基于深度信念网络的光通信网络数据异常识别研究

为了降低光通信网络被攻击的概率,保证光通信的安全顺畅,提出基于深度信念网络的光通信网络数据异常识别方法。利用时间-频率相结合的算法建立光通信信道模型,获取信道特征。根据信道特征密度设计数据异常特征的判断准则,利用数据挖掘聚类算法提取异常数据特征。融合BP网络和受限玻尔兹曼机网络,确立深度信念网络结构,结合隐藏层与可见层单元的概率分布情况构建数据异常识别模型,经过数据采集、特征归一化和模型微调等过程完成光通信网络数据异常识别。仿真实验表明,所提方法能够获取准确的光通信网络异常数据特征,光通信网络数据异常识别高和误报率低。     

基于深度信念网络的光通信网络数据异常识别研究

为提高光通信网络数据传输能力，基于深度信念网络研究光通信网络数据异常识别方法。先构建光通信网络数据传输模型，采用深度信念网络进行传输信道均衡控制，利用模糊多分类支持向量机提取数据异常特征，构建数据分类学习模型，实现对数据异常重构和关联规则挖掘，采用深度信念网络对光通信网络数据进行异常张量切片重组，用张量对多关系网络进行建模，实现对光通信网络数据异常识别。仿真结果表明，所提改进方法的能量开销仅为1.2 kJ,生命周期为55.75 h,且识别时间仅为1.0 ms,优于其余两种方法，具有更大的应用价值。     

一种基于深度学习的异常检测方法

针对异常检测系统检测率低,特征提取困难等问题,提出了一种基于深度特征学习的异常检测方法。该方法通过构建具有多隐层的深度神经网络模型,学习数据的特征表达,充分刻画数据的丰富内在信息,从而提高异常检测的准确率。文章实验结果表明,采用该方法可以有效地学习到数据的本质特征,并显著提高异常检测方法的检测率。     

基于深度学习网络的光通信系统非法入侵行为识别研究

为了检测多种光通信系统非法入侵行为，保障光通信系统运行安全，提出了基于深度学习网络的光通信系统非法入侵行为识别方法。采用光栅传感技术检测光栅传感器反射波长偏移量，感知光通信系统非法入侵行为频率特征信号。利用小波包分解方法将频率特征信号分解成多个频带后，提取各频带小波包能量，将其作为卷积神经网络输入。经小波包能量特征提取、处理、融合操作后，通过Softmax分类器完成光通信系统非法入侵行为数据特征的分类，实现光通信系统非法入侵行为识别。实验证明：该方法可迅速挖掘出光通信系统中非法入侵行为的时域、频域特征信号。所提取小波包能量可准确反映光通信系统中非法入侵行为特点。该方法可实现多种光通信系统非法入侵行为精准识别，助力管理人员针对入侵行为做出对应防御措施。     

基于小波分解的光通信数据安全风险识别方法研究

进行光通信数据安全风险识别过程中，由于光通信数据选择的特征不能很好地反映数据的本质特点，导致安全风险识别效果较差，对此，研究基于小波分解的光通信数据安全风险识别方法。首先，通过光通信数据传输信道均衡控制设计，抵消信道传输引起的失真和噪声影响，然后，采用小波分解进行光通信数据的特征提取。基于提取到的光通信特征数据进行数据异常状态分析。最后，基于获取的数据特征和异常概率，采用萤火群算法进行光通信数据异常数据的识别定位，有效实现光通信数据的安全风险识别。实验结果表明：方法的异常数据识别相识度较高，且收敛速度与识别时间最高分别为23 V/s、40 s，说明本文方法具有实用性。     

基于双流网络与多示例学习的异常事件检测

面对当前复杂场景下异常事件检测算法过度依赖帧级别标记,以及I3D模型耗时长、内存占用大等问题,设计了一种基于I3D的M-I3D模型并将其作为特征提取器,提出一种了基于深度时空特征和多示例学习的异常检测方法.所提方法将正常视频和异常视频作为包,并将视频片段作为多示例学习中的示例.利用M-I3D模型提取每个视频片段的特征,并将提取到的特征向量输入到三层全连接层中,进而自动学习一个深度异常排序模型,该模型可以预测异常视频片段的分数.此外,为了在训练过程中较好地定位异常,在排序损失函数中引入稀疏函数和约束性函数.结果 表明,与其他方法相比,所提算法在UCF-Crime数据集上具有更高的准确率和更好的实时性.     

一种基于深度学习的网络入侵检测方法

针对如何将深度学习应用到网络入侵检测中以提高入侵检测准确率的问题,结合网络数据的特点给出一种深度学习网络的设计方法,并在此基础上提出一种基于深度学习的入侵检测方法。该方法采用了深度学习中的自编码网络模型实现对网络特征的提取,通过softmax分类器对特征数据进行分类,从而得到网络入侵检测分析的结果。基于KDD99数据库实验证明,该方法在保证高检测率的同时,其误检率较其他算法低40%以上,从而验证了方法的有效性。     

基于K近邻算法的主机异常行为检测

基于主机异常的入侵检测方法可以识别用户操作是否存在异常,从而提醒用户进行处理以保证系统安全。为了能够快速高效地识别用户操作异常,文章提出了基于K近邻算法的主机异常检测方法。该方法首先在特征提取过程中使用自然语言处理的算法来提取特征向量,然后采用主成分分析算法进行降维处理,接着使用K近邻算法学习主机的正常操作和异常操作的相关特征,建立检测模型,最后使用学习后建立的模型来判断主机是否存在异常操作。该方法采用澳大利亚国防学院的ADFA-LD数据集进行实验,验证了所提出方法性能良好。     

基于深度学习的异常事件检测

面对复杂场景下异常事件检测的准确率偏低的情况,本文提出一种基于深度学习的异常事件检测方法,并将此方法扩展为异常事件分类方法.利用神经网络模型提取特征,将群体发散聚集事件,群体密集聚集事件,群体逃散事件和追赶事件这4种异常事件进行检测和分类.通过PKU-SVD-B测试集对训练出来的模型进行测试实验,并在UMN数据集上与几种方法做了对比实验,验证了本文提出的基于深度学习的异常事件检测算法,在适应多种不同场景的前提下,对多种异常事件检测的准确率很高,表明训练出来的模型对异常事件检测具有极强的泛化能力.     

基于深度学习的Andriod恶意应用程序检测系统

设计了一个基于深度学习技术的恶意应用程序检测系统。该系统的实现主要由三大部分组成:安全与恶意APK代码特征的提取模块、深度学习模型的"训练"模块、深度学习模型检测未知APK样本模块。系统协助设备用户有效应对大数据人工智能时代的恶意入侵威胁和个人隐私信息泄露威胁。     

基于深度特征学习的网络流量异常检测方法

针对网络流量异常检测过程中提取的流量特征准确性低、鲁棒性差导致流量攻击检测率低、误报率高等问题,该文结合堆叠降噪自编码器(SDA)和softmax,提出一种基于深度特征学习的网络流量异常检测方法。首先基于粒子群优化算法设计SDA结构两阶段寻优算法：根据流量检测准确率依次对隐藏层层数及每层节点数进行寻优,确定搜索空间中的最优SDA结构,从而提高SDA提取特征的准确性。然后采用小批量梯度下降算法对优化的SDA进行训练,通过最小化含噪数据重构向量与原始输入向量间的差异,提取具有较强鲁棒性的流量特征。最后基于提取的流量特征对softmax进行训练构建异常检测分类器,从而实现对流量攻击的高性能检测。实验结果表明：该文所提方法可根据实验数据及其分类任务动态调整SDA结构,提取的流量特征具有更高的准确性和鲁棒性,流量攻击检测率高、误报率低。

     

云组合服务网络的异常植入数据检测算法

云组合服务网络在路由转发控制受到节点的同态扰动影响,容易受到植入入侵,为了提高网络的安全性,提出一种基于阈值组合判决的云组合服务网络的异常植入数据检测算法。构建网络异常植入数据的统计特征模型,采用大数据挖掘技术进行云组合服务网络异常植入数据特征检测和滤波分析,提取云组合服务网络数据的谱特征量,采用支持向量机学习方法进行云组合服务网络的异常植入数据检测过程中的自适应寻优控制,采用双门限阈值组合判决方法,实现对目标数据的准确检测,提高对异常植入数据的准确定位检测能力。仿真结果表明,采用该方法进行云组合服务网络异常植入数据检测的准确概率较高,检测性能较好,提高了网络安全性。     

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...     

基于入侵特征选择的网络异常数据检测模型

为了提高网络运动可靠性和安全性,针对传统的防火墙检测方法对网络异常数据检测准确性不高的问题,提出一种基于入侵特征选择的网络异常数据检测模型。对网络传输信道中的数据采用关联维求解方法进行特征挖掘提取,并对提取的关联维信息特征进行优选实现入侵信息识别和分类,结合模糊C均值聚类算法实现对网络异常数据的有效挖掘和检测。仿真结果表明,该检测模型能提高对网络异常数据和入侵信息的有效识别和检测能力。     

基于区块链技术的光通信系统安全态势评估方法

为了提高网光通信系统的安全性,提出基于区块链技术的光通信系统安全态势评估方法。构建安全态势大数据分析模型,通过多频自适应特征融合方法,建立光通信系统安全态势评估的统计分析和信道均衡模型,结合入侵特征检测的方法进行光通信系统安全态势信息检测和样本空间融合处理,采用区块链融合技术,实现对光通信系统的安全态势量化评估。仿真结果表明,采用该方法进行光通信系统安全态势评估的精度较高,入侵检测性能较好,提高了光通信系统安全性和抗攻击能力。     

基于数据挖掘算法的电网调度信号异常数据提取方法

在获取电网调度信号后,大多采用传统深度置信型辨识制度提取异常数据,只能获取低维数据包含的异常信息参量,使得最终数据提取结果曲线下面积(AUC)值较低。因此,为了提高电网调度信号异常数据提取结果的AUC值,提出基于数据挖掘算法的电网调度信号异常数据提取方法。应用独立成分分析算法处理电网调度信号,去除信号中的噪声信息。并对去噪后的信号进行小波分解,得到多个子信号数据集。运用数据挖掘算法中的聚类算法分析子信号数据集,得到数据样本特征,并在考虑属性特征密度指标的情况下完成数据特征分类,获取异常数据特征。最后,在支持向量数据描述的辅助下,检测出电网调度信号异常数据,汇总这部分数据即可完成异常数据提取。实验结果表明,所提方法应用后得到的异常数据提取结果AUC值总是大于0.85,证明了其具优越的应用效果。     

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。     

基于深度学习的网络入侵检测方法

网络入侵检测是网络安全领域的重要课题,传统的机器学习检测算法以特征提取和特征分离为基础,存在检测能力不足和误报率高等问题。本文提出一种基于深度学习的网络入侵检测模型IDNet。其综合考虑流量数据中的空间特征和时间特征。首先使用卷积神经网络(CNN)提取流量数据的空间特征,然后通过递归神经网络(RNN)提取流量数据的时间特征,通过堆叠CNN+RNN模块,并逐步增加学习粒度,达到同时有效提取空间特征和时间特征的目的。试验结果表明,所提算法检测准确率和误报率均优于传统机器学习算法。     

基于深度学习的交通事件检测系统设计

建立完善的交通事件检测系统,已经成为我国智能交通系统的重要组成部分。文章从数据和算法2个方面深入分析了交通事件检测场景特征,设计了一种基于深度学习的交通事件检测系统。文章提出了一种混合架构的联合学习网络,通过综合利用ViT和Swin Transformer的优势解决了图像多标签分类问题的挑战;设计了一系列数据增强方法,应对数据不平衡性对深度学习模型的影响,并有效缓解了模型过拟合问题。实验结果表明,该系统在交通事件检测中具有更好的准确性和泛化能力,已应用到多个实际项目并取得了良好的应用效果。