改进的检测器大小可变的免疫异常检测算法

在传统的免疫异常检测算法中,通常存在检测器对非我空间的覆盖漏洞,以及检测器数量过大且相互覆盖等问题,这是导致免疫异常检测算法效率较低的主要原因。提出了一种能够处理混合型数据的免疫异常检测算法,它能够生成不同大小的检测器,提高对非我空间覆盖的效率。通过模拟实验和对比实验表明,该算法能够较好地完成对混合型数据的处理,并有效提高生成检测器的效率。     

多代表点的子空间分类算法

多代表点近邻分类克服了传统近邻分类算法的缺点,使用以代表点为中心的模型簇构造分类模型并自动确定近邻数目.此类算法在不同类别的样本存在大量重叠时将导致模型簇数量增大,造成预测精度下降.提出了一种多代表点的子空间分类算法,将不同类别的训练样本投影到多个不同的子空间,使用子空间模型簇构造分类模型,有效分隔了不同类别样本在全空...     

基于分布式压缩感知的可穿戴多传感数据联合重构新方法

为提高可穿戴多传感数据远程联合重构性能,提出了一种基于分布式压缩感知的可穿戴多传感加速度数据联合重构新方法。该方法首先对可穿戴多传感原始数据压缩编码,将数据融合传送至远端服务器;然后,基于可穿戴传感数据的时空相关性,构建块稀疏贝叶斯学习联合重构算法,实现压缩数据解码,准确重构各传感原始数据;最后,新方法对美国加州伯克利大学可穿戴多传感运动数据进行分析。实验结果表明,对不同编码采样率,文章所提方法重构性能明显优于传统的算法,并且能够准确解码压缩数据,有望在远程医疗环境下推广应用。     

便携式数据库审计系统设备

随着数据库在各个领域的广泛应用,信息泄露和篡改事件成为人们关注的焦点。为了保护数据库信息安全,越来越多的数据库审计产品问世,成为必不可少的数据库安全工具。但现阶段数据库审计设备存在体积大、质量重、携带不便等缺点,为审计工作带来不便。本文提出一种便携式数据库审计系统设备,该设备采用Linux操作系统,内置预设定的数据库安全审计系统;硬件设备主要包括中央处理器、电源、主板、内存、硬盘、网络和无线网络接口。该新型的便携式审计系统设备克服现阶段审计设备复杂、不便携带的缺点,能够在任何网络下接入,功能齐全,方便数据库的安全审计工作。     

P2P网络中使用TCP穿越NAT的方法研究

在 VOIP 领域中,网络地址转换是一个很关键的问题.由于用户无法得到全局有效的 IP 地址,使得端到端(peer-to-peer)的通信困难重重.为了解决这个问题,提出了很多解决方案如 ICE、UPnP 甚至配置 IPV6.在分析了一种简单而又实用的 NAT 穿越技术-hole-punching,该方式一般适用于 UDP 通信,进一步把它扩展到 TCP,详细描述了使用TCP 穿越 NAT 的细节,TCP 连接具备很多优点,存防火墙禁止任何 UDP 数据包时,这种方法成为解决 NAT 问题的唯一方法.     

基于二叉树的社交网站模型

社交网站的繁荣。吸引了大量的风险投资,很多大公司开始构建自己的社交平台。本文在分析了现有的社交网站的模式的基础上,给出了一种新的模式,这种模式有可能比传统模式更具有吸引力。     

Delta算子系统动态输出反馈D-稳定鲁棒协方差控制

研究Delta算子描述的线性不确定系统基于动态输出反馈的D-稳定鲁棒协方差控制问题.设计动态输出反馈控制器,使Delta算子不确定系统鲁棒D-稳定,且稳态输出协方差矩阵具有给定上界.利用线性矩阵不等式(LMI)方法,给出D-稳定鲁棒协方差控制器存在的充分条件.在此基础上,提出相应控制器的设计算法.数值算例表明了该设计方法的可行性.     

基于增量KNN模型的分布式入侵检测架构

网络异常检测技术是网络安全领域的热点问题.目前存在的异常检测算法大多属于静态分类算法,并未充分考虑到实际应用领域中海量数据不断增加的问题.本文提出了一种基于增量KNN模型的分布式入侵检测架构,它首先将少量的训练集均匀分配到各个节点上建立初始KNN模型,然后再将新增的数据分割成小块数据交由各个节点并行地进行增量学习,即对各节点的原有模型进行调整、优化,最后通过模型融合得到较为鲁捧的检测效果,在KDD CUP'99数据集上的实验结果验证了本方法的有效性.     

基于自适应阈值蚁群算法的路径规划算法

为了克服传统蚁群算法容易陷入局部最优的问题,提高环境适应能力和收敛速度,提出了一种基于自适应阈值的蚁群算法．在优化过程早期,通过阈值对蚂蚁寻优过程进行干预避免其陷入局部最优解．随着迭代次数的增加,阈值对蚂蚁寻优过程的影响不断减小,直至完全由信息素和启发信息来指导蚂蚁寻优．仿真实验验证了优化算法的可行性和有效性．与现有蚁群算法进行比较,实验结果表明：在不同的环境下,文中提出的算法都能快速的规划出一条较优的路径,并且收敛速度和环境适应能力令人满意．     

空间数据库中离群点的度量与查找新方法

如今查找离群点的方法有以下两类：第1类方法是面向统计数据库，把各种数据都看成是多维空间，没有区分空间维与非空间维的方法；第2类方法是面向空间数据库，区分空间维与非空间维的方法。目前提出的方法大多数是第1类方法，由于这类方法在空间数据库中直接应用可能产生错误的判断或找到无意义的离群点，而已有的第2类方法又查找效率太低或不能查找局部离群点，为此提出了一个新的基于邻域的离群点度量方法——空间偏离因子，这种方法面向空间数据库，不但可区分空间维与非空间维，并可以找到局部或全局的离群点；同时提出一种与邻域划分相结合的快速查找算法。理论分析表明，该方法是合理的。真实数据与模拟数据的实验也再次验证了这个模型与算法的可行性。