基于机器学习的入侵检测系统探究

随着计算机以及网络信息技术应用的不断深入,网络入侵事件频发,入侵方式与手段的复杂化与多样化,使得传统防火墙、数字认证等安全防护技术已无法满足当前复杂的网络安全形势。因此,为有效提升网络的稳定性与安全性,入侵检测技术得到了快速发展,然而由于自身的局限性,致使入侵检测系统的误报率与漏报率较高。但随着机器学习在入侵检测领域应用的不断增多,促使这一现象得到明显改善。对此,文章首先阐述了入侵检测系统的类别,然后细致探讨了基于机器学习的入侵检测系统,希望能够为创建安全和谐的网络环境提供些许帮助。     

基于机器学习的大学体育成绩预测与分析

为了科学评价大学生身体素质,提出基于机器学习算法的体育成绩预测模型。对当前大学生体育成绩预测的研究现状进行分析,指出导致当前模型预测精度低的原因,采用机器学习算法——支持向量机建立大学生体育成绩预测模型,并采用粒子群算法选择模型参数,最后将该模型应用于某大学的体育成绩建模和预测中。应用实例结果表明,机器学习算法可以克服传统模型的不足,使得大学体育成绩预测效果得到改善,预测结果可以指导大学体育学科的改革。     

基于机器学习的网络舆情预测研究综述

大数据时代来临，社交网络和自媒体平台为公众提供了解多元文化的渠道。与此同时，一些负面、虚假或未被证实的消息同样可以得到传播。因此，在舆情形成初期，实时监看和预测未来的舆情走势成为重中之重。传统的网络舆情监看依靠人工信息汇集和分析预测舆情走势，随着机器学习技术的发展，基于机器学习的预测方法已在各个行业取得成就。文中对应用于网络舆情预测的主要机器学习模型进行梳理和理论介绍。此外，对当前应用机器学习于网络舆情预测的主要方法进行全面综述、对引入的关键技术进行整理介绍并探讨未来发展方向。     

基于WEKA平台的三种面向对象土地覆被分类方法研究

卫星遥感技术的迅速发展,使得遥感影像的应用愈来愈广泛,尤其是高分辨率遥感影像。面向对象提取算法在利用高分辨率影像特征的基础上,提取影像中和真实的物相符的区域。机器学习算法也越来越多地应用到遥感影像土地覆被分类中。文章将基于WEKA平台使用J48决策树、随机森林和贝叶斯网络三种机器学习算法对目标研究区域土地覆被进行分类。研究结果表明,与贝叶斯网络和J48决策树相比,随机森林的分类精度更高,效果更好,准确率为76.10%,Kappa指数为0.681 6。     

基于机器学习的网络攻击检测综述

当前网络安全问题是一个瓶颈问题,在网络入侵检测中机器学习可以看作是为了通过学习和积累经验提高攻击检测系统的性能而建立的计算机程序。机器学习应用于网络攻击检测,对网络的大量数据进行分析并通过学习算法自动产生规则,从而使网络具有自动识别攻击的能力。本文在详细介绍网络攻击检测系统机器学习原理的基础上,对现有的各种方法进行了评述并结合网络攻击检测的应用需求,阐述了网络攻击检侧系统机器学习技术的发展方向。     

基于机器学习的乘用车上坡动力学建模研究

本文针对无人驾驶的动力学建模和数据处理问题,从汽车上坡时的动力学分析出发,综合考虑各种参数,研究建立了乘用车上坡过程的数学模型和处理建模数据的方法。在此基础上,建立乘用车上坡过程的机器学习网络,利用BP神经网络对动力学建模数据进行训练,使得建模的误差大幅减少。仿真结果表明,动力学模型得到了优化,实现了乘用车上坡过程的智能化参数分配。     

基于DBN耦合模型的太阳辐照度模拟

在低碳经济的发展趋势下，太阳辐射的精确模拟对于光伏发电行业至关重要。影响太阳辐射的因素十分复杂，其与许多要素之间都存在复杂的非线性关系，这使得太阳辐射的模拟变得相对复杂。目前已有研究表明，机器学习模型能够很好地模拟太阳辐射，可挖掘出太阳辐射和各种影响因素之间的数学关系。文中基于支持向量回归（SVR）、随机森林（RF）、贝叶斯岭回归（BR）、梯度提升树（GBDT）、BP神经网络（BP）等五种机器学习模型，采用2020年1月—2021年4月位于河南的4个光伏发电站的真实卫星数据及地面观测数据进行机器学习建模以及地面太阳辐射模拟。由于传统单一模型的模拟精度较低，为提升模拟精度，通过引入DBN深度信念网络对五种模型模拟的结果进行二次建模，最终得到4个站点的高精度太阳辐射模拟值。研究结果表明，DBN耦合模型能够有效提取不同机器学习模型模拟结果的特征，其模拟效果和鲁棒性显著优于单一机器学习模型。     

基于机器学习的无线通信网络资源分配方法研究

针对现有无线网络资源分配面临的资源分配不合理问题,提出基于机器学习的无线通信网络资源分配方法研究。在网络资源接入时设定优先级,然后进行中继转发,最后利用比例公平算法对无线通信网络资源进行合理分配。通过实验得到,提出的基于机器学习的无线通信网络资源分配方法,能够有效解决资源分配不合理的问题。     

基于改进AP-SVM算法的网络业务流分类

如何选取训练样本使得SVM达到更好的效果是机器学习中的一个难题。本文提出一种改进AP聚类算法,通过二分法不断扫描偏向参数P空间,得到最优的偏向参数P,以期得到更准确的聚类效果,从而选取更高质量的训练样本,使SVM达到更好的分类效果。实验结果显示与传统的SVM及AP—SVM分类器相比,本文的BAP—SVM能够得到更高质量的训练样本,从而得到更好的分类效果。     

基于机器学习的光网络监测与优化方法

近年来,许多新型调制和复用技术以及动态网络概念被提出,以适应不断提高的网络带宽和质量需求。网络控制平台向系统化、智能化趋势发展,要求网络管理者不断监测网络各项参数,时刻优化网络状态。然而,大范围部署额外的监测设备获取参数信息从成本控制的角度缺乏可行性,利用已知数据与特殊算法进行网络性能监测和优化是更优的选择。机器学习方法因为其足够准确和高效逐渐被学术界采纳用于完成上述任务。文章梳理了在光网络监测与优化任务中使用机器学习算法的不同应用场景,综述了该领域的研究成果,并提出了现存的基于机器学习的光网络监测与优化方法存在的问题及可能的进一步研究的方向。基于机器学习的光学性能监测包括光学损伤辨别、信道质量评估以及通道功率预测,基于机器学习的网络配置优化方法包括强化学习优化通道功率。进一步研究方向可以考虑加强与运营商的合作,使用真实的现场数据,不断获取数据动态训练模型,并使用迁移学习和数据增强等技术,以保证算法的鲁棒性与泛化能力。     

基于机器学习的无线网络流量预测与增长潜力评估

提出一个基于机器学习的无线网络流量预测及流量增长潜力评估方案。该方案分析蜂窝网络中的实际业务流量数据在时间维度上的变化规律,并借助高斯过程的机器学习方法来预测业务变化趋势,从短期角度为运营商的网络优化部署提供指导。基于极限梯度提升(XGBoost)机器学习框架,建立网络中其他运营数据与业务流量的多维映射关系,应用改进的量子粒子群算法进一步寻找蜂窝小区所能承载的流量上限,从长期角度为网络优化部署提供指导,提升网络流量水平、释放流量增长潜力。     

基于聚类分析和深度学习的多频多模网络负载均衡优化

负载均衡问题是LTE多频多模网络要解决的重大问题。多频多模网络结构复杂,负载均衡涉及的参数达数百个,仅依靠人工经验很难进行精细化配置。为解决多频多模网络的负载均衡问题,解决现网运维的难点与痛点,提出一种基于机器学习的多频多模网络负载均衡方案。首先选取关键指标对网络场景进行划分,然后利用机器学习技术挖掘出不同场景下的最佳参数配置建议。经验证,机器学习技术可以大大提高参数配置的质量和效率,做到精细化参数配置。     

面向复杂网络的异构网络表示学习综述

异构信息网络包含丰富的节点信息和链接信息,具有复杂异质性、高稀疏性、属性高维性等特性,这些特性给网络表示学习任务带来了巨大的挑战。异构网络表示学习通过在嵌入过程中将多样化的异质信息和结构信息进行有效融合,学习得到更有利于下游机器学习任务的低维特征向量。从异构网络表示学习方法的研究粒度出发,对近年的研究现状进行了比较全面的分析和讨论。首先探讨网络表示学习的产生动机,阐述了近年的异构网络表示学习的研究历程;然后对具有代表性的算法模型进行分类讨论,归纳其主要的研究内容和所使用的嵌入技巧。最后给出了未来工作中异构网络表示学习可能的研究方向和比较有价值的研究内容。     

基于卷积神经网络的Android流量分类方法

深度学习就是机器学习研究的过程,主要通过模拟人脑分析学习的过程对数据进行分析。目前,深度学习技术已经在计算机视觉、语音识别、自然语言处理等领域获得了较大发展,并且随着该技术的不断发展,为网络流量分类和异常检测带来了新的发展方向。移动智能手机与大家的生活息息相关,但是其存在的安全问题也日益凸显。针对传统机器学习算法对于流量分类需要人工提取特征、计算量大的问题,提出了基于卷积神经网络模型的应用程序流量分类算法。首先,将网络流量数据集进行数据预处理,去除无关数据字段,并使数据满足卷积神经网络的输入特性。其次,设计了一种新的卷积神经网络模型,从网络结构、超参数空间以及参数优化方面入手,构造了最优分类模型。该模型通过卷积层自主学习数据特征,解决了传统基于机器学习的流量分类算法中的特征选择问题。最后,通过CICAndmal2017网络公开数据集进行模型测试,相比于传统的机器学习流量分类模型,设计的卷积神经网络模型的查准率和查全率分别提高了2.93%和11.87%,同时在类精度、召回率以及F1分数方面都有较好的提升。     

面向2030的未来网络关键技术综述——Beyond 5G

ITU-T SG13于2018年设立了FG Network 2030焦点组开展为期两年的研究,聚焦未来网络需求和场景,对未来网络能力和关键技术架构进行研究,并提出面向未来研究方向的建议。针对业界关注度较高的重点技术发展方向,跟踪了ITU-T SG13面向未来网络架构工作组对Beyond 5G及FG Network 2030的网络需求和关键技术研究,重点介绍了面向2030的网络需求和挑战,详细分析了确定性网络涉及的关键技术演进、异构网络互通的New IP架构以及面向未来网络的机器学习架构、5G网络中应用机器学习架构。     

基于移动蜂窝网的机器学习室外指纹定位方案

基于移动蜂窝网络技术的定位方案是提供网络优化、紧急救援、公安巡警和位置服务等应用的重要技术途径之一。传统的基于小区基站位置信息的定位方案定位精度低、定位误差大,无法满足某些定位应用需求。基于指纹定位的方案能够在基于小区粗定位方案基础上大幅度提升定位精度、节约计算成本、增强适用性,成为定位研究的热点。针对室外指纹定位的业务需求,深入研究分析了两种基于机器学习的栅格化和非栅格化室外指纹定位方案。通过参数加权、数据拟合等方法对于大规模指纹数据进行了清洗,提高数据源的有效性。通过划定研究区域、栅格化、构建指纹数据库、训练模型、修正模型、非栅格化、粗定位耦合、匹配参数、训练参数等子模块的实现,分析和优化了算法的运行效率和定位精度,确定了影响算法性能的关键指标。进而结合仿真结果,分析了两种基于指纹的定位方案的性能。最后介绍了基于机器学习的指纹定位方案在实际应用中的典型场景。     

一种基于深度学习的图像裂缝分类方法

随着机器学习的兴起,基于深度学习的裂缝检测分类得到重视.本文设计了一种基于卷积神经网络结合支持向量机的图像裂缝分类算法,解决了现阶段存在的小样本学习能力不足、分类精度低等问题,实现了对桥梁裂缝图像的有效分类.     

Implementation of Machine Learning for Autonomic Capabilities in Self-Organizing Heterogeneous Networks

The 3GPP’s self-organizing networks (SONs) standards are a huge step towards the autonomic networking concept. They are the response to the increasing complexity and size of the mobile networks. This paper proposes a novel scheme for SONs. This scheme is based on machine learning techniques and additionally adopting the concept of abstraction and modularity. The implementation of these concepts in a machine learning scheme allows the usage of independent vendor and technology algorithms and reusability of the proposed approach for different optimization tasks in a network. The scheme is tested for solving an energy saving optimization problem in a heterogeneous network. The results from simulation experiments show that such an approach could be an appropriate solution for developing a full self-managing future network.     

软件定义数据中心网络研究

提出了一种基于软件定义网络的数据中心网络方案,并对其结构和部署进行了详细介绍。通过使用软件定义网络技术,该方案解决了传统数据中心中网络利用效率低下、管控方式复杂、建设运维成本较高等问题。该方案具有结构简单、易于部署的优点。在负载均衡、域内虚拟机迁移等典型应用中,我们对该方案进行了验证,结果表明该方案具有良好的实用性。该方案为数据中心网络架构设计提供了一种重要思路。     

Simplified gateway selection scheme for multihop relay in vehicular ad hoc network

Integrating vehicular ad hoc network (VANET) and universal mobile telecommunication system (UMTS) could be a promising architecture for future machine‐to‐machine applications. This integration can help vehicles have steady Internet connection through the UMTS network and in communicating with other vehicles. However, dead spot areas and unsuccessful handoff processes caused by the high speed of vehicles can disrupt the implementation of this kind of architecture. In this paper, a new simplified gateway selection (SGS) scheme for multihop relay in a VANET‐UMTS integration network is proposed. The proposed scheme extends the coverage or/and calming of the frequent handoff process and allows vehicles to continue to be connected to the UMTS infrastructure network. An integrated simulation environment that combines VanetMobiSim and NS2 is used to simulate and evaluate the proposed scheme. The simulation results show that the SGS scheme performed better when it was implemented with ad hoc on a demand distance vector routing and destination‐sequenced distance vector routing protocols. Furthermore, the SGS scheme is compared with other cluster‐based gateway selections used in the previous works. The results show that our SGS scheme outperforms other cluster‐based gateway selections scheme in terms of selection delay, control packet overhead, packet delivery ratio, and overall throughput. Copyright © 2013 John Wiley & Sons, Ltd.