基于模块化本体的入侵检测研究

建立了一种基于模块化本体的入侵检测模型,该模型能共享和重用知识并进行分析,具有检测分布式复杂攻击的能力。通过本体的模块化降低对存储空间的要求、提高推理的速度、增强系统的健壮性。用OWL对入侵检测中的模块化本体进行了规格说明并进行了应用举例。     

变磁力吸附爬壁机器人的结构设计与爬越焊缝特性

为提高储油罐壁检测作业的可靠性和安全性,研究设计了一种变磁力吸附机器人本体结构并研究其爬越焊缝特性.首先基于ANSYS平台对机器人变磁力吸附单元进行仿真分析,得到了机器人本体的磁感应强度分布及磁吸附力.然后建立了爬越焊缝过程的动力学模型,应用ADAMS对其进行动力学仿真分析,得到了该过程中的磁吸附力变化曲线.通过分析验证了机构的合理性和实用性.     

基于本体集成的语义标注模型设计

语义Web的全面实现需借助于语义标注,标注网页信息会涉及到多个本体.据此,通过研究桥本体,提出一个在本体集成的基础上建立起来的多本体语义标注模型.该模型利用桥本体集成顶层本体和多个领域本体,同时借助基于本体的信息抽取技术对网页进行语义标注,并将标注信息存入标注库,使标注信息与网页分离,提高语义检索的效率.通过举例说明了本模型的合理性.     

面向Web结构化信息处理的汉语知识库构建研究

对Web结构化汉语信息处理中的知识需求进行了分析,介绍了目前有影响的汉语语义资源和本体知识,给出了面向Web结构化信息处理的汉语知识库组成模型及构建方法,并在Deep Web研究中对该模型进行了应用验证.该研究旨在使计算机更全面有效地对特定领域的web结构化信息进行处理,对本体的深入研究也有一定的参考价值.     

基于本体模糊映射和特征分析的网络入侵检测模型研究

通过对网络入侵的相关知识进行研究,提出了一种基于本体模糊映射和特征分析相结合的网络入侵检测模型;在研究中首先对知识元或数据信息集经过训练形成本体知识库,然后对已知入侵模式的特征知识元或数据信息集进行挖掘,形成特征库;当待测数据集开始检测时,先抽取其知识本体,对其本体和本体知识库中的本体元进行模糊映射,相似度在系统安全阈值范围内的,属于正常数据集,否则,置其入数据评估集,进行特征库匹配,匹配度低的数据信息集属于异常数据给予用户提示,予以报警;在待测数据集检测结束后,对本体知识库和特征库实时更新;该模型通过数据信息集的训练形成自有本体库,避免了数据噪音干扰,提高了检测效率和预警率。     

基于本体的PIM到PSM模型变换方法的研究

首先研究了MDA和本体技术,指出应用UML描述本体的好处;为实现PIM到PSM的模型自动变换,提出了基于本体的模型变换方法,并设计了该模型变换方法的框架。该方法用本体实现语义层的模型变换,提高了模型自动变换的效率和MDA技术的应用。     

基于本体的语义网检索模型及关键技术研究

为解决传统的基于题,构建了一个基于本体的语义网检索模型.提出了一种领域本体库和应用本体库的构建方法,给出了查询本体的生成以及相似本体匹配推理的方法,实现了以该模型为基础的试验性检索系统.实验结果表明,该模型能够进行本体的语义推理,在一定程度上增强信息检索系统的语义处理能力,检索效率得到了改善.     

军事通信领域本体构建与分析

构建军事通信领域本体主要是用于支持基于领域本体的数据库语义查询.基于本体模型的知识表示技术,概述了军事领域本体的整体结构,分析了军事通信领域本体的特点.对军事通信领域本体的构建方法进行了阐述,详细描述了定义类和类的属性和关系,并根据领域知识中提取公理,说明了领域本体知识进行一致性分析和推理的方法.根据这些方法,采用Stanford大学开发的Prot龟6的本体编辑工具实现了一个军事通信本体模型.对下一步将该本体应用到数据库语义查询的问题,提出了一种解决方案.     

基于SUMO的应急组织本体模型及应用

应急组织是突发公共事件应急处置与指挥调度的核心.为了消除应急组织表达中的语义歧义,以SUMO为上位本体,构建了应急组织本体模型.用UML描述了该模型中的应急组织、应急资源和突发事件等概念及其之间的关系,详细分析了模型中的概念、关系、函数、公理和实例等5个本体要素,最后应用该模型对天津市突发公共事件总体应急预案的知识进行了表达,并运用该模型开发了应急预案管理系统原型.实验结果表明,该模型可以很好地表达应急组织相关概念及概念问的关系,消除了语义歧义.     

语义网不精确本体构建方法研究

不精确性包括模糊性和粗糙性,同理不精确本体也包含了模糊本体和粗糙本体.通过对粗糙本体构建方法与模糊本体构建方法的综述,讨论了在不精确本体研究中的关键问题,在此基础上对各种粗糙本体构建方法与模糊本体构建方法进行分析比较.为了解决当前不精确本体构建中的瓶颈问题,提出一种基于包含度理论的不精确本体构建方法,在该方法中将粗糙集与模糊集理论引入传统本体模型,使用包含度理论进行关系描述,讨论了未来的研究方向.     

基于异常与误用的入侵检测系统

入侵检测系统近年来得到长足的发展,但功能都不够完善.为此将基于误用的入侵检测与基于异常的检测结合为一体.在误用检测上,将检测规则进行分类排序,从而极大地提高了检测效率.异常检测则采用人工免疫技术,使系统对已知的攻击和新型攻击均有较强检测能力.     

基于移动代理的入侵检测系统安全研究

现有的基于移动代理的入侵检测系统,存在自身安全性没有保证、难以应对分布式入侵行为的缺点。改进后的模型,为每一个移动代理添加了独立的ID,并加入了身份认证、完整性鉴定和加密机制,提高了入侵检测系统自身的安全性;同时利用移动代理的移动性、灵活性、适应性等特点构建入侵检测子系统,子系统能够很好地利用分散的网络运算资源,实现对可疑行为的分析和响应,有效地应对分布式入侵行为。     

入侵检测技术研究

入侵检测系统已经日益成为网络安全系统的重要组成部分，成为网络安全必不可少的一部分。其核心技术就是它的检测仪引擎所采用的检测技术。文中介绍了目前入侵检测中常用的检测技术，并进行详细分析对比。阐述各检测技术的优点和不足。最后讨论了目前入侵检测系统面临的问题和今后发展的趋势。     

Decision tree based light weight intrusion detection using a wrapper approach

The objective of this paper is to construct a lightweight Intrusion Detection System (IDS) aimed at detecting anomalies in networks. The crucial part of building lightweight IDS depends on preprocessing of network data, identifying important features and in the design of efficient learning algorithm that classify normal and anomalous patterns. Therefore in this work, the design of IDS is investigated from these three perspectives. The goals of this paper are (i) removing redundant instances that causes the learning algorithm to be unbiased (ii) identifying suitable subset of features by employing a wrapper based feature selection algorithm (iii) realizing proposed IDS with neurotree to achieve better detection accuracy. The lightweight IDS has been developed by using a wrapper based feature selection algorithm that maximizes the specificity and sensitivity of the IDS as well as by employing a neural ensemble decision tree iterative procedure to evolve optimal features. An extensive experimental evaluation of the proposed approach with a family of six decision tree classifiers namely Decision Stump, C4.5, Naive Baye’s Tree, Random Forest, Random Tree and Representative Tree model to perform the detection of anomalous network pattern has been introduced.     

结合协议状态分析的入侵检测模型研究

针对现有入侵监测系统的不足,提出一种结合协议状态分析的网络入侵检测模型,即采用了将协议分析和状态分析结合的技术。它是一种基于网络的,以模式匹配技术、状态分析技术和代理技术相结合的入侵检测模型,充分利用状态分析优势进行入侵检测,达到提高检测的速度、准确度和效果。     

基于蜜罐的入侵检测系统的设计与实现*

传统的入侵检测系统无法识别未知的攻击,提出在入侵检测系统中引入蜜罐技术来弥补其不足,并设计和实现了一个基于人工神经网络的入侵检测系统HoneypotIDS。该系统应用感知器学习方法构建FDM检测模型和SDM检测模型两阶段检测模型来对入侵行为进行检测。其中,FDM检测模型用于划分正常类和攻击类,SDM检测模型则在此基础上对一些具体的攻击类型进行识别。最后,设计实验对HoneypotIDS的检测能力进行了测试。实验结果表明,HoneypotIDS对被监控网络中的入侵行为具有较好的检测率和较低的误报率。     

智能入侵检测在企业MIS中的研究与应用

阐述了智能入侵检测在企业管理中的重要性，提出了具体的入侵检测模型，描述了数据采集和处理、神经网络训练和检测。系统防止了内部人员的误操作和有意破坏，是智能入侵检测在企业MIS中的有效应用。     

人工异常在入侵检测中的应用

异常检测由于自身的原因很难在商业入侵检测系统中得到应用。文中构造了入侵检测系统模型，并且给出了产生人工异常的算法，结果表明模型经过人工异常训练后，能够检测绝大多数系统未知的入侵类型。在检测已知入侵方面，模型也有不俗表现。     

Trust Management and Admission Control for Host-Based Collaborative Intrusion Detection

The accuracy of detecting an intrusion within a network of intrusion detection systems (IDSes) depends on the efficiency of collaboration between member IDSes. The security itself within this network is an additional concern that needs to be addressed. In this paper, we present a trust-based framework for secure and effective collaboration within an intrusion detection network (IDN). In particular, we design a trust model that allows each IDS to evaluate the trustworthiness of other IDSes based on its personal experience. We also propose an admission control algorithm for the IDS to manage the acquaintances it approaches for advice about intrusions. We discuss the effectiveness of our approach in protecting the IDN against common attacks. Additionally, experimental results demonstrate that our system yields significant improvement in detecting intrusions. The trust model further improves the robustness of the collaborative system against malicious attacks. The experimental results also support that our admission control algorithm is effective and fair, and creates incentives for collaboration.