一种提高云计算环境下检测入侵者速度和正确率的新方法

云计算环境要求入侵检测系统(IDS)极其快速和准确,用于云计算的智能型IDS——反向传播神经元网络(BPNN)经常出现泛化问题,即BPNN无解或总误差函数不能收敛于全局最小值.泛化问题降低了BPNN的识别速度和正确率.为了解决该问题,提出两种解决方法.第一种是剔除相关性大的那些特征,保留相关性较小或互相独立的重要特...     

深度学习模型下多分类器的入侵检测方法

针对海量数据环境下,传统智能化入侵检测方法检测性能较差的问题,提出了一种深度信念网络(deep belief networks,DBN)下一对一(one-versus-one)梯度提升树(gradient boosting decision tree,GBDT)的多分类器入侵检测方法(DBN-OGB)。该方法首先利用深度信念网络从高维、复杂的入侵检测数据中提取出低维、具有代表性的特征数据;然后利用一对一法,在任意两类特征数据之间构建一个梯度提升树分类器;接着利用各个分类器对未知网络攻击进行识别,得票最多的类别即为该攻击的类别;最后利用NSL-KDD数据集进行仿真实验。实验结果显示DBN-OGB方法的平均准确率和检测率都高于99%,相较于DBN-MSVM(deep belief nets based multi-class support vector machine)方法其准确率和检测率分别提升0.56%和1.03%,表明DBN-OGB是一种有效、可行的入侵检测方法,且提高了对海量入侵数据的检测性能。     

MEA优化的BPNN MEMS加速度计温度补偿系统

在充分研究单轴硅微扭摆式电容加速度计结构原理和温度特性的基础上,利用思维进化算法(MEA)优化反向传播神经网络(BPNN)参数构建微机电系统(MEMS)加速度计的温度补偿模型,通过温度实验,计算出温度模型参数,进而实现实时温度补偿.实验结果表明:使用MEA优化的BPNN算法补偿后加速度计的非线性由1576×10-6减小为266×10-6,标度因数温度系数由438×10-6/℃减小为78×10-6/℃,全温零偏极差由58.8 mgn减小为2.7 mgn,加速度计的温度特性大幅提高,证明所提温度补偿算法的有效性.     

基于改进的动态神经网络的网络入侵检测模型

提出了一种改进型的动态神经网络,并成功地将其应用于网络入侵检测系统中。对于给定的全连接的动态神经网络,在通过学习以后可以成为部分连接的神经网络系统,从而降低了计算的成本。针对目前常见的4种不同类型的网络攻击行为（即DoS,Probe,R2L,和U2R）,利用给定的改进型的动态神经网络分别构建相对应的检测系统。然后使用改进的遗传算法对给定的动态神经网络的权值和开关参数进行调节,以适应不同类型的入侵检测。最后利用KDD’99网络入侵检测数据对所提出的网络入侵检测模型进行训练和测试,初步试验结果表明,所提出的入侵检测系统具有较高的检测率。     

基于队列的动态电源管理策略

动态电源管理技术是一项系统级电源优化策略,它通过有选择性的关闭(或者降低性能)空闲的可控设备来降低功耗.在回顾以往系统级动态电源管理策略的基础上,提出了一种基于队列的新型系统级动态电源管理策略,利用队列不但可以提高对于可控模块何时被唤醒时间的预测命中率,并且能够根据不断变化的任务负载情况进行自身的快速调节,以适应不同任务的要求,通过搭建的SkyEye环境进行仿真,结果验证了在性能和节能方面,该方法优于传统方法.     

蝙蝠算法优化神经网络的网络入侵检测

研究网络入侵安全问题,网络入侵具有隐蔽性、随机性和突发性等复杂变化特点,传统方法无法描述变化规律,导致入侵检测正确率低。为了提高网络入侵检测效果,针对BP神经网络参数优化问题,提出一种蝙蝠算法优化BP神经网络的权网络入侵检测模型(BA-BPNN)。首先将BP神经网络参数编码为蝙蝠个体,并以网络入侵检测正确率作为个体适应度函数,然后通过模拟蝙蝠飞行过程找到BP神经网络最优参数,最后根据最优参数建立网络入侵检测模型。在Matlab 2012平台采用KDD CUP 99数据集仿真测试,结果表明,BA-BPNN解决了传统神经网络模型存在的难题,提高网络入侵检测正确率。     

基于Logistic回归和BPNN的二值人脸图像识别

针对人脸检测识别中受外在条件影响及低识别率的问题,提出一种基于二值图像的Logistic回归和反向传播神经网络BPNN(back-propagation neural network)的人脸识别方法。该算法将彩色图像被转换成灰度图像。使用低通滤波器去噪,将局部窗口标准偏差和自适应阈值应用于灰度图像,得到高质量的二值去噪图像,从中检测可能的人脸区域。使用最近邻居内插方法将其缩小,与每个缩小大小的图像相对应地创建人脸数据库。使用Logistic回归和BPNN来分类属于每个人的所有图像,并为每一类图像获得一个决策边界。图像尺寸的缩小最大限度地减少了逻辑回归和神经网络训练的计算空间和时间。实验结果表明,在FEI图像数据库上Logistic回归和反向传播神经网络的识别精度高达97.5%,优于其他识别算法的精度。     

基于线程队列动态规划法的GPU性能优化

针对目前线程队列管理方法中执行时间长的线程无法得到响应的问题,对线程队列进行了研究,提出了线程队列动态规划法(Thread Queue Dynamic Programming,TQDP).通过实验验证,对比了评估性能的参数,如Weighted Speedup,STP,ANTT等,TQDP与++DynCTAT,Mod+Bypass,PBS,BF相比,Weighted Speedup分别提高了14％,13.7％,13.3％,3.4％.与SMK,SMK-(P+W)相比,STP分别提高了8.5％,1.4％,表明提出的方法实验效果好,优化了系统性能.     

基于粒子群优化的主动队列管理方法

针对网络拥塞现象,基于粒子群优化(PSO)提出了一种新的主动队列管理算法RQQM。该算法首先通过粒子群优化和变异算子来计算当前队列长度,并且基于到达速率和当前队列长度给出了丢包策略和丢包概率。最后,以实际数据将RQQM算法与基于速率的早期检测公平队列管理(RFED)算法和自适应主动队列管理(ABLUE)算法进行仿真实验,
发现丢包率受利用率和缓冲区影响较大;同时实验结果表明RQQM算法的公平性远远优于其他两种算法,其平均丢包率降低至12.21%。     

基于PSO-BP神经网络的入侵检测技术优化算法的研究

针对基于BP神经网络的IDS技术收敛速度较慢,易陷入局部最优值、网络瘫痪,系统稳定性差等问题,本文提出了基于PSO-BP神经网络的入侵检测技术优化算法。利用粒子群优化算法优化BP网络的权重,首先利用PSO算法优化得到一个最优初始值,然后通过BP网络算法修正误差值,从而获得最优值。     

基于改进的蝗虫算法的云计算任务调度研究

针对云计算任务调度存在完成时间长、成本消耗大以及负载不均衡的问题,提出一种基于改进的蝗虫算法(Imorve Grasshopper Optimization Algorithm,IGOA)的任务调度方案.对蝗虫算法采用反向学习和柯西分布分别优化种群和递减系数,提高算法的性能;用自然数对蝗虫个体编码表示蝗虫的位置,将每一...     

基于MGA-PSO的云计算多目标任务调度

为了提高云计算任务调度的效率,将微生物遗传算法(MGA)和改进的粒子群算法(PSO)融合成MGA-PSO算法用于云计算任务调度.综合任务完工时间、任务执行成本及虚拟机负载均衡三个目标构造适应度函数,以此寻找任务调度的最优解;对粒子群算法进行改进,使用动态惯性权重策略以提高算法的自适应搜索能力;在任务调度前期使用MGA算...     

自适应动态调整粒子群的云计算任务调度

为了高效地实现云计算任务调度,融合改进的分数阶达尔文粒子群算法和多目标函数构造,提出一种新的云计算任务调度算法。对分数阶达尔文粒子群算法进行全方位改进,基于粒子群适应度动态调整惯性权重系数以自适应搜索最优解;利用粒子自身进化信息定义进化因子,结合进化因子并利用高斯图函数调整分数阶次α系数以实现快速收敛;借助Levy飞行随机扰动对局部最优位置进行位置扰动以提高跳出局部最优的能力;综合最短等待时间、资源负载均衡程度及任务完成所耗费用等三个目标构造任务调度满意度函数,以此搜索任务调度最优解。仿真实验表明,与其他粒子优化算法相比,该算法有较快的收敛速度和较高的寻优精度;在任务调度中,该算法与其他三种调度算法相比,在较低的截止时间未完成率下实现了虚拟资源的均衡负载。     

基于粒子群优化与蚁群优化的云计算任务调度算法

在云计算环境中用户数量众多,系统要处理的任务量十分巨大,为了使系统能够高效地完成服务请求,如何对任务进行调度成为云计算研究的重点。提出一种基于粒子群优化和蚁群优化的任务调度算法,该算法首先利用粒子群优化算法迅速求得初始解,然后根据该调度结果生成蚁群算法的初始信息素分布,最后利用蚁群算法得到任务调度的最优解。通过在CloudSim平台进行仿真实验,表明该算法具有较好的实时性和寻优能力,是一种有效的调度算法。     

基于公平性和负载均衡的云计算任务调度算法

任务调度是云计算的关键技术之一,其主要目标是能更有效地满足系统资源和任务的公平性,同时尽可能实现系统资源的负载均衡。结合遗传算法的优点,提出一种公平均衡遗传调度算法FBGSA(Fair Balanced Genetic Scheduling Algorithm)。该算法充分考虑到任务调度过程中资源和任务的公平性问题,以及资源的负载均衡等因素。实验结果显示该算法不仅可以有效减少任务总完成时间,而且可以满足系统资源和任务的公平性,有效实现资源负载均衡。     

基于改进狮群算法的云计算资源调度策略

针对云计算在运算过程中资源利用率低以及节点负载不均衡的问题,提出一种改进狮群优化算法的云计算资源调度策略.针对传统狮群算法易早熟收敛陷入局部最优以及算法收敛精度低的问题,通过余弦扰动因子以及双高斯变异函数对算法进行改进.数值仿真实验结果表明,改进后的狮群优化算法较好地平衡了算法的全局勘探能力和局部开发能力,提高了算法的全局收敛精度.建立云计算资源调度数学模型,并通过改进后的狮群算法对模型进行优化.     

基于遗传算法与蚁群算法动态融合的网格任务调度

深入分析遗传算法和蚁群算法的机理,并结合网格任务调度的研究,提出基于遗传算法和蚁群算法动态融合的网格任务调度策略.该策略通过不同迭代次数中种群相似度的差值实现两种算法的动态融合.仿真实验表明该策略是可行的,并且具有高效性.     

基于改进克隆选择算法的云计算任务调度算法

在云计算中,系统要面对庞大的用户群,处理大量任务以及数据。如何对云环境中的大量任务进行高效的调度、满足用户需求成为了云计算中所要解决的重要问题。针对云计算的并行编程模型,借鉴生物免疫系统的克隆选择机制,利用生物工程中基因重组技术,提出一种基于基因重组的克隆选择算法,将此算法应用到云环境的任务调度问题中,可以确定最佳的任务调度方案。通过仿真实验将此算法与传统克隆选择算法进行比较,结果证明此算法的收敛速度与收敛精度均优于传统克隆选择算法,并且通过此算法可以确定较优的任务调度策略,是一种云计算环境中有效的任务调度算法。     

基于分层优化的资源受限系统任务拆分调度方法

为挖掘资源受限系统的服务潜力,提出一种考虑任务拆分执行方式的调度方法。分析资源调配中所需遵循的约束条件,并以任务满足率为优化目标建立规划模型。设计问题求解框架,提出多层优化算法结构。其中,改进粒子群算法被应用于决策层问题求解,可通过种群进化实现对问题解空间的快速搜索。将冲突规避策略和任务拆分规则应用于逻辑层,能够根据资源稀缺程度进行任务切割,并根据需求分布挑选低重叠度时段进行分配。在仿真实验中,对该方法进行组合测试,分析结果验证了该方法的有效性。     

云计算平台中监控视频摘要任务调度方法研究

随着视频监控系统的大量部署,产生了大量的监控视频数据,视频摘要技术应运而生。如何优化大量的视频摘要算法服务器的工作效率,高效的视频摘要任务调度方法成为关键。提出一种基于视频摘要任务执行时间预测模型的分布式任务调度方法。该方法对视频摘要处理过程中的监控视频数据块所需的服务器处理时间进行预测,从而合理调度任务,使服务器负载均衡,提高了云服务器的资源利用率,降低了视频摘要任务的分布式处理时间。