多时间尺度特征的特征树，其刻画了时间序列，不仅带有序列在各个层次的特征，同时表示了层次之间的关系。然后，利用聚类挖掘特征序列中的隐含状态。最后，应用隐马尔可夫模型（HMM）设计一个多时间尺度趋势预测算法（MTSTPA），同时对不同尺度下的趋势以及趋势的长度作出预测。在真实股票数据集上的实验中，在各个尺度上的预测准确率均在60%以上，与未使用特征树对比，使用特征树的模型预测效率更高，在某一尺度上准确率高出10个百分点以上。同时，与经典自回归滑动平均模型（ARMA）模型和PHMM（Pattern-based HMM）对比，MTSTPA表现更优，验证了其有效性。     

Planning interactive task for intelligent characters

Motion planning is an important problem in character animation and interactive simulation. However, few planning methods have considered domain‐specific knowledge that governs the agent's behaviors, and none of them is capable of planning the interactive task in which the agent interacts with the objects in the virtual environment. This paper presents a novel method to plan the interactive task based on Q‐learning for intelligent characters. The approach can be described as a three‐phase framework: data preprocessing phase, controller learning phase, and motion‐synthesis phase. In the data preprocessing phase, we abstract the motion clips as high‐level behaviors and construct the interactive behavior graph (IBG) to define the interactive capabilities of the agent in terms of interactive features. For the controller training phase, with IBG, Q‐learning algorithm is employed to train the control policy in the discrete domain with interactive features. In the motion‐synthesis phase, the optimal motion sequences can be generated by following the policy to accomplish the interactive task finally. The experimental results demonstrate that the uniform framework can generate reasonable and realistic motion sequences to plan interactive task in complex environment. Copyright © 2012 John Wiley & Sons, Ltd.     

基于隐马尔可夫模型的能量参数预测量化算法

为了充分利用能量与线性预测编码(Linear prediction coding,LPC)系数之间的相关性,提高能量参数量化效率,提出了一种基于隐马尔可夫模型(Hidden Markov model,HMM)的能量参数预测量化算法.通过适当假设,使用HMM模拟能量参数和LPC系数之间的相关性,其中离散化后的能量参数组成隐状态序列,量化后的LPC系数组成可现测序列.然后利用HMM预测每一超帧中的能量参数的变化轨迹,并根据预测出的能量轨迹对预测残差进行分模式矢量量化(Mode-based vector quantization,MBQ).仿真实验中能量参数量化后的平均失真为2.668 dB,与线性预测量化算法相比下降了14.O%,表明本文算法通过利用能量参数与LPC系数的相关性,能够有效地提高能量参数量化效率.