基于移动Agent的分布式网络入侵检测系统模型

入侵检测是网络安全的一个重要方面，提出了基于移动Agent的分布式入侵检测系统，具有良好的分布性、可扩展性、实时响应等优点，并给出了该入侵检测系统的模型。     

基于网络的入侵检测模型和方法研究

入侵检测问题是计算机网络安全中的核心问题,相对于传统的操作系统加密、防火墙等静态的安全防御技术而言,入侵检测作为一种动态的的防御技术,能有效弥补静态防御工具的不足。本文将会入侵检测的通用模型、入侵检测的层次化模型、CIDF通用入侵检测框架以及入侵检测方法等内容进行相关研究,以此构建以入侵检测为核心的动态的网络安全方案。     

一种基于模式匹配的入侵检测模型

这里提出了一种基于模式匹配的入侵检测模型,通过跟踪安全系统内的数据流和权限流来识别操作安全引起的上下文入侵。它是异常检测模型的有益补充。     

入侵检测系统分析与探讨

入侵检测系统是新一代的动态安全防范技术.文章介绍了入侵检测技术的概念、分类和通用入侵检测模型,并分析了入侵检测系统的弱点和局限性.最后对入侵检测技术的发展做了讨论.     

一种基于入侵检测的模式匹配算法研究

通过对入侵检测系统的基本概念、发展历史和趋势进行详细论述,以及对各种检测方法进行深入的分析,在Boye Moore算法的基础上提出了一种改进算法来实现入侵检测的关键部分——模式匹配,提高了探测引擎的处理速度。通过实验验证,该改进技术能明显提高系统的检测效率和稳定性,达到了对系统研究和设计的初衷。     

网络黑客入侵检测的研究与实施

在总结黑客入侵的方法和入侵检测系统的原理的基础上,对现有的入侵检测系统进行了分类,分析了入侵检测系统的优缺点,讨论了入侵检测系统的发展趋势和研究的方向。     

网络化制造中分布式多Agent入侵检测系统的研究

提出了一种分布式多Agent的入侵检测系统模型。采用计算检测统计值的检测方法，不仅实现了数据收集的分布化，而且将入侵检测和实时响应分布化。使用该模型的入侵检测系统不但能检测出已知的入侵手段，也能检测出未知的入侵手段。该系统具有很好的实时性和可扩充性。给出了该分布式多Agent入侵检测系统软件的实现。     

一种适用于WIA-PA网络的分层入侵检测方法

工业无线技术是满足工业应用高可靠、低能耗等特殊需求的一类无线传感器网络技术。针对WIA-PA(wireless net-works for industrial automation-process automation)工业无线网络的特点,分析了工业无线网络入侵检测的重要性,设计了一种基于全信道分析仪的分层WIA-PA网络入侵检测和安全数据处理架构,提出了一种适用于WIA-PA网络的分层入侵检测方法,在此基础上,设计并实现了基于WIA-PA的安全管理系统。测试表明,基于全信道分析仪的入侵分析系统能够有效检测网络入侵攻击,基于安全管理者的设备安全入网、密钥管理和安全服务能够在无线环境中得到较好的应用,有效地解决了工业无线网络内部资源受限的问题,提高了WIA-PA网络通信的安全性能。     

入侵检测系统有关问题的研究

文章阐述了入侵检测系统的概念,讨论了入侵检测系统存在的问题,并提出了相应的解决方法,展望了入侵检测系统的发展趋势.入侵检测系统采用主动防御是保护信息系统安全的重要手段,也是近年来安全领域的研究热点.     

入侵检测分类算法的研究

分类是数据挖掘的重要技术之一。在入侵检测中用分类算法，如RIPPER程序来构造分类模型。针对RIPPER算法在入侵检测环境下不能很好地对稀有类分类这一缺点，提出了一个改进方案——在RIPPER算法基础上引入两阶段方法，并以DARPA98入侵检测数据为基础做相应实验。实验结果证明改进后的算法对稀有类分类较RIPPER算法准确率高。     

基于移动智能体入侵检测系统的UML研究

文章首先分析了移动智能体的主要特点,简要介绍了UML定义,分析UML建模的基本思想,利用UML描述和分析了基于移动智能体的入侵检测系统。     

基于云-边缘协同计算的表面缺陷检测系统研究

基于现有表面缺陷检测系统所存在的实时检测难、硬件要求高等问题,提出一种基于云计算与边缘协同计算的表面缺陷检测系统。将轻量化改进后的 YOLOv4 缺陷检测算法模型部署到边缘端嵌入式设备中,在边缘端完成对表面缺陷的检测,并在边缘端和云端设备部署 KubeEdge 框架进行通信和管理。通过案例验证该系统不仅能够满足检测实时性的要求,还能够提取缺陷检测关键信息,同时便于部署在价格低廉的嵌入式设备。     

基于时域模型相对熵的塔架结构非线性损伤检测研究

疲劳裂纹和螺栓松动是转播塔、输电塔等钢结构塔架的主要损伤形式,在时域荷载作用下,这些损伤具有变刚度等时域非线性特征。为了解决该类时域非线性损伤的检测问题,提出了基于自回归时域模型相对熵的损伤检测方法。首先描述了自回归模型及其模型定阶和参数估计的基本理论;然后介绍了结构损伤的时域非线性特征,给出了结构未损伤基本状态和损伤状态下所形成的3种自回归残差,并分析了残差序列概率分布的相对熵,在此基础上推导出自回归时域模型相对熵的损伤检测指标;最后进行了八层剪切结构的数值仿真和转播塔结构模型的损伤检测试验研究。结果表明:对于转播塔的杆件非线性损伤,在损伤位置处的自回归时域模型相对熵指标值比传统的二阶方差指标值高22.9%以上;对于螺栓松动非线性损伤,在损伤位置处的自回归时域模型相对熵指标值比传统的二阶方差指标值高12.7%以上。     

压电微动工作台动态迟滞模型研究

为实现压电微动工作台的快速准确运动定位,研究了其运动定位模型。压电工作台的运动定位精度主要受到工作台动态特性和迟滞特性的影响。在介绍这两类典型特性模型及其适用范围的基础上,提出了能够同时体现压电工作台动态特性和迟滞特性的动态迟滞模型,并给出了采用Prandtl-Ishlinskii (PI)迟滞算子的动态迟滞模型参数辨识方法。实验研究表明,动态迟滞模型的模型精度在压电工作台大行程、快速运动定位时较以往线性动态模型和迟滞模型有较大提高,其平均误差为0.16μm,最大误差为0.38μm,为下一步高性能运动定位工作台控制系统的设计提供了必要的模型基础。     

基于迁移学习和模型融合的粗糙度检测系统设计

针对传统粗糙度测量方法识别准确率不高的问题,提出了基于迁移学习和模型融合的粗糙度检测方法。首先,采用所设计粗糙度检测系统中的CCD相机模组采集工件表面图像并制作数据集;其次,通过迁移微调VGGNet-19、Inception-V3 以及DenseNet121进行多模型融合,得到了适用的粗糙度检测模型;最后,用数据集进行网络训练以提取图像中的纹理细节特征,实现对粗糙度等级的精准识别。针对车削、铣削和磨削共15种粗糙度等级图像进行实验验证,系统识别精度可达91%。结果表明,所提出的系统可有效地实现粗糙度等级自动检测。     

基于深度学习模型融合的铸件缺陷自动检测

针对目前铸件缺陷检测漏检率高的问题,提出一种基于深度学习模型融合的铸件缺陷检测方法.首先对Faster RCNN网络进行改进,利用特征金字塔结构改进特征提取网络模块,实现多尺度的特征融合,完成铸件缺陷的特征提取;然后,基于ROI Align对网络中的ROI池化层进行改进,将IOU分数引入NMS算法判定过程;再将改进后的...     

基于U-net网络的细胞核检测方法

为节省时间和研究人员的精力,采用计算机辅助对细胞或细胞核进行检测.利用卷积神经网络的U-net衍生网络并结合图像处理过程开展对细胞核的检测.研究结果表明,该检测方法的检测精确度为0.82,召回率为0.83,F指标为0.83,具有较好的识别和分割效果.     

Vehicle detection based on visual saliency and deep sparse convolution hierarchical model

Traditional vehicle detection algorithms use traverse search based vehicle candidate generation and hand crafted based classifier training for vehicle candidate verification. These types of methods generally have high processing times and low vehicle detection performance. To address this issue, a visual saliency and deep sparse convolution hierarchical model based vehicle detection algorithm is proposed. A visual saliency calculation is firstly used to generate a small vehicle candidate area. The vehicle candidate sub images are then loaded into a sparse deep convolution hierarchical model with an SVM-based classifier to perform the final detection. The experimental results demonstrate that the proposed method is with 94.81% correct rate and 0.78% false detection rate on the existing datasets and the real road pictures captured by our group, which outperforms the existing state-of-the-art algorithms. More importantly, high discriminative multi-scale features are generated by deep sparse convolution network which has broad application prospects in target recognition in the field of intelligent vehicle.     

基于正弦高斯混合模型的磁目标通用快速检测

在诸如潜艇等磁目标的探测问题中,被测磁目标信号可能表现出参数待定的磁异信号或极低频磁信号的特征。提出了一种可同时检测参数待定的微弱磁异信号和微弱极低频磁信号的通用快速检测方法。通过抓住磁异信号和极低频磁信号在统计上共同具有的分段类正弦特征,建立了正弦高斯混合模型,实现了对参数待定的磁异信号和极低频磁信号的通用建模。基于正弦高斯混合模型和序贯检测理论构建了一种累积和检测器,实现了对微弱磁异信号和微弱极低频磁信号的通用快速检测,给出了未知模型参数的确定方法,分析了所构建检测器的序贯检测性能。并进一步研究了所构建检测器对不同的微弱磁异信号和微弱极低频磁信号的检测性能。在以地磁为背景的磁目标探测系统实验中,验证了所构建检测器对微弱磁异信号和微弱极低频磁信号的通用性和快速性。实验表明,所构建检测器的信噪比可低至-8 dB,计算量相比于传统检测方法降低4个量级。     

基于自激振荡系统的混沌稳健检测模型

针对传统混沌检测模型稳健性不强的缺陷,首先依据分形理论分析了纯噪声激励下临界区域稳定性的变化,并建立了一种新的广义Van der Pol混沌检测模型。该模型中包含的自激振荡力保证了混沌相态的稳定性,且根据Bendixson环域定理,证明了新模型用于弱信号检测的可行性。与经典Holmes-Duffing振子相比,新模型在复杂度相当的前提下,状态稳定性和噪声免疫性获得了显著提升。微弱电力载波信号在白噪声、色噪声条件下的检测实验结果均表明:新模型的应用有效改善了混沌算法的检测稳健性,其检测差错率在-30~-15 d B时降低了一个数量级;而在信噪比-50~-35 d B时,系统检测性能可获得至少3 d B的性能增益。