基于最大属性熵的GIDS报文分类算法

网络带宽的激增对网络入侵检测系统（NIDS）的检测速度提出越来越高的要求。分类算法作为一种有效降低数据包待匹配规则集的方法,其效率对后继检测算法影响重大。研究了适用于GIDS的经典分类算法Hicuts和针对它的修改升级算法Picuts,针对Picuts没有考虑报文域的特征对于分类树的影响的缺点提出了基于最大属性熵的分类树本地优化策略和新的分类树生成算法MaxFeatureEntropy。最大属性熵策略从理论上保证减小决策树高度。采用开源的snort1.8.7的规则集作为实验数据,结果表明：当每结点包含规则数阀值等于6时,其空间消耗只有Hicuts的10%,是Picuts的60%,速度上较之Hicuts提升了44.4%,较之Picuts提升了20%。     

报文分类算法的设计与实现

报文分类是网络交换设备的基础操作之一.针对目前的报文分类算法主要为小规则集或低维的分类问题,提出了一种新的多维快速报文分类算法.该算法通过压缩、分割和索引操作,设计了压缩分割规则表和索引列表结构表这两类数据存储结构,能支持上万条多维分类规则,分类速度快、存储空间小、支持快速更新,适合于软硬件实现.     

一种基于搜索空间分解的报文分类算法

报文分类算法的关键问题是查找准确且快速,最简单的分类算法就是线性查找,该算法的时间复杂度和空间复杂度均为O(N),线性查找的思想简单、易于实现、空间复杂度好,可以和其它算法混合使用,进而提高算法的分类速度。快速的分类算法采用很复杂的数据结构,牺牲空间来换取时间,甚至过分要求分类的快速性,忽略了空间性。文章根据这一问题进行展开,详细分析了经典的报文分类hicuts算法,分析其时间复杂度和空间复杂度的关系,并提出一种不过分降低分类速度的前提下,有效降低空间复杂度和预处理时间的改进方法。     

用SUH算法实现高速流分类

在分析了2种高速流分类算法ABV( aggreg ate bit vector)和 HiCuts( hierarchical intelligent cuttings)的基础上 ,提出了一种新的高速流分类算法 SUH(split united hierarchy) . 通过利用实际的分类器对 SUH进行的测试表明: SUH在占用很小内存的条件下能快速完成预处理和查找过程 ,实现了高速流分类.     

一种基于计数型Bloom Filter的报文分类算法

实现网络报文的快速分类是保证网络服务质量的前提。通过使用bloom filter查询技术和“双并行”查找策略,设计实现了一种基于双并行查找的报文分类算法DPS（double parallel search）。算法通过修改计数型bloom filter的结构来实现对收到的数据报文进行分类规则的快速查询匹配。在规则的查询过程中,算法使用“双并行”查找策略来提高查询的速度。通过与一般的bloom filter算法相比较得出,DPS算法在保证分类速度的基础上,有效降低了时空复杂度和报文分类的错误率,通过实验验证了DPS算法的有效性。     

基于范围映射和定值映射的多域报文分类算法

报文分类技术为多种高级网络服务提供支持,受到越来越多的关注。文章在分析了RFC、HSM和无冲突哈希算法这3种算法之后,在RFC算法的基础上将HSM和无冲突哈希算法进行了融合,提出了一种基于范围映射和定值映射的多域报文分类算法,适用于报文的五维分类。该算法降低了RFC算法实现过程中的空间需求,有效平衡了时间复杂度和空间复杂度,并且理论上能够扩展支持128位的IPv6地址。     

利用贝叶斯算法过滤报文内容分析系统中的垃圾信息

利用基于概率统计方法的贝叶斯算法,对报文内容分析系统中的垃圾信息进行过滤．该算法的实现,是通过一定的算法来分析大量的相关信息和不相关信息中多种单词特征出现的概率,从而建立一张单词特征表,并依据这张表借助一个评分系统来判断目标文件的相关性．本算法具有一定的自适应性,能根据垃圾信息不断变化出现的形式自动进行特征表更新,从而不断地实时提高本身的判断效率．     

适用于三角函数的SAMA算法优化

针对已有的FORTRAN内部数学库,采用SAMA（sufficient accuracy multiplication algorithm,足精度倍乘法）算法优化其中较为常用的几个三角函数。SAMA算法通过计算前的充分约简,可以在保证计算精度的基础上有效地加速函数泰勒级数的收敛,同时利用数学上的倍乘公式提升算法性能,降低约去误差。从而在算法级上减少函数运算的时间开销,提高函数的性能。对FORTRAN内部数学库使用此算法后,几个常用函数的运算性能都有不同程度的提高。     

基于串行分类算法的不平衡时间序列多分类方法

提出了基于串行分类算法的不平衡时间序列多分类方法,并以“上证50指数”15 min交易数据为例,进行了实验检验与结果分析. 结果表明,在多数情况下,串行分类算法比单一算法有更高的准确率、召回率和F1值,可以更有效解决不平衡时间序列多分类问题.     

基于用户行为的个性化邮件分类算法

针对垃圾邮件过滤过程中分类模型难以个性化、难以适应用户兴趣动态变化的问题,提出了一种基于用户行为的个性化邮件分类算法.算法通过分析朴素贝叶斯分类算法的原理,改造朴素贝叶斯的算法使其具有动态调整能力.实验结果表明此算法具有较高的分类精度.     

增量式贝叶斯分类的原理和算法

自动分类是数据挖掘和机器学习中非常重要的研究领域.针对难以获得大量有类标签的训练集问题，提出了基于小规模训练集的增量式贝叶斯分类，给出增量式贝叶斯分类机理参数计算及其算法.对算法分两种情况处理:第一种情况是新增样本有类别标签，则利用现有分类器检验其类标签，如果匹配则保留当前分类器，否则利用新样本修正分类器；第二种情况是新增样本无类别标签，则利用现有分类器为其训练类标签，然后利用新样本来修正分类器.实验结果表明，该算法是可行有效的，比简单贝叶斯分类算法有更高的精度.增量式贝叶斯分类算法的提出为分类器的更新提供了一条新途径.     

分类挖掘算法综述

分类算法是数据挖掘中最为重要的技术之一.通过介绍当前最具有代表性的分类算法,分析并总结了各种算法在分类挖掘中的优缺点及目前的改进状况,为数据库应用技术的推广提供了借鉴.     

基于服务量差值的Virtual Clock接入允许控制算法

Virtual Clock算法的接入允许控制算法仅要求系统中复用的各个连接的服务速率总和不超过系统的容量，但是这并不足以保证每个分组的时延都达到要求，主要原因在于：这种接入算法没有对每个连接占用的带宽在何种条件下能够释放作出规定，文中提出，当一个连接拆除时，只有等到所有未被服务完的连接在Virtual Clock系统中的服务量超过它们在各自参照服务器中的服务时时，该连接占用的带宽才能释放，采用这种接入允许控制算法，分组在Virtual Clock系统中的时延能够得到完全保证。     

多目标相关分类的遗传算法

通过对遗传算法的中间结果的分析,改进了自然数编码的遗传算法操作流程,并把它应用到多目标的相关分类问题上,算例表明,应用是成功的。     

种群分类粒子群改进算法研究

针对粒子群算法在陷入局部最优时难于跳出的缺陷,提出一种改进的粒子群算法.该算法首先利用粒子适应值的统计规律对粒子进行分类,对属于不同类别的粒子采用不同的进化模型,对于利用完全模型进化的粒子,采用动态调整学习因子的方法,从而大大提高了算法的优化效率和优化精度.通过反复实验分析,得出学习因子随着进化推进的最优变化规律,并给出了学习因子的最佳函数表达式.仿真结果表明,利用改进的PSO算法优化4种具有代表性的基准函数,无论是在优化精度方面还是在优化效率方面,均较以往提出的PSO算法在性能上有本质的提高.     

基于卷积神经网络的深度线段分类算法

为解决单目图像中冗余像素点不利于深度神经网络快速完成深度信息检测的问题,提出一种基于卷积神经网络的深度线段分类算法。对NYU-Depth数据集使用线段检测算法进行线段检测得到原始图像的线段特征图,通过数据预处理结合深度数据得到表征深度信息的线段集合及其标签,提出适用于线段特征的卷积神经网络,实现单目图像中深度线段的分类。通过在不同线段数目上进行多次多组对比试验,深度线段分类准确率达到73.50%。试验结果证明了利用卷积神经网络实现深度线段分类的可实施性,有助于更好的利用图像几何特征解决深度估计问题。     

XML文档分类的IL-AdaBoost算法

提出一种XML文档分类算法——IL-AdaBoost。算法以XML频繁变化子结构为特征构建决策树桩,作为boosting算法的弱分类器,并改进了AdaBoost算法;利用泊松过程模拟新增XML文档的生成,反映XML文档随时间增加的特性,更新样本分布,实现增量学习。利用采样改善基本分类器的差异性,提高集成学习效果。     

一种采用类电磁机制算法的线性分类方法

根据最优超平面和类电磁机制算法的思想,提出了一种组合优化线性分类方法.该方法利用样本训练提取样本个体的类别特征,寻找到将类别分类的最优超平面,设计并实现了一种采用改进的类电磁机制算法的组合优化线性分类方法.试验取得了很好的分类效果,证实了组合优化线性分类方法的可行性.     

基于改进三体训练法的半监督专利文本分类方法

针对信息增益算法只能考察特征对整个系统的贡献、忽略特征对单个类别的信息贡献的问题,提出改进信息增益算法,通过引入权重系数调整对分类有重要价值的特征的信息增益值,以更好地考虑一个词在类别间的分布不均匀性. 针对传统专利自动分类中训练集标注瓶颈问题,提出基于改进三体训练算法的半监督分类方法,通过追踪每次更新后的训练集样本类别分布来动态改变3个分类器对同一未标记样本类别的预测概率阈值,从而在降低噪音数据影响的同时实现对未标记训练样本的充分利用. 实验结果表明,本研究所提出的分类方法在有标记训练样本较少的情况下,可以取得较好的自动分类效果,并且适当增大未标记样本数据可以增强分类器的泛化能力.