一种基于HMM聚类的视频目标轨迹分析方法

针对视觉监控中基于运动轨迹的目标行为分析问题,提出了一种基于隐马尔科夫模型(HMM)聚类的轨迹分布模式提取和异常行为检测算法。首先为每一条运动轨迹训练一个HMM,并通过这些模型来计算轨迹两两之间的距离;然后对该距离矩阵采用主元分析法(PCA)降维并以降维后的每一行作为对应轨迹的特征进行模糊C均值聚类,接着为聚类后的每一类轨迹训练一个HMM作为其分布表达模型;最后利用这些HMM模型来检测给定轨迹所表示的目标行为是否异常。对不同场景的轨迹分析实验表明了方法的有效性。     

Android运行时恶意行为检测模型研究

为实现Android应用程序恶意行为的有效分析,提出了基于HMMs-SVM的程序行为分类模型,将隐马尔可夫模型（HMM）和支持向量机（SVM）相结合,以动态行为序列作为关键特征,对移动应用软件运行中的网络收发、文件访问等行为建模. 该模型融合了HMM和SVM的优势,并克服了二者的不足,适合于在获取连续动态行为特征序列后进行行为分类. 实验结果表明,该方法分析召回率较高,可以有效对应用中的异常行为进行捕捉,并可以将其按类型分类.     

一种基于动态行为映射模型的shellcode检测方法

提出了一种基于动态模拟执行的shellcode分析与检测方法。该方法针对当前自修改和分段执行类shellcode的特点,建立动态行为映射模型严格刻画了shellcode模拟动态行为过程特征,给出了关于自修改和分段执行类shellcode的行为轨迹序列,然后设计了基于有限状态自动机的快速检测算法并实现了原型系统。实验结果表明,该方法能够有效检测当前自修改与分段执行类shellcode,并且与现有主流shellcode检测工具相比,可以达到较好的检测效果。     

基于D-Markov模型的金融波动模式识别

将小波变换与符号时间序列分析相结合,引入工程领域的D-Markov模型,提出了一种用于金融波动变化模式识别和异常检测的方法。波动序列经过离散小波变换,产生小波系数序列,将小波系数序列符号化产生符号时间序列,建立符号时间序列的D-Markov模型,并求状态转移概率矩阵,计算各状态转移概率矩阵的状态概率向量与标准状态转移概率矩阵的状态概率向量之间的欧拉距离,从而得到异常度。基于得到的异常度识别金融波动变化模式,检测异常波动的发生。以上证综指的5分钟序列为样本实证分析,对该方法的可行性和有效性进行了验证。     

融合注意力与卷积的系统调用异常检测

基于系统调用数据是实施主机异常检测的一种有效手段，然而现有检测技术无法有效应对混淆攻击。提出一种融合注意力与卷积的系统调用异常检测模型，能够同时关注到系统调用序列展现的进程全局行为与每一个时间窗口的局部行为。首先，设计了一种混淆攻击数据模拟生成方法解决样本数据不平衡问题，提出基于进程行为特征的序列补齐方法增强系统调用语义特征；其次，融合注意力机制与一维权重卷积网络同时从系统调用序列的全局与局部提取数据特征；最后，基于单一变量原则和交叉验证方式获得最优异常检测模型，进而得到异常检测结果。与其他传统异常检测方法对比得出，所提模型具有更高的准确率(96.6%)和较低的误报率(1.9%),同时此模型具有抵抗混淆攻击的能力。     

一种序列家族Profile HMM寻优的PSO

针对在训练一个序列家族的Profile HMM时经常会得到局部最优HMM的问题,也就是说找到全局最优Profile HMM的概率不高.通过分析训练一个序列家族Profile HMM方法的特点和Profile HMM本身的结构特点提出了一种结合多个局部最优或次优Profile HMM来寻找最优模型的PSO算法,以提高序列家族Profile HMM寻优的概率.     

基于部件HMM级联的联机手写体汉字识别方法

为了对自由手写汉字进行有效地表征和识别,提出了一种识别自由手写体汉字的级联HMM方法,在部件HMM模型基础上将各模型按照统计概率连接,它扩展了HMM的模式描述方式,允许在级联模型上表征状态的跳跃、转移和驻留等。通过共享手写汉字部件模型来描述级联状态转移概率,可以更可靠地刻画自由手写体的行为特点。采用面向级联的Viterbi算法,无需做部件的分割和标注。通过一定条件下的对比实验训练与识别表明,该方法的第一候选识别率为87.89％,而基于分段HMM识别方法的第一候选识别率为86.17％,降低错误识别率12.4％。     

一种基于鼠标行为的云用户异常检测方法

针对由于云用户的非法操作产生的云安全威胁问题,提出一种在保障云用户隐私的前提下,利用深度学习技术对用户工作中的鼠标操作行为进行分析,实现检测云用户异常行为的方法。该方法首先通过鼠标追踪工具,记录一定时间内用户的基本鼠标操作行为轨迹,然后利用卷积神经网络对记录的行为轨迹图像进行特征学习和分类。通过实验可知,所提出的方法能够在保障用户隐私的前提下,有效的检测用户的异常行为,同时可以避免对系统高维特征数据分析和处理,降低了异常行为检测的难度。     

一种基于长短记忆模型的交通轨迹异常挖掘模型

针对现有异常轨迹检测方法没有捕捉轨迹数据时序特征,不能有效识别业务异常和新型异常等问题,提出基于长短记忆模型的异常轨迹挖掘模型.首先通过优化长短记忆模型进行轨迹预测,然后基于进化理论将预测轨迹转化为异常轨迹,从而构建了基于长短记忆模型的异常判别模型.该模型可以有效地识别业务异常和新型异常,提高了异常检测的精准度和可扩展...     

基于连续密度隐马尔可夫模型的矿下异常行为识别算法

针对当前方法识别精度不高的问题,提出了基于连续密度隐马尔可夫模型的矿下异常行为识别算法。获取待识别矿下视频帧数据,通过级联分类器实现运动区域的初步检测,并读入下帧数据,直到所有帧检测完毕。引入连续密度隐马尔可夫(HMM)模型,将人体图像分解成若干相等区域,获取图像区域中的标准差值特征,对连续密度HMM进行训练,完成异常行为识别。实验结果证明,本文算法的识别结果具有精度高和检测率高的特性,说明其具有可靠性。     

面向IaaS云平台的用户异常行为检测方法

针对IaaS(Infrastructure as a Service)云平台中用户异常行为的检测问题,提出了一种基于用户行为模型和神经网络相结合的异常检测方法.该方法通过构造一种基于时间、地点和事件的用户行为模型,在此基础上建立用户的正常行为模式,并与神经网络算法相结合,将用户当前行为网络输出值与给定阈值进行比较,以此来判断用户的行为是否异常,从而实现用户行为的异常检测.实验结果表明,相比其它类似的用户行为检测方法,该方法能更有效发现用户的异常行为.     

使用轨迹片段分析的监控场景模型建立方法

提出一种对轨迹片段进行分析建立场景模型的方法。首先通过基于双向时空连续性的轨迹片段关联方法,找到属于同一目标的多个轨迹片段;再对目标轨迹形成轨迹片段的原因进行计算分析,得到包括入口、出口、主要路径以及场景内遮挡物信息的场景模型。通过实验证明了该方法可以有效地建立场景模型,并且场景模型可以提高跟踪效果和检测场景中目标的异常轨迹。     

运动目标空间模式辨识与异常交通行为检测

提出了运动目标的空间运动模式辨识与异常交通行为检测方法。利用改进Hausdor-ff距离的轨迹空间度量方法构建了轨迹集合的空间距离相似度矩阵。根据谱聚类算法学习轨迹的空间分布,提取了运动目标的典型运动模式。在此基础上,提出了基于Bayes分类器的轨迹空间运动模式匹配方法,进而检测异常交通行为。以实际交通场景中的车辆换道行为检测为例,验证了方法的有效性。该方法可以为运动目标交通行为特性以及交通管理控制等方面的研究提供技术支持。     

基于增量One-Class支持向量机的注册表异常检测

提出一种基于增量支持向量机的异常检测方法,利用Windows注册表建立了入侵检测模型,通过SVM算法实时判断当前对注册表的访问行为是否为异常状态来发现和识别入侵行为。实验表明：该方法对未知病毒和未知入侵行为具有较高检测率,可以提高在先验知识较少情况下的学习机推广能力。同时,考虑到注册表键值数量巨大,采用增量SVM算法可以在不影响检测性能的同时减少训练时间。     

基于行走轨迹的智能监控算法

提出了一种基于行走轨迹的异常行为识别方法,运用背景减除法与时间差分法加权平均的目标检测法对运动人体进行检测,通过对人的行走轨迹的跟踪与记录来判断某人是否可疑,轨迹出现闭合曲线和螺旋线说明有徘徊行为,即可疑予以报警。实验表明,该方法具有一定的可靠性和鲁棒性,实时性较强。     

二阶隐马尔科夫模型在基因识别中的应用

对经典隐马尔可夫模型（HMM）的状态转移和输出观测值的假设条件进行改进,提出了一个基于二阶隐马尔科夫模型（second-order HMM：HMM2）的基因识别系统的模型,论述了用该模型和扩展的Viterbi算法发现基因的方法.     

一种直方图均衡化的五边形拟合老年人异常行为检测算法的研究

老年人异常行为检测是计算机智能视频监控的一项重要功能,其快速有效地检测老年人的异常行为信息,使老年人及时得到救治,本文提出一种直方图均衡化的老年人异常行为检测算法,首先根据定义的行为准则区分异常行为,然后对图像进行预处理-直方图均衡化修正直方图、前景图像和背景图像做差分、对图像进行二值化,采用形态学的算子进行膨胀连通断裂区域,腐蚀、轮廓提取。本文采用头、左手、左脚、右脚、右手五个突出顶点进行五边形拟合,边界跟踪去除影响的噪声。采用面积有效比、周长比、中心比、宽高比进行判断区分老年人的行为。经试验验证该算法提高了正确率,降低了误判率,具有很好的鲁棒性。     

基于隐Markov模型的高炉铁水硅质量分数预测算法

为正确预测高炉铁水中硅的质量分数（［Si］）,提出了一种基于隐Markov模型（HMM）的预测算法.从高炉冶金反应动力学出发,分析了高炉内反应的链接关系,这种链接关系和HMM的原理是一致的.在对系统参数初始化之后,利用重估公式对参数进行训练直至收敛,从而得到系统模型.通过Viterbi算法找出所有训练样本的最大可能状态路径,并计算其似然值.将新样本输入模型得到新的状态路径及其似然值,从训练样本中找出具有相同状态路径或最小偏差似然值的序列,以训练样本下一［Si］值作为新样本下一时刻的预测值.利用该算法对高炉实际生产数据进行仿真,结果表明,与传统的人工神经网络方法相比,该方法能够有效提高预测精度和效率.     

基于驾驶行为多元时间序列特征的愤怒驾驶状态检测

为了对"路怒症"进行有效干预,提出了一种基于驾驶行为的愤怒驾驶状态检测模型。在交通繁忙路段开展基于道路事件刺激的愤怒情绪诱导限时实验,获得驾驶人愤怒与中性情绪下的驾驶行为数据。运用分段线性表示方法拟合由方向盘转角与车辆横向位置组成的驾驶行为多元时间序列,并采用自底向上算法对该时间序列进行分段,提取各分段的斜率与时间间隔特征作为模型输入,建立基于支持向量机的愤怒驾驶状态检测模型。结果表明:模型的识别精度在10分段条件下达78.69%,较5分段、20分段分别高8.57%、4.85%。研究结果可为开发基于驾驶行为的愤怒情绪实时检测设备提供理论支持。     

基于HMM和自组织映射的网络入侵检测算法

随着网络入侵多样化的发展,传统的防火墙、数据加密等防御方法已经很难保证系统和网络资源的安全,为此,设计了基于隐形马尔科夫模型HMM和自组织映射SOM的网络入侵检测方法。首先建立了自组织映射-HMM的双层入侵检测模型,采用样本数据训练SOM网,然后将测试数据输入SOM模型获得观察序列对应的攻击类别的后验概率,将此后验概率用于训练HMM模型获得概率初始分布和状态转移概率等各参数。最后,通过比较测试数据在各模型下发生概率的大小来获取对应的攻击类别。仿真实验表明本研究方法能有效实现网络入侵检测,较经典的HMM方法以及改进的神经网络方法,具有较高的检测率和较低的误报率,同时具有较少的检测时间。