基于异常行为的海洋气象传感网的入侵检测方法研究

应对海洋气象传感网面临的异常数据流攻击,分析安全机制,针对其复杂庞大的网络结构和节点内分布极端不平衡的数据流,对基于异常行为的海洋气象传感网入侵检测方法进行研究,并搭建入侵检测系统。重点考虑数据集不平衡问题,使用深度生成网络CVAE-GAN学习数据集中少数类的分布,实现有效的数据生成。使用基于OPTICS的去噪算法清除多数类中噪声点,清晰化类别边界。从数据角度入手,降低数据集不平衡率,减小不平衡数据集对入侵检测系统的影响,提高分类器对少数类异常流量的识别能力。仿真结果表明,所提系统能够有效识别各类异常流量,尤其是少数类异常流量,所采用的不平衡数据集处理方法对分类器的检测能力有显著提高。     

基于条件生成对抗网络的信号生成技术

通信信号生成通常也叫信号重构,信号重构在欺骗干扰、环境构建等方面具有广泛应用,而生成对抗网络的提出为通信领域中的信号重构带来了新思路。文中利用生成对抗网络,在不对通信信号进行参数测量与特征分析的情况下,实现通信模拟调制信号的生成,并加入监督学习,使用有标签的数据集,在WGAN-GP的基础上构建CGAN与ACGAN两种网络模型进行模拟调制信号的生成,并在训练完成的生成器中通过指定标签生成特定调制样式的通信信号,最后经过对比分析,基于ACGAN的模拟调制信号生成的质量更优。     

基于生成对抗网络的人脸属性图像生成

生成对抗神经网络是目前深度学习的热门研究方向,而人脸属性生成是重要研究分支之一,为解决目前关于人脸属性生成时导致背景出现颜色变化、扭曲、模糊,并且人脸生成后出现图片失真和其它面部属性有不同程度的变化,通过改进STGAN的网络结构,主要改进其网络归一化层,使得网络训练属性的精确度更高方法,合理控制属性幅度从而提高生成效果...     

物联无线传感网入侵检测技术的研究

作为物联网体系构成要素之一的无线传感网,由于无线链路的脆弱性,节点分布广、缺少物理保护等原因,使得无线传感网始终面临诸多安全问题。本文主要讨论了针对物联无线传感网入侵检测的原理、技术特点、体系结构、基于神经网络的入侵检测等内容,并指出现有入侵检测技术发展的现状,提出其发展的方向。     

基于深度学习的网络入侵检测方法

文中提出了一种基于卷积变分自编码器和生成对抗网络的网络入侵检测方法（CVAE-GANs）,旨在实现针对多模态数据的网络入侵检测。该方法通过将不同模态的数据编码为共享潜在空间表示,并使用生成器和判别器实现多模态数据的生成和检测。最后,使用DARPA数据集进行了实验,评估了该方法在多模态数据上的性能。结果表明,相较于标准GANs方法,CVAE-GANs方法在准确性和鲁棒性方面,具有显著的优势。     

基于谱约束的生成对抗网络图像数据生成研究

数据匮乏是深度学习面临的一大难题。利用生成对抗网络(GAN)能够基于语义生成新的图像数据这一特性,提出一种基于谱约束的生成对抗网络图像数据生成方法,该方法针对卷积生成对抗网络模型易崩溃不收敛的问题,从每层神经网络的参数矩阵W的谱范数角度出发,引入谱范数归一化网络参数矩阵,将网络梯度限制在固定范围内,减缓判别网络收敛速度,从而提高GAN的训练稳定性。实验表明,通过该方法生成的数据相比原始GAN以及DCGAN、WGAN等生成的图像样本数据在图像识别网络中具有更高的准确率,能够对少量样本数据进行有效扩充。     

无线传感网第三方入侵检测系统

本文提出了一种基于神经网络算法的WSN第三方入侵检测方法。该方法借助第三方数据侦听器监听网络数据发送给目的主机,并通过BP神经网络算法执行实时检测,能有效节省将入侵检测技术应用在节点上的计算开销和资源消耗。最后通过仿真表明该方法检测效果好。     

基于深度卷积生成对抗网络的图像识别算法

针对传统深度卷积生成网络收敛速度慢、稳定性较差的问题,本文在传统深度卷积生成对抗网络的基础上,提出了深度卷积生成对抗网络的优化算法。首先在预处理部分,融合了Canny算子和Prewitt算子的多个方向的卷积核来初始化输入图片参数,同时训练模块。为了减少训练时间,将训练分为3个阶段,每个阶段都采用不同的损失函数,从而提升网络的收敛速度及识别效果。最后再将训练后的判别网络中的卷积神经网络用来提取图像特征。LFW和CIFAR-100的实验证明,本文提出的算法具有很高的可行性和有效性,比传统生成对抗网络、CNN等图像识别具有更高的识别成功率,达到89.5%,为生成对抗网络在计算机视觉领域的应用提供了有益的参考。     

基于注意力机制的双向生成对抗压缩网络

针对现有的图像超分辨率算法网络模型参数量大、计算复杂度高、前向推理过程中耗时长等问题,将深度可分离卷积层引入双向对抗生成网络模型中,同时为了保证双向生成对抗网络的精度,在下采样网络中引入混合注意力机制,以保证模拟生成的低分辨率图片更加贴近现实.在i78700 CPU上对Urban100测试集的图像放大4倍,所提算法的重...     

基于深度学习的无线传感网络入侵检测方法

针对现有无线传感网络入侵检测准确率不高的问题,提出基于深度学习的无线传感网络入侵检测方法。先对入侵无线传感网络特征进行提取,然后基于深度学习对无线传感网络入侵目标的位置进行定位检测,在获得入侵目标位置后,对入侵信息进行检测,最后通过对各个节点的入侵检测,完成整个网络入侵检测过程。实验结果表明,文中设计的无线传感网络入侵检测方法的检测准确率较高,能满足无线传感网络入侵检测需求。     

基于生成对抗网络的语义分割方法

在语义分割模型结构不变的前提下,为提升模型对图像分割的精确度,引入生成对抗网络结构用于训练语义分割模型(SS-GAN)。SS-GAN包含3个设计环节：构建全卷积网络(FCN)结构的生成模型,进行初步的图像分割;设计具备像素间高阶关系学习能力的对抗模型,提高生成模型的学习能力;加入对抗损失辅助生成模型学习,进一步促进生成网络自主学习像素间关系。在计算机视觉竞赛数据集(PASCAL VOC)和城市景观数据集(Cityscapes)上的实验结果表明,引入生成对抗网络后取得了更好的效果,2个数据集的交并比(IoU)指标分别提高了1.56%/1.17%和1.93%/1.55%。     

基于Petri网的入侵检测模型研究

随着计算机网络的广泛应用,非法的入侵与攻击行为不断发生,严重威胁着网络信息的安全,对入侵和攻击进行检测与防范已经成为刻不容缓的重要课题。讲述了Petri网(PN)和有色Petri网(CPN),通过将入侵分为“存在”,“顺序”,“偏序”三种类型,描述入侵检测系统(IDS)中的攻击模式用Petri网实现,并且给出了使用有色Petri网描述攻击模式。     

网络切片场景下基于分布式生成对抗网络的服务功能链异常检测

针对网络切片场景中,由于软硬件异常而导致服务功能链(SFC)异常的问题,该文提出一种基于分布式生成对抗网络(GAN)的时间序列异常检测模型(DTSGAN)。首先,为学习SFC中正常数据的特征,提出分布式GAN架构,对SFC中包含的多个虚拟网络功能(VNF)进行异常检测;其次,针对时间序列数据构建一种基于滑动窗口数据特征提取器,通过提取数据的两种衍生特性和8种统计特征以挖掘深层次特征,得到特征序列;最后,为学习并重构数据特征,提出时间卷积网络(TCN)与自动编码器(AE)构建的3层编解码器作为分布式生成器,生成器通过异常得分函数衡量重构数据与输入数据的差异以检测VNF的状态,进而完成SFC的异常检测。在数据集Clearwater上采用准确率、精确率、召回率和F1分数这4个性能指标验证了该文所提模型的有效性和稳定性。     

基于Petri网的入侵检测技术研究

Petri网是一种非常广泛的建模工具.文中研究了Petri网在入侵检测技术中的应用,分析了基于Petri网的入侵检测系统的主要优势以及随着网络的发展给入侵检测系统带来的问题.基于这些问题,提出了基于Petri网的入侵检测系统的改进方法,设计了一个入侵检测系统的原型并进行了实例分析.