基于半监督学习的入侵检测算法研究

为了克服入侵检测系统对孤立点敏感的缺点,采用半监督学习方法改进入侵检测系统.在检测时标签数据及其相关信息较难获得.针对这一特点,利用半监督学习方法改进算法,减少了对标签数据的依赖,加强了对未标记数据信息的利用.最终降低了算法的复杂性及系统的误报率,改善了系统的整体性能.通过对不同算法结果的分析比较,验证了该方法的有效性.     

主动学习半监督聚类入侵检测算法

针对聚类的入侵检测算法误报率高的问题,提出一种主动学习半监督聚类入侵检测算法.在半监督聚类过程中应用主动学习策略,主动查询网络中未标记数据与标记数据的约束关系,利用少量的标记数据生成正确的样本模型来指导大量的未标记数据聚类,对聚类后仍未能标记的数据采用改进的K-近邻法进一步确定未标记数据的类型,实现对新攻击类型的检测.实验结果表明了算法的可行性及有效性.     

一种新的半监督聚类入侵检测算法

针对基于监督学习的入侵检测算法所面临的标记数据问题,本文提出了一种基于主动学习的半监督聚类入侵检测算法,利用少量的标记数据,生成用于初始化算法的种子聚类,然后辅助聚类过程,并根据网络数据的特点,将主动学习策略应用于半监督聚类过程中,检测已知和未知攻击。     

基于SVDD的半监督入侵检测研究

提出了一种基于SVDD的半监督入侵检测算法.该算法利用少量有标记正常网络数据建立两个SVDD分类器,通过相互学习来挖掘未标记数据中的隐含信息,扩大有标记正常网络数据的数量.再利用所有已标记正常网络数据用不同的单分类方法建立多个单类分类器,通过集成学习的方法得到最终的分类器.实验表明,该算法具有良好的识别性能.     

基于深度学习的网络入侵检测方法研究

随着互联网技术的快速发展和普及,网络攻击和威胁已经渗透到我们生活的方方面面,网络安全成为人们关注的焦点.在面对网络攻击的研究中,入侵检测作为保证网络安全的一道防线,起着至关重要的作用.针对当前入侵检测收集的各类数据集中存在的数据不平衡问题,提出了一种基于深度学习的平衡数据生成模型,利用数据生成模型生成平衡数据集,使用这...     

基于深度学习的外物入侵检测方法

本文提出了基于深度学习的外物入侵检测方法。首先,利用单目摄像头收集录像视频,其次,人工把视频转换成一帧一帧的图像,分为无外物入侵和有外物入侵两种,并标注。最后,将数据集放入构建的卷积神经网络模型中训练学习。在数据集充足的情况下,通过大量实验表明:基于卷积神经网络的外物入侵检测方法的准确率能够达到99%,相对于原始的帧差法和光流法。有了很大的提升。     

基于二次决策的深度学习入侵检测模型

针对深度神经网络用于入侵检测方法时存在训练过程中由于数据不平衡和特征冗余两大问题而导致的低检测率和高误报率,提出一种基于二次决策的深度学习模型(TDDL).该模型由深度堆栈自动编码器(DSAE)和神经网络结合,包括二个阶段特征学习,其中第一阶段使用DSAE对特征压缩并加入区分异常数据的概率值特征,第二阶段使用神经网络(NN)接收第一阶段的特征并训练,从而降低特征冗余和平衡对正常数据的偏向,以提高检测效果.经KDDCUP99数据集进行实验测试,仿真实验结果表明,该模型能有效提升深度神经网络在入侵检测数据上特征学习的效果,使其具有更高的准确率的同时,还具有较低的误报率.     

深度学习在工业互联网入侵检测中的应用

工业互联网通过人机物的深度连接,实现生产全要素、全产业链、全价值链的高效互联与协同,推动制造业生产方式和企业形态根本性变革,在经济社会发展中起到了重要的推动作用。然而,工业互联网内外网的连接不可避免地暴露了工业系统的脆弱性,加剧了被恶意攻击者入侵的风险,面临重大安全威胁。近年来,国内外高度重视工业互联网安全,开展了大量的入侵检测理论和技术研究,其中最具代表性的是基于机器学习的入侵检测方法,尤其是深度学习的方法,此类方法不仅能够降低误报率、提高检测率和适应性,而且能够提升对零日攻击的检测。本文面向工业互联网安全问题,从近年来工业互联网的安全事件入手,围绕工业互联网入侵检测,重点介绍了深度学习技术在工业互联网入侵检测中的应用,梳理了当前基于深度学习的工业互联网入侵检测理论和技术的最新研究进展,总结了未来基于深度学习的入侵检测方法的发展方向。     

基于深度神经网络的网络入侵检测技术

在现今攻击手段多样化和网络流量高维度的情况下,如何快速准确地检测网络入侵成为了目前研究的重点。深度神经网络（DNN）对于海量数据的处理具有很好的计算能力,并且可以学习样本数据的内在规律,因此基于DNN开展了网络入侵检测技术的研究。首先,通过符号数据数值化和数据归一化对公共数据集进行预处理;然后,构建DNN模型获取分类预测结果;最后,根据分类结果计算模型评价指标,并不断地迭代调整DNN模型,直到模型评价指标达到期望值,对于提高网络入侵检测准确度和效率具有重要的意义。     

基于深度学习的配电网无线通信入侵检测系统

在采用无线通信接入的配电网中,入侵检测系统（IDS）通过分析通信网中传输数据来判断入侵事件.为提高检测的准确性,本文将深度学习理论应用于IDS,提出了一种面向配电网无线通信网络新型入侵检测系统,由带有门控循环单元、多层感知器和Softmax的循环神经网络组成.攻击测试基准实验结果表明IDS防御的有效性,在KDD99测试数据集上,其误报率为0.06%,总检出率为96.43%;在NSL-KDD测试数据集上,其误报率低至0.86%,总检出率则为99.33%.     

基于深度学习的乳液泵缺陷检测算法

为了实现对工业产品乳液泵的缺陷检测,本文采集泵顶、泵上端、泵下端、尾管4个角度的样本图像,并基于深度学习中迁移学习和卷积神经网络的原理分别构建各角度的分类模型以检测缺陷样本。首先,使用Mini-ImageNet数据集预训练网络模型。然后,调整模型结构并加载预训练网络的参数,并将乳液泵各角度的训练集和验证集经过图像预处理算法后输入至卷积神经网络中训练,根据训练过程中验证集准确率的变化调整网络超参数,得到最终网络模型。最后,将预处理后的乳液泵测试样本输入至训练好的模型中,检测最终模型的缺陷识别效果。最终4个角度检测准确率均在93%以上,单样本检测用时为2.52s,优于传统方法。本文算法可用于设计乳液泵缺陷检测系统,该系统能与工业结构相结合筛选出有缺陷的泵体,也可拓展到工业其他物件的缺陷检测。     

新的基于机器学习的入侵检测方法

提出了一种基于机器学习的用户行为异常检测方法,主要用于UNIX平台上以shell命令为审计数据的入侵检测系统。该方法在LaneT等人提出的检测方法的基础上,改进了对用户行为模式和行为轮廓的表示方式,在检测中以行为模式所对应的命令序列为单位进行相似度赋值;在对相似度流进行平滑时,引入了“可变窗长度”的概念,并联合采用多个判决门限对被监测用户的行为进行判决。实验表明,该方法在检测准确度和实时性上均优于LaneT等人提出的方法。     

基于深度学习的轻量化红外弱小车辆目标检测算法研究

伴随高速飞行器的不断发展,目标检测识别作为精确制导的关键一环,需要更高实时性、高准确性地进行目标定位和识别。当前,针对装甲车辆、车辆阵地等时间敏感目标精确检测识别的需求日益迫切,深度学习算法在特征提取及分类器设计上具备优势。文中以特定复杂背景下的小尺寸红外车辆目标为研究对象,针对样本数据少、平台资源受限、实时性要求高、检测精度高等需求,开展基于红外弱小车辆目标检测识别的轻量化深度学习算法研究。项目基于YOLOv5算法进行轻量化剪裁,减小模型的结构,提高实时性;提出了混合域注意力机制模块EPA,该模块通过不降维的局部跨信道交互策略使算法更快速有效地关注重要通道,抑制无效通道,并将通道注意力机制与空间注意力机制结合,使得算法更关注与目标相关的像素信息。提出了残差密集注意模块（RDAB）,该模块由密集残差块与注意力机制EPA构成,通过密集卷积层来提取充分的局部特征,通过注意力机制获取更有效的通道与像素信息,可以使得算法以较小的模型结构获得较好的检测效果。运用设计的网络对数据增广后的小尺寸红外车辆目标数据进行检测识别,并与多种典型算法进行对比实验。由实验结果可知,文中提出的JH-YOLOv5-RDAB网络检测识别效果优于其他网络,权重大小仅为6.6 MB,仅为YOLOv5s算法模型权重的一半,但算法检测效果更优,与93.7 MB的YOLOv5l算法的检测效果接近,mAP50达到95.1%。实验结果表明:该网络在红外弱小车辆目标检测上的优越性和可行性。     

基于深度学习的光纤网络异常数据检测算法

从大规模光纤网络的海量数据中快速识别异常数据是光纤通信技术的一个关键性问题,也是近年来优化光纤通信网络及提高通信准确性的一个重要研究方向,主要解决异常数据的监测精度和收敛速度之间的制约关系。针对此问题提出了一种基于深度学习与遗传算法相融合的监测算法。该算法通过深度学习完成初始数据的分段预处理,再将具有分段属性的交叉概率与变异概率引入遗传算法,从而增强异常数据特征的保留效果。分段预处理将原有数据根据不同属性进行划分,从而大幅缩减了初始滤波的数据量,达到提高异常数据检测速度的目的;将分段属性导入遗传算法的遗传因子使其结果具有加权效果,增加了数据的可分性,从而提升了监测精度。将所提算法与未优化遗传算法、聚类算法进行对比实验,结果表明,所提算法、传统遗传算法和聚类分析算法的异常数据量最小相对误差分别为0.029、0.093和0.104;偏差平均值分别为0.047、0.155和0.156,平均收敛时间分别为5.84 s、12.6 s和9.32 s。由此可见,所提算法在监测精度、稳定性及时效性方面均得到了较好的优化。     

基于深度学习的图像目标检测算法综述

图像目标检测是找出图像中感兴趣的目标，并确定他们的类别和位置，是当前计算机视觉领域的研究热点。近年来，由于深度学习在图像分类方面的准确度明显提高，基于深度学习的图像目标检测模型逐渐成为主流。首先介绍了图像目标检测模型中常用的卷积神经网络；然后，重点从候选区域、回归和anchor-free方法的角度对现有经典的图像目标检测模型进行综述；最后，根据在公共数据集上的检测结果分析模型的优势和缺点，总结了图像目标检测研究中存在的问题并对未来发展做出展望。     

基于深度学习的红外弱小目标检测算法研究综述

目标检测技术是安防监控、预警探测、遥感成像等装备的核心要素,也是当前深度学习研究领域的热点之一。红外探测系统通过被动接收物体发射的红外电磁波进行成像,具备温度灵敏度高、探测距离远、被动探测隐蔽性强等优点,在目标探测领域有广泛的应用。文中从红外弱小目标图像的特点出发,针对基于深度学习的视觉图像目标检测算法进行分类描述,并对深度学习在红外弱小目标检测中的有效手段进行总结,最后对未来的发展趋势做出展望。     

基于深度学习的小目标检测区域数据推荐算法

针对电网数据推荐结果未考虑电网领域知识关联度,推荐结果精准度低,不能精准掌控电网工程建设管理工作问题,提出一种基于深度学习的小目标检测区域数据推荐算法。利用颜色直方图距离和边缘距离展开超像素合并,检测电网小目标区域,采用多尺度卷积神经网络特征提取方法获取小目标区域卷积神经网络特征。以获取的特征为知识项,通过知识树结构组织不同粒度知识项,构建电网领域知识体系关联和推理机制,采用协同过滤推荐算法AR-Item CF,挖掘用户行为日志,根据用户推荐列表,计算出不同知识项间的深层推荐。实验结果表明,该算法可有效解决推荐结果关联度低问题,且推荐效率高、质量好。     

基于深度学习的轻量化遥感图像目标检测方法

深度学习技术强大的特征表征能力为遥感图像目标检测提供了一个非常有效的工具。现有的主流深度学习模型参数数量巨大,存储和计算代价高,限制了其应用的推广。文中提出一种轻量化的深度学习模型用于遥感图像目标检测。实验结果表明,文中提出的方法在保持与Tiny_YOLOv3检测精度相当的情况下,模型大小仅为Tiny_YOLOv3的44. 7%。文中提出的模型在检测精度、模型大小和计算开销上可达到更好的平衡。     

基于遗传神经网络的入侵检测模型

这篇文章提出了一种基于遗传神经网络的入侵检测模型-进化神经网络入侵检测系统(ENNIDS),模型的核心模块利用遗传算法优化神经网络来实现,结合了误用检测和异常检测技术,并从理论上分析了该模型各个模块的功能和实现技术.我们在UCI机器学习数据库的入侵检测数据集上进行了实验,实验结果表明:该模型在检测正确率、误警率等方面能获得校好的性能。     

基于光网络的深度学习算法研究

光网络是一种轻便的、通用的和纯基于Matlab的深度学习框架。其思想是为深度学习研究提供一个易于理解、易于使用和高效的计算平台。实现此框架可以支持大部分深度学习架构例如多层感知器网络(MLP)、卷积神经网络(CNN)和循环神经网络(RNN)。该框架支持CPU和GPU无缝转换。实验证明此框架在计算机视觉、自然语言处理以及机器人技术中有不同的应用。