基于隐含模式的异常检测算法

如何检测系统中的临界变化,一直是一个难题。该文提供了一种新的基于隐含模式的异常检测算法。机是一种新的计算力学理论,它能从时间序列中发掘系统的隐含模式。因果态分割重建算法(CSSR)是目前重构机的最成熟算法,它可以推理出一个因果态集合,所有的因果态构成一个隐马尔可夫模型。在因果态集合的基础上,建立一个表达系统特征的向量,不同向量间的距离可以定义成系统异常的测度。把时间序列分段,分别计算每部分的异常度,就可以得到系统的异常演变曲线。在Duffing振子的例子中,该算法不仅有效检测,还提前预测到系统分叉的发生,说明该算法具有很好的应用潜力。     

一种基于密度法的支持向量预选取算法

针对大规模数据集的分类问题,支持向量机的训练成为一个难题。预先选取支持向量用于支持向量机的训练是解决这一难题的思路之一,但其的选择非常困难。本文提出了一种基于密度法的支持向量预选取方法。该方法不需要事先判定训练样本是否线性可分,具有较强的抗击孤立点干扰的能力,并且计算简单,易于实现。实验仿真证明这种方法是有效的。     

基于PSO-SVM的Modbus TCP通讯的异常检测方法

如何有效检测和防御工业病毒对应用层协议数据的攻击是目前工业安全网关研究的难点问题。本文提出了将Modbus TCP通讯流量转换为异常检测模型所需数据形式的预处理方法,设计了一种利用粒子群PSO算法进行参数寻优的PSO-SVM算法。该方法根据Modbus功能码序列中的模式短序列出现的频率,识别出异常的Modbus TCP通讯流量。最后,通过实验数据分析,说明了提出方法可以有效实现对Modbus功能码序列的异常检测。     

虚拟网络切片中的在线异常检测算法研究

在虚拟化网络切片场景中,底层物理网络中一个物理节点(PN)或一条物理链路(PL)的异常会造成多个网络切片的性能退化。因网络中每个时刻都会产生新的测量数据,该文设计了两种在线异常检测算法实时监督物理网络的工作状态。首先,该文提出了一种基于在线一类支持向量机(OCSVM)的PN异常检测算法,该算法可根据每个时刻虚拟节点(VNs)的新测量数据进行模型参数的更新而不需要任何标签数据;其次,基于虚拟链路两端点间测量数据的自然相关性,该文提出基于在线典型相关分析(CCA)的PL异常检测算法,该算法只需要少量标签数据就可以准确分析出PL的异常情况。仿真结果验证了该文所提在线异常检测算法的有效性和鲁棒性。

     

压缩域中基于支持向量机的镜头边界检测算法

针对如何进一步提高镜头边界检测精度问题,本文提出了一个基于支持向量机SVM (Support Vector Machine)的镜头边界检测算法.该算法利用视频压缩域中特征,如宏块类型,帧间对应宏块DC系数差和帧类型将视频帧分为发生切变的帧、发生渐变的帧和非镜头变换帧三类,从而实现视频的镜头分割.实验结果表明该算法对摄像机的运动和大物体的进入具有很好的鲁棒性,且没有大多数算法中阈值选择的困难,将我们的算法与2001 TREC评估中最佳指标进行了比较,在综合度量查全率和查准率的性能指标F1上,比2001 TREC评估中最佳指标高约8％.     

基于SVM实现人眼注视与否的探知

采用基于统计学习理论的支持向量机(SVM,support vector machine)方法对人眼注视与否进行探知。根据结构风险最小化(SRM,structural risk minimization)准则,在最小化已知样本点误差的同时,尽量缩小模型预测误差的上界,改善了模型的泛化能力。实验结果显示,在训练样本数有限的情况下,学习后模型对测试样本的正确识别率达到100％,比此前采用其它方法所获得的识别结果识别率更高,训练及识别过程速度更快,基本上能够满足实时性要求,也更接近人类视觉对注视与否的探知的特点。     

HSMC-SVM的二次逼近快速训练算法

HSMC-SVM是一种直接型高速多类支持向量机,适合用于类别较多的分类场合,但由于SMO算法采用经验方法选择工作集,使得在用SMO算法训练HSMC-SVM时,收敛速度较慢。为提高HSMC-SVM的收敛速度,该文提出用基于二次逼近的可行方向法来训练HSMC-SVM,并使用了样本缩减策略。实验表明,这种方法可以有效提高HSMC-SVM的收敛速度,其收敛速度已经超过了基于libsvm的组合多类支持向量机,完全可以用于分类类别多、样本数量大的分类场合。     

一种基于有监督局部决策分层支持向量机的异常检测方法

该文针对包含多种攻击模式的高维特征空间中的异常检测问题,提出了一种基于有监督局部决策的分层支持向量机(HSVM)异常检测方法.通过HSVM的二叉树结构实现复杂异常检测问题的分而治之,即在每个中间节点上,通过信息增益准则构建有监督学习所需的训练信号,监督局部决策;在每个嵌入中间节点的二分类支持向量机(SVM)的训练过程中,以局部决策边界对特征的敏感度为依据,选择入侵检测的局部最优特征子集.实验结果表明,该文提出的异常检测方法能够在训练信号的局部决策监督下构建具有良好稳定性的检测学习模型,并能以更精简的特征信息实现检测精确率和检测效率的提高.     

Eye Detection in Facial Images Using Zernike Moments with SVM

An eye detection method for facial images using Zernike moments with a support vector machine (SVM) is proposed. Eye/non‐eye patterns are represented in terms of the magnitude of Zernike moments and then classified by the SVM. Due to the rotation‐invariant characteristics of the magnitude of Zernike moments, the method is robust against rotation, which is demonstrated using rotated images from the ORL database. Experiments with TV drama videos showed that the proposed method achieved a 94.6% detection rate, which is a higher performance level than that achievable by the method that uses gray values with an SVM.     

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。     

基于粗糙集属性约简的SVM异常入侵检测方法

文章提出了基于粗糙集属性约简的支持向量异常入侵检测方法。为验证该方法的有效性,对实验数据集KDD99分别用粗糙集属性约简的支持向量分类方法和传统的支持向量分类方法进行实验仿真,并把两者的实验结果进行对比。实验证明,基于粗糙集属性约简的支持向量异常入侵检测方法在检测精度相当的情况下,有效的降低了检测时间并减少了存储空间。     

基于抽样流长与完全抽样阈值的异常流自适应抽样算法

高速IP网络的流量测量与异常检测是网络测量领域研究的热点。针对目前网络流量测量算法对小流估计精度偏低,对异常流量筛选能力较差的缺陷,该文提出一种基于业务流已抽样长度与完全抽样阈值S的自适应流抽样算法(AFPT)。AFPT算法根据完全抽样阈值S筛选对异常流量敏感相关的小流,同时根据业务流已抽样长度自适应调整抽样概率。仿真和实验结果表明,AFPT算法的估计误差与理论上界相符,具有较强的异常流量筛选能力,能够有效提高异常检测算法的准确率。     

一种陶瓷方形扁平封装外观缺陷检测方法

提出一种基于机器视觉的陶瓷方形扁平封装外观缺陷检测方法。对于封装外形尺寸较大而缺陷较细微的情形,将待检片分为多个区域与标准样片进行比对检测。首先通过Foerstner特征点检测法提取标准片图像的特征点,然后使用随机抽样一致性(RANSAC)图像匹配算法,将所有标准片图像拼接并融合生成一张标准片全幅面模板,再将待检片分区与标准片模板进行序贯比对,以提取可疑区域,最后利用支持向量机(SVM)分类器对可疑区域进行筛选分类。实验结果表明,这种方法不仅克服了传统视觉检测过程中视野范围与图像分辨率相互制约的矛盾,且对陶瓷方形扁平封装表面缺陷具有较高的检出率。     

地磁背景环境中基于分形特征的磁异常信号检测算法

磁异常检测(MAD)是一种应用广泛的被动式目标检测方法,其应用包括水面舰船目标监测、水下移动目标及陆地目标的检测与识别等领域。基于地磁背景下弱磁异常信号的可靠性检测方法研究具有重要的意义,该文在研究地磁背景与磁异常信号分形特征差异的基础上,提出一种基于目标磁异常信号分形特征的单传感器检测方法,并进行实际外场试验验证。试验结果表明：该方法能准确分辨出地磁背景干扰与磁异常信号,并可以在地磁背景噪声中实现弱磁异常信号的检测。

     

基于流量总时延最小的并行LSP自适应流量分配

MPLS的引入使IP网络的流量工程成为可能.如何平衡两个标记交换路由器的多条并行显式标记交换路径上的网络流量,从而达到避免拥塞和优化网络性能的目的,是流量工程研究的一个重要课题.本文指出流量总时延最小是最有价值和最实用的流量工程优化目标,通过分析平均分组时延和网络负载的约束关系,证明了优化解的存在,解出了其数学结果,提出了一种自适应流量分配新方法,理论分析和仿真结果都表明该方法具有简单、快速、收敛性强等优点.     

Research on Link Quality Estimation Mechanism for Wireless Sensor Networks Based on Support Vector Machine

In the application of Wireless sensor net-works (WSNs), effective estimation for link quality is a basic issue in guarantying reliable data transmission and upper network protocol performance. A link quality es-timation mechanism is proposed, which is based on Sup-port vector machine (SVM) with multi-class classification. Under the analysis of the wireless link characteristics, two physical parameters of communication, Receive sig-nal strength indicator (RSSI) and Link quality indicator (LQI), are chosen as estimation parameters. The link qual-ity is divided into five levels according to Packet recep-tion rate (PRR). A link quality estimation model based on SVM with decision tree is established. The model is built on kernel functions of radial basis and polynomial re-spectively, in which RSSI, LQI are the input parameters. The experimental results show that the model is reason-able. Compared with the recent published link quality es-timation models, our model can estimate the current link quality accurately with a relative small number of probe packets, so that it costs less energy consumption than the one caused by sending a large number of probe packets. So this model which is high efficiency and energy saving can prolong the network life.     

基于单目视觉的行人检测研究

行人检测系统是目前先进驾驶辅助系统中直接面向行人的保护系统,可最大程度地减少行人所受到的伤害。纹理对称度特征是目前最直观且能够用于表征行人的特征。文中在采用基于纹理对称度特征方法提取感兴趣区域的基础上,提出了一种线检测的方法,可以有效地减少检测过程中阴影、树叶等小纹理对检测结果的影响。最后利用梯度方向直方图特征和支持向量机方法对感兴趣区域进行验证。试验结果表明,该方法在保证检测速度的前提下,可减少检测过程中的虚警和漏警情况。     

基于聚类支持向量机的入侵检测算法

针对支持向量机应用到入侵检测中训练时间长的特点,提出了一种基于聚类的支持向量机的入侵检测算法。该方法可以对训练数据进行剪枝,以靠近判别边界的聚类中心集合作为有效的训练样本集合对支持向量机进行训练,减少了样本的训练时间,提高了算法的效率。实验结果表明该方法对入侵检测是有效的。     

基于误用和异常技术相结合的入侵检测系统的设计与研究

目前,入侵检测系统(IDS) 的漏报率和误报率高一直是困扰IDS用户的主要问题,而入侵检测系统主要有误用型和异常型两种检测技术,根据这两种检测技术各自的优点,以及它们的互补性,将两种检测技术结合起来的方案越来越多地应用于IDS中。该文提出了基于统计的异常检测技术和基于模式匹配的误用检测技术相结合的IDS模型,减少了单纯使用某种入侵检测技术时的漏报率和误报率,从而提高系统的安全性。     

基于组合区域形状特征的物体检测算法

该文提出了一种基于组合区域形状特征的物体检测算法,通过图像分割后各个区域之间的关系,组合选取候选目标,提取候选目标夹角链码和弧弦距比特征,构造并联支持向量机分类器。算法对分割要求不高,可对模糊和低对比度的图像目标进行正确检测。通过在ETHZ图像类库上对算法进行测试,验证了算法的准确性。