基于改进随机森林的工业互联网安全态势评估方法

针对工业互联网安全态势评估存在数据特征提取困难和安全态势评估准确率低等难题,提出一种基于改进随机森林的工业互联网安全态势评估方法 .基于随机采样技术平衡原始数据集以减小不平衡数据集对实验的影响;利用梯度提升决策树确定工业互联网流量数据中不同特征的权重系数,结合递归特征消除法提取其关键特征;构建基于改进随机森林的工业互联网多分类攻击检测模型,识别网络受到的攻击类别,并结合安全态势量化指标确定其风险程度.实验结果表明,本文算法的检测准确率和F1值分别达到89.19%和89.68%,相较于传统随机森林算法、支持向量机和K最近邻算法,其准确率和F1值分别至少提高2.91%和1.7%,平均分别提高8.38%和9.33%.     

基于随机森林的电网实时运行风险评估方法

为解决传统电网实时运行风险评估模型复杂、流程耗时等问题,提出了一种基于随机森林的电网实时运行风险评估方法,通过挖掘电网运行特征实现对运行风险的评估。介绍了随机森林的基本概念和实施要点。结合电网实时运行风险评估问题实际,构建了运行风险相关因素库,利用历史数据对随机森林智能体训练,实现了对电网实时运行风险等级的高效辨识。基于我国某省电网实际数据构造算例,通过对过去1年的历史数据挖掘分析,所训练得到的运行风险智能体预测准确率能够达到97%以上,评估耗时在2分钟以内,能有效满足电网实时运行风险评估的要求。     

基于多源数据融合的网络安全态势评估方法研究

针对层次分析法进行网络安全态势评估存在主观性过强的问题,文中提出了一种基于Hadoop的网络安全态势评估算法。该算法采用Hadoop作为并行数据融合平台,使用LSTM作为多数据特征提取算法。为了弥补分类功能的缺陷,通过随机森林模型增强算法的分类性能,最后将LSTM随机森林算法部署在Hadoop集群中,完成多源数据的融合。实验结果表明,相较于其他算法,所提算法的预测性能更强、误差更小,从而进一步提升了网络安全态势评估的精度。     

基于孤立森林算法的电力用户数据异常快速识别研究

为了解决目前的电力用户数据异常快速识别方法存在的挖掘精度较低、耗时较长的问题,提出一种新的基于孤立森林算法的电力用户数据异常快速识别方法.通过数据检测、数据理解、数据评估等步骤实现电力用户数据异常信息挖掘.在此基础上将用户数据随机分割成不同的数据集,直到所有的数据完成孤立,对孤立森林点进行检测,查看其中是否包含异常元素...     

多源异构数据融合的智能商业选址推荐算法

随着社交媒体和基于位置网络服务的快速发展,基于海量用户生成数据进行智能推荐成为研究热点。然而,已有工作主要面向在线产品推荐,在如何利用物理空间的多维异构数据进行推荐方面研究较少。文中以城市商业选址为背景,利用社交媒体上的用户签到数据、小区房价数据以及各种POI数据等多源城市数据,在数据预处理基础上进行多侧面商业特征和地理特征提取,提出基于随机森林的商业选址推荐方法。使用北京地区的多源城市数据建立模型,通过排序评价指标NDCG对实验结果进行评估。结果表明所提出的方法具有较好的推荐性能。     

基于随机森林的无线通信网络入侵检测方法

由于传统网络入侵检测方法依赖特征知识库对恶意流量数据进行智能判别,导致检测结果的精度较低,本研究提出基于随机森林的无线通信网络入侵检测方法。根据入侵位置划分无线通信网络的入侵方式,提取并处理不同入侵方式下的无线通信网络流量数据,基于随机森林算法对提取数据中的恶意流量与正常流量进行分类,以此完成无线通信网络入侵检测。实验结果表明,文章设计的方法检测不同类型的无线通信网络入侵行为时误检率为2.83%,证实了该方法的有效性与精确性。     

基于孤立森林算法的统计报表异常数据检测

孤立森林算法是一种无监督学习的异常数据检测方法,广泛应用于诸多领域,其具有普适性、高效性、可扩展性和可解释性等优势。对于全国药品监管统计调查工作,基于孤立森林算法框架设计了一种统计报表异常数据检测方法。所提出的方法包含三个主要步骤：数据预处理、特征选取与模型构建。在数据预处理阶段,使用对数转换和平滑函数处理数据,提高模型的鲁棒性。特征选取阶段采用分位数和Z分数等统计指标,构建多维特征数据,提供更准确的异常检测信息。在线下实验中,通过PR曲线,与传统异常数据检测算法进行对比,证明其性能优势。在工作实践中,通过投资回报率（ROI）指标,与传统的人工检测方法对比,证明其高效性。所提出的方法对于稀疏数据场景的识别率还有待提高,需要进行适当的调优和验证,在统计报表异常数据检测中具有应用价值和意义,是全国药品监管统计调查工作中贯彻“十四五”加快推进数字化转型,从信息化向智能化转变和发展的具体举措。     

网络运维场景中异常检测算法选择框架

为解决网络智能运维中智能模型构建门槛高、效率底的问题,提出了一种异常检测算法选择框架,通过对提取的时序数据特征进行波形分类,根据数据分类结果进行异常检测算法的最优匹配,并依据指令对本地选定的模型进行训练、更新,依靠选择的检测算法以及更新后的模型进行实时异常检测.本系统可以针对现实环境中各种KPI数据自动适配异常检测算法...     

智能电网中高维数据聚类方法研究

随着电网智能化程度的逐步深入,智能电网高维数据成为了“电网2.0”的重要价值资源.本文论述了智能电网大数据源、大数据流体系,讨论了传统电力数据聚类方法与特征,分析了智能电网高维数据所具有的稀疏性、空空间现象、维度效应、Hubness现象和离群点检测的特征,对智能电网高维数据从维数简化、索引技术、结果表征与评价方面论述了高维数据聚类分析方法和应用实践.     

融合特征识别的电网工程三维算量监测模型设计

随着三维可视化技术的迅速发展,其在电网工程建模、设计、施工及造价等方面发挥着越来越重要的作用,但仍存在计算量大、精确度较低等问题。针对此,文中开展了融合特征识别的电网工程三维算量监测模型设计的研究。通过对三维设计成果的内容进行数据预处理,并利用数据极值分析方法来检测异常数据,进而为工程量的智能计算提供数据支撑。同时采用机器学习算法建立了电网工程三维算量数据监测预警模型,对历史电网工程的三维数据加以训练,再采用训练后的神经网络对新的工程数据进行测算与预警。算例实验分析结果表明,所述模型工程造价的误差在6%以内,且数据监测预警精度可高达94.8%。     

基于随机森林的机载设备异常振动故障检测方法

机载设备异常振动故障检测对于系统安全运行具有重要意义。为此,该研究基于随机森林算法设计了一种机载设备异常振动故障检测方法。安装振动信号收集装置,利用机载设备发射振动信号并传输至故障调节中心,通过匹配故障编码分类故障原因。利用随机森林算法,在决策树训练的过程中完成样本分类。模拟故障检测程序,加强内部数据运算管理性能,获取精准程度较高的检测数据,连接主系统与检测系统,减少数据检测所需时间。实验结果表明,该方法能够精准地确定故障样本,与传统检测方法相比,其准确率提高了20%以上,更适合应用到实际异常振动故障检测工作中。     

基于模糊集理论的电网工程数据智能分析与评价方法

针对电网工程数据价值未被深入挖掘的问题,文中分析了电网工程投资造价评估分析系统的架构以及各模块的主要功能,进一步提出了基于模糊C均值聚类（FCM）与最小二乘支持向量机（LSSVM）算法的电网工程造价智能评估方法。该方法将电网工程数据样本作为FCM算法输入进行聚类分析,将聚类结果作为LSVSM算法的输入进行回归分析,得到电网工程数据特征参数与造价之间的关系。算例分析表明,通过FCM算法实现了具有相似特征的电网工程数据的聚类,缩减了LSSVM算法处理数据的规模,大幅度提高了算法的计算速度。同时FCM算法能够自动提取特征,得到的电网工程造价预测结果具有更高的准确性。     

基于节点动静态指标的电网节点重要度的评估研究

随着智能电网技术的不断发展,对高可靠性的智能电网的精确评估提出了更高的要求。智能电网中重要节点的故障将会导致大规模停电,因此对智能电网中重要节点的评估是评估智能电网可靠性程度的重要体现。文中针对节点所处的局部环境、全局属性、网络拓扑结构以及节点所承载负荷等级等多个不同的动静态综合指标进行研究,以这些综合指标模型来评估节点在智能电网中的重要度,最后使用TOPSIS方法将动静态指标糅合,共同对智能电网节点重要度进行评估,并对IEEE-30节点进行了仿真验证。结果显示节点6的重要度较高,应对其重点保护。     

基于粒子滤波算法的电网运行异常值快速检测算法

由于传统电网运行异常值快速检测算法检测步骤单一,检测准确率低,因此无法实现快速检测,基于子滤波算法研究了一种新的电网运行异常值快速检测算法.挖掘电网运行的异常数据信息,了解数据所处的具体情况作出数据处理判断.按照异常位置划分处理区域,检测处理好的数据信息,同时结合粒子滤波算法加强数据检测力度,获取所需的检测信息.实验结...     

基于FARIMA模型的电网数据服务器流量异常识别

当前电网数据服务器流量异常识别方法的平均时延过长,丢包率过高,因此提出了基于FARIMA模型的电网数据服务器流量异常识别方法。利用多重分形测度方法提取一个维度的电网数据流量特征,对存在较大方差的流量特征进行描述,利用FARIMA模型的回归算法计算电网数据服务器流量阈值,以此分析电网在正常运行条件下的数据服务器流量行为,并对此时的流量阈值进行检测,利用FARIMA模型与参数估计方法实现电网数据服务器流量异常识别。实验结果表明,所提方法能够有效缩短平均时延,降低丢包率。     

基于机器学习的无线网络隐性故障智能定位系统研究

广泛使用业界优秀的开源技术和AI算法，对多个无线网络小区业务、性能指标结合历史数据进行异常检测，实现有监督的机器学习能力，基于循环神经网络（RNN）、孤立森林（Isolation Forest）和统计模型的智能定位算法，结合多系统多维度数据实现全网小区业务及性能的动态分析，主动定位和发现网络中设计缺陷、现场故障、软硬件未知漏洞等问题，总结定位问题形成案例库，并自学习优化定位算法，逐步完善智能学习条件和功能，实现小区级隐性故障的智能定位和发现。该系统已完成19776个小区隐性故障整治，系统隐性故障定位准确率为82%。     

基于特征融合的通信语音干扰效果客观评估

针对通信语音干扰效果客观评估问题，提出了基于多测度与多模态融合的2种评估方法。首先，利用端点检测算法以及动态时间弯折算法对受扰语音数据进行预处理。然后，提取数据中的语音内容并与标准语音进行测度计算得到5种测度，将5种测度融合后利用随机森林模型进行质量等级评估。最后，结合多模态融合技术，设计了基于残差结构的神经网络模型，融合受扰语音数据的图域、测度域特征并进行质量等级评估。实验结果表明，2种方法的评估准确率均达到了90%以上。其中，多模态评估方法与现有的研究方法相比，准确率提升了约3.269%，证明所提方法具有更优的性能。     

基于改进遗传算法的入侵检测技术的设计与实现

天地一体化网络处在开放的电磁环境中,会时常遭受恶意网络入侵。为解决网络中绕过安全机制的非授权行为对系统进行攻击的问题,提出一种改进的遗传算法。该算法以决策树算法为适应度函数,通过删除数据集中的冗余特征,显著提高了对网络攻击的拦截率。通过机器学习进行异常分类,并利用遗传算法的特征选择功能,增强机器学习方法的分类效率。为验证算法的有效性,选用UNSW_NB15和UGRansome1819数据集进行训练和检测。使用随机森林、人工神经网络、K近邻和支持向量机等4种机器学习分类器进行评估,采用准确性、F1分数、召回率和混淆矩阵等指标评估算法的性能。实验证明,遗传算法作为特征选择工具能够显著提高分类准确性,并在算法性能上取得显著改善。同时,为解决弱分类器的不稳定性,提出一种集成学习优化技术,将弱分类器和强分类器集成进行优化。实验证实了该优化算法在提高弱分类器稳定性方面性能卓越。     

基于无监督学习的接口异常检测及根因定位方法

针对系统中数量庞大的接口及其指标,如何快速有效进行接口监控及故障定位是亟待解决的问题。本文基于大数据和无监督学习技术,创新提出动态基线异常检测算法和业务根因多维定位算法。首先搭建大数据处理平台,引入时序数据解析框架,对生产环境中的关键指标,通过时序曲线进行异常行为检测。然后,构建业务指标异常检测AI算法引擎,利用渐进梯度回归树、差分指数滑动平均等算法实现动态阈值告警。最后,建立根因智能分析方法,对检测出的异常指标迅速触发多维度根因定位算法,通过聚类算法给出异常度最高的维度组合,缩小排查范围,快速定位根因。     

基于随机森林的车辆行为分析方法

为了实现智能交通领域异常车辆的自动识别,结合实际情况及大量的实验仿真,提出一种由目标车辆检测跟踪、车辆轨迹处理、车辆行为分析三部分组成的解决方案.首先采用改进的高斯模型背景差分算法来检测目标车辆,接着采用基于粒子滤波算法跟踪目标车辆,然后拟合跟踪轨迹以提取特征值,最后将特征样本输入随机森林算法生成分类器,对车辆行为进行分析.实验结果表明该方法能够实现对现实场景中车速过快和频繁变道两种异常行为的识别.