数字图像模式噪声篡改反取证

针对基于模式噪声的图像来源性取证技术,提出一种全新的误导攻击方式,分析了特定相机的相机成像模型,推导出了模式噪声替换公式,该公式抑制了原有相机的模式噪声痕迹,并附加上了伪造相机的模式噪声,通过线性回归或基于图像内容特征的方式求出合理的嵌入参数。实验表明,该算法不但可以有效地混淆来源性取证,更可以让伪造者控制取证技术的结论,从而达到误导的效果。     

噪声方差和纹理复杂度分析的源相机识别

针对源相机识别问题,提出了一种利用噪声方差和纹理复杂度分析的源相机识别新方法。首先围绕CFA插值和小波去噪,讨论了传统的模式噪声提取方法的不足,接着重点讨论利用噪声方差以及根据模糊聚类去除高纹理复杂区域进行模式噪声提取的新方法。实验表明所提取的模式噪声不仅能更好地反映数码相机的模式噪声特性,而且对来自三种不同相机的照片的平均识别率提高了近6.3%。     

一种基于模式噪声熵的图像来源取证算法

针对数字图像的来源取证,提出了一种基于模式噪声熵的检测算法。传感器作为数码相机的重要部件,由于在制造过程中的缺陷,成像时会给图像带来一种模式噪声。该算法利用传感器产生的模式噪声具有唯一性这一特点,对图像进行小波降噪并提取图像的模式噪声,利用模式噪声的熵值对不同来源的图像进行区分。实验结果表明,该方法对原始图像有较高的检测率,对有损压缩图像也有较好的鲁棒性。     

利用模式噪声主分量信息的源相机辨识技术

针对数码相机源辨识问题,提出一种利用成像传感器模式噪声主要分量（或称大分量）信息进行源设备辨识的新方法。首先围绕模式噪声的抽取和预处理,讨论去噪滤波器和去颜色滤波器阵列（CFA）插值对提高模式噪声质量的影响,然后重点讨论选取传感器模式噪声部分大分量对改善相关性检测器性能的作用。该方法不仅能很好地分离两台相机所拍摄的照片,而且还大幅度减小了检测的计算量。     

逆重心密度的半监督学习在视频篡改检测的应用

针对视频遭受非同源片段合成的篡改,根据其特点以及数据特征,提出一种改进的半监督学习算法,并将这种算法应用在视频篡改取证研究。首先,以每一个视频帧作为样本,提取其R、G、B分量,对这三个分量分别提取噪声,然后以这三个噪声模板的均值、方差等统计量构成样本属性。最后,用本文提出半监督学习算法对样本集聚类。实验结果表明本文提出的算法能够有效检测视频是否由非同源片段合成。     

两种应用传感器模式噪声的扫描仪源辨识策略

针对扫描图片的源辨识问题，本文探索利用传感器模式噪声（sensor pattern noise）进行源设备辨识的可能性及方法。由于扫描仪和数码相机具有类似的结构和成像原理，本文考虑使用矩阵参考模式和线状参考模式两种源辨识方法，并通过实验进行验证。     

基于模式噪声的手机图像篡改检测

模式噪声作为相机传感器的固有特征, 其高频分量与所拍摄的场景无关, 并在相机的生命期中相对稳定. 因此基于模式噪声的多媒体取证已经被广泛应用在追溯图像来源检测中. 然而, 由于模式噪声的脆弱性, 容易被篡改者从一个相机复制到另一相机上. 针对这一问题, 首先对基于模式噪声的两种篡改方式进行研究, 并通过设定判定阈值进行篡改取证, 同时为了解决模式噪声的相关性检测过程中计算量大, 算法复杂度高等问题, 采用了改进的模式噪声集鉴别方式, 大大提高了篡改检测效率.     

基于传感器模式噪声特性的图像篡改检测方法

针对传统基于传感器模式噪声特性的图像篡改检测算法由于需要知道参考图像数据库因而应用局限性大的问题,提出了一种基于噪声子空间投影的图像篡改检测框架,分别采用主成分分析（ PCA）、二维主成分分析（2DPCA）和核主成分分析（KPCA）实现了基于图像噪声特性的篡改检测,并通过实验验证了此方法的有效性。     

基于噪声一致性的数字语音异源拼接篡改检测算法

异源拼接是一种常见的数字语音篡改行为,其主要借助音频编辑软件将不同场景中录制的语音片段拼接在一起,以达到改变语音语义的目的。考虑到不同场景中所包含的背景噪声特性往往存在差异,提出了一种基于噪声一致性的数字语音异源拼接篡改检测算法。首先,采用时间递归平均（TRA）算法提取待检测语音中所含噪声;然后,通过突变点检测（CPD）算法检测噪声方差是否存在突变来判定待检测语音是否经过篡改,并对篡改位置作出定位。实验仿真结果表明,所提算法能对数字语音中的异源篡改位置进行有效检测。     

利用模糊估计和传感器噪声检测篡改图像

由于有功能强大的计算机和图像处理软件的存在,普通用户可以将数字图像篡改成他们想得到的任何形式。所以检测数字篡改变成了一个非常严峻的问题。在大多数情况下,数字篡改图像是很逼真的,但是在处理过程中也会留下一些痕迹。文章将图像的模糊估计和传感器的模板噪声检测篡改的方法结合起来,对多幅图像操作,实验证明有不错的检测效果。     

Clustering by Pattern Similarity

The task of clustering is to identify classes of similar objects among a set of objects.The definition of similarity varies from one clustering model to another.However,in most of these models the concept of similarity is often based on such metrics as Manhattan distance,Euclidean distance or other L_p distances.In other words,similar objects must have close values in at least a set of dimensions.In this paper,we explore a more general type of similarity.Under the pCluster model we proposed,two objects are similar if they exhibit a coherent pattern on a subset of dimensions.The new similarity concept models a wide range of applications.For instance,in DNA microarray analysis,the expression levels of two genes may rise and fall synchronously in response to a set of environmental stimuli.Although the magnitude of their expression levels may not be close,the patterns they exhibit can be very much alike.Discovery of such clusters of genes is essential in revealing significant connections in gene regulatory networks.E-commerce applications,such as collaborative filtering,can also benefit from the new model,because it is able to capture not only the closeness of values of certain leading indicators but also the closeness of (purchasing,browsing,etc.) patterns exhibited by the customers.In addition to the novel similarity model,this paper also introduces an effective and efficient algorithm to detect such clusters,and we perform tests on several real and synthetic data sets to show its performance.     

基于聚类算法的视频内容识别研究

本文研究了视频网站内容监播、监控的规律,并且依据新的规律改进了现有的K-MEANS聚类算法。受互视频内容数据非结构化因素的影响,K-MEANS聚类算法进行聚类识别和计算效率上存在明显的缺陷。K-MEANS聚类改进算法的优势在考虑到了视频帧序列关系,并保持了可接受的检索速度。     

Web点击流的频繁模式聚类算法

用户在访问Web站点时会碰到很多问题，主要原因是Web站点对用户需求缺乏适应性。为了提高Web用户的服务质量和用户的满意度，在用户访问网站点击流形成频繁序列模式的基础上，提出基于距离函数的聚类分析以及基于时间相似度函数的二次聚类分析算法。该算法可以求取频繁序列的相关性和反映用户对网页的兴趣的相似度，对下一步改善Web站点的结构及存在形式使站点达到更好的效果起先导作用。     

Web点击流的频繁模式聚类算法

用户在访问Web站点时会碰到很多问题,主要原因是Web站点对用户需求缺乏适应性。为了提高Web用户的服务质量和用户的满意度,在用户访问网站点击流形成频繁序列模式的基础上,提出基于距离函数的聚类分析以及基于时间相似度函数的二次聚类分析算法。该算法可以求取频繁序列的相关性和反映用户对网页的兴趣的相似度,对下一步改善Web站点的结构及存在形式使站点达到更好的效果起先导作用。     

基于中心点及密度的分布式聚类算法

针对分布式聚类算法DBDC存在的不足,提出一种基于中心点及密度的分布式聚类算法DCUCD。将数据分布计算出的虚拟点作为核心对象,核心对象的代表性随算法的执行次数提高,聚类即是对所有核心对象分类的过程。理论分析和实验结果表明,该算法能有效处理噪声和分布不规则的数据点,时间效率和聚类质量较好。     

基于聚类的复杂网络社团发现算法

对基于聚类技术的复杂网络社团发现算法进行研究,分析网络中结点间的相似性度量方法,提出把复杂网络中的结点转化为向量的顶点到向量映射(MVV)算法,把网络中的结点转化成适合聚类算法的数据结构形式.对不同聚类算法及相似性度量方法的性能进行比较分析,结果表明,MVV算法可以提高发现复杂网络中社团的能力.     

基于模式挖掘和聚类分析的自适应告警关联

大部分攻击事件都不是孤立产生的,相互之间存在着某种联系,如冗余关系和因果关系等.大多数入侵检测系统忽略了上述关联性,从而暴露出高误报率的严重问题.在分析比较了目前较为流行的几种告警关联方法的优缺点基础上,提出了一种基于模式挖掘和聚类分析的自适应告警关联模型A3PC.以告警的行为模式概念为中心,A3PC将异常检测思想引入告警关联的问题上,通过提取关联规则和序列模式生成告警的分类模型,对误报进行自动鉴别,同时采用模式挖掘和聚类分析算法相结合的处理思想以及人机交互的半自动处理模式,从而形成真实有效、精简的管理员告警视图.使用MIT Lincoln实验室提供的DARPA入侵检测攻击场景数据集进行了测试,实验分析表明,A3PC较传统方法在告警关联准确程度、实时性和自适应性等方面更具优势.     

隐私保护聚类的独立噪音算法

数据挖掘技术具有很多优点,但存在隐私威胁等不足。该文针对聚类分析时如何保护隐私的问题,提出独立噪音思想并设计独立噪音算法(INA)。该算法对原数据叠加噪音以保护原始数据不被泄漏,所用噪音不会对数据分布造成严重影响,使后期挖掘工作可以在修改后的数据上直接进行。实验结果证明,INA算法可以取得较高的隐私保护程度和挖掘正确率。     

基于聚类和偏序序列的API用法模式挖掘

在软件开发过程中,开发人员经常需要遵循特定的API用法模式,而这些用法模式几乎没有相关文档作为参考。为了挖掘API用法模式,提出基于聚类和频繁闭合偏序序列的API用法模式挖掘途径。通过抽象语法树对源代码进行解析,对提取API方法调用序列进行层次聚类,最后使用频繁闭合偏序挖掘算法DFP进行API用法模式的挖掘。实验结果表明,在相同的数据集上,与SPADE算法和BIDE算法相比,所得候选API用法模式集更加精简。     

数据聚类中基于浓度噪音消除的可视化参数选择方法

可视化技术的发展极大地提高了传统数据挖掘技术的效率.通过结合人类识别模式的能力,计算机程序能够更有效的发现隐藏在数据中的规律和信息.作为聚类分析的重要步骤,噪音消除一直都是困绕数据挖掘研究者的问题,尤其对于不同领域的应用,由于噪音的模型和定义不同,单一的数据处理方法无法有效而准确地去除域相关的噪音.本文针对这一问题,提出了一个新型的可视化噪音处理方法CLEAN.CLEAN的独特之处在于它设计的噪音处理技术和提出的可视化方法有机地结合在一起.噪音处理算法为可视化模型生成所需数据,同时针对噪音处理算法选择可视化方法,从而达到提高整个数据处理系统性能的目的.这样不仅降低了噪音去除过程中主观因素的影响,还可以帮助数据挖掘程序去除领域相关的噪音.同时源数据的质量,算法参数的选择和不同噪音去除算法的精确性都可以在所使用的可视化模型中反映出来.实验表明CLEAN能够有效地帮助空间数据聚类算法在噪音环境下发现数据的自然聚类.