基于支持向量机和自适应权重的网络安全态势评估模型

网络安全是近年来国内的重点研究领域,没有网络安全就没有国家安全.针对网络安全中数据源多样性、复杂性等特点,提出了一种基于支持向量机及自适应权重的网络安全态势评估模型.该模型由训练和预测模块组成,训练模块采用先验知识方法获取网络安全关注的重点数据,结合支持向量机和权重策略寻求评估模型.预测模块进行实时网络安全态势评估.通过实验过程和结果分析,表明该模型较好的支持小型网络安全态势的实时预测评估.     

基于改进KNN-SVM的车辆图像光照检测模型

为了准确检测出车辆交通图像的光照类型,从而有针对性地矫正不同光照以减少其对车牌定位的影响,提出了一种基于改进K近邻和支持向量相融合（KNN-SVM）的车辆图像光照检测方法。首先融合了HSV空间亮度特征、灰度直方图特征和投影直方图特征作为车辆图像的光照特征,然后改进传统KNN-SVM中距离计算方法,定义为每类待检测样本到属于该类支持向量的距离,并在采集的全天候不同光照车辆图像上进行检测验证。实验表明,改进KNN-SVM将阈值获取时间提前,避免了传统KNN-SVM对超平面附近样本先SVM检测再KNN检测的重复检测,不仅降低了算法复杂度和运行时间,且检测准确率高于传统KNN-SVM和单独使用KNN或SVM时的值,最高达到了99.67%。     

基于PSO_SVR的网络安全态势预测方法

针对网络安全态势感知中的态势预测问题,提出一种基于PSO_SVR的网络安全态势预测方法。该方法将支持向量回归机(SVR)嵌入到粒子群优化算法(PSO)的适应度计算过程中,利用PSO算法的全局搜索能力来优化选取SVR的参数,在一定程度上提升了SVR的学习能力和泛化能力。仿真实验表明,通过与已有的其他预测方法作对比,该方法具有更好的预测效果。     

一种基于累加PSO-SVM的网络安全态势预测模型

在网络安全态势感知系统中,态势预测是关键的环节.为了保证及提高态势预测的精度,结合粒子群算法的寻优性能好和支持向量机的预测准确的优势,提出了一种在数据累加预处理基础上的PSO-SVM预测模型.此模型利用将原始序列累加,弱化了原始序列中的不规则扰动影响,增强了序列的规律性的特点,与粒子群优化支持向量机(PSO-SW)相结合,更好地发挥预测精度高的优势,更能保证预测精度.通过仿真实验检验此模型的有效性,并与PSO-SVM预测模型的结果进行对比,验证了其预测精度的优越性.     

基于熵值法的网络安全态势组合预测模型

研究网络优化入侵检测问题,网络安全态势受网络攻击行为、病毒、自身漏洞、木马等多种因素影响,具有高度的非线性、时变性、突变性等复杂特点,采用传统单一预测方法只能反映部分信息,无法进行准确的预测。为提高网络安全态势预测精度,提出一个熵值学的网络安全态势组合预测模型。首先利用熵值法为单一网络安全态势预测模型分配加权系数,然后根据单一模型的预测结果进行加权运算,得到了网络安全态势的组合预测结果,最后利用具体网络安全态势数据进行仿真测试。仿真结果表明,组合预测模型提高了网络安全态势预测精度,为网络安全态势预测提供了一种新的解决途径。     

网络安全态势评估指标体系优化模型研究

针对指标选取的主观性带来的评估结果准确率低、实时性较差等问题,提出了基于因子分析法和主成分分析法的网络安全态势评估指标优化模型。该模型可以用一组具有较强独立性的综合变量来描述原有的指标体系,从而减少网络安全评估时的计算量。实验表明,模型在不影响准确率的情况下能够得出较为实时的评估结果。     

网络安全态势预测方法的应用研究

研究网络安全的预测问题,面对海量恶意攻击,信息要及时告警,进行安全管理。针对当前预测模型只能对过去和现在网络安全态势进行分析,不能对将来网络安全态势进行预测的缺陷,为了提高预测精度,提出了支持向量机的网络安全态势预测方法。支持向量机可以利用过去和当前的网络安全态势值,对将来网络安全状态进行预测,同时采用遗传算法对支持向量机参数优化,加快网络安全态势预测速度。通过仿真对预测方法性能进行检验,结果表明,预测方法能够准确反映网络安全的整体变化趋势,提高了网络安全态势的预测精度,相对于传统预测方法,更适用于现实的网络环境中。     

基于人工免疫的网络安全态势评估模型

本文将人工免疫原理应用到网络安全态势评估的研究中.通过对入侵检测模型中有关自体、非自体、抗原的形式化描述,建立了抗体细胞的演化机制、动态免疫记忆、免疫监视等免疫机制.依据人体免疫系统抗体浓度的变化与病原体入侵强度的对应关系,建立了网络安全态势实时定量计算模型.     

一种实时网络安全态势预测方法

作为二十一世纪的新兴技术,计算机互联网技术的发展和应用不仅为促进世界经济、科技一体化提供了必要的技术支持,而且对于促进各国各个生产领域的全面发展也具有较大的积极作用。但但随着网络技术的应用愈加普及和广泛,网络安全也成为了当下困扰网络用户的首要问题。该文通过引入网络安全态势预测法,在对该方法的概念以及基本原理进行说明的基础上,对基于支持向量机算法的网络安全态势预测模型的建立方法展开了深入研究,以求为维护网络安全提供有价值的参考意见。     

改进KNN-SVM的性别识别

针对支持向量机（SVM）在超平面附近进行性别识别的不准确性,引入进行加权的K近邻（KNN）算法。提出了结合加权KNN和SVM的改进KNN-SVM算法,该算法用少量已知性别样本自动确定加权KNN与SVM的最优分类阈值,并计算待识别样本和支持向量机所确定的超平面的距离,通过距离与阈值的比较进行性别识别。基于FERET人脸库进行性别实验,实验结果表明,该算法比SVM算法和不进行加权处理的KNN-SVM算法的识别率更高。     

最小二乘小波支持向量机的DNA序列分类方法

目前使用的已有SVM核函数,在分类中不能逼近某一L₂（R）（平方可积空间）子空间上的任意分类界面。针对上述问题,在支持向量机的核函数方法和小波框架理论的基础上,提出了LS-WSVM结构模型。实验结果表明,和标准的SVM和LS-SVM比较起来,在同等条件下,LS-WSVM在分类方面具有优良的特征提取性能。     

K-means聚类和支持向量机结合的文本分类研究

针对数据挖掘中文本自动分类问题,提出了一种基于k-means聚类算法和支持向量机相结合的文本分类方法。该方法先将文本大致聚为k类,然后对每一类用支持向量机进行细分。构造了可用于多个模式类识别的多层SVM模型,该模型可完成对多个模式的分类识别。给出了该模型的构造及应用的方法,并验证了该方法的有效性。     

支持向量机算法多目标模型选择

为适应支持向量机（Support Vector Machine,SVM）算法应用过程中的不同性能指标要求,将SVM算法的模型选择问题作为一个多目标优化（Multi-Object Optimization,MOO）问题进行处理。以改进的粒子群优化（Particle Swarm Optimization,PSO）算法对该多目标优化问题进行求解,得到其Pareto解集,在具体应用中根据实际需要从Pareto解集中选择适合的最优解作为支持向量机算法参数,实现支持向量机算法的模型选择。在几个数据集上的仿真实验表明,该方法能够较快地得到Pareto解集,解集中的参数组合能够满足对支持向量机算法速度和泛化能力的不同要求。     

多分类支持向量机分割彩色癌细胞图像

在细胞彩色图像处理中,为了有效地计算与分析细胞各特征值,对细胞图像的精确的三域分割是细胞自动分析与识别的一个关键环节。提出利用多分类支持向量机对细胞彩色图像进行背景、胞浆与核的一次性三域分割,并且通过聚类分析的方法实现了在线训练,实验表明,该方法在细胞彩色图像的多域分割上,能获得较高的分割精度和较好的鲁棒性。     

基于C-SVM和KPCA的垃圾邮件检测研究

现有的垃圾邮件检测算法存在小样本情况下泛化能力差的问题。提出了利用核主成分分析和支持向量机结合进行垃圾邮件检测的方法。与传统算法相比,该方法与邮件异构有很高的检测率、更强的泛化能力和更高的检测效率。实验证明了方法的实用性和高效性。     

基于启发式算法的混沌支持向量机流量预测

针对现有混沌支持向量机回归模型存在流量预测效率低下的问题,利用差分进化(DE)算法、遗传算法和粒子群优化算法确定模型的径向基核函数系数、惩罚系数、不敏感系数等参数,在此基础上建立改进的混沌支持向量机回归模型进行流量预测。实例表明,相比其他启发式算法,DE算法能以较高的效率搜索到混沌支持向量机回归模型的最优参数,并且该模型具有较高的预测精度。     

Powell算法在线性支持向量机中的应用

并行下降方法应用于线性支持向量机时效率较低。针对该问题,提出将Powell算法应用于线性支持向量机,并采用一个全局牛顿算法来求解单变量子问题。在内循环过程中,通过解一个单变量子问题更新w的一个分量,同时固定其他的分量不变;在外循环过程中,根据判断条件,决定是否沿加速方向搜索,以及是否用加速方向替代之前的某一个搜索方向。UCI数据集上的实验结果表明,算法能很快收敛,且分类精度优于并行下降算法和光滑支持向量机。     

基于AFSA-SVM的网络入侵检测模型

特征选择是网络入侵检测研究中的核心问题,为了提高网络入侵检测率,提出一种人工鱼群算法（AFSA）和支持向量机（SVM）相融合的网络入侵检测模型（AFSA-SVM）。将网络特征子集编码成人工鱼的位置,以5折交叉验证SVM训练模型检测率作为特征子集优劣的评价标准,通过模拟鱼群的觅食、聚群及追尾行为找到最优特征子集,SVM根据最优特征子集进行网络入侵检测,并采用KDD CUP 99数据集进行仿真测试。仿真结果表明,相对于粒子群优化算法、遗传算法和原始特征法,AFSA-SVM提高了入侵检测效率和检测率,是一种有效的网络入侵检测模型。