非平衡技术在高速网络入侵检测中的应用

针对现有的高速网络入侵检测系统丢包率高、检测速度慢以及检测算法对不同类型攻击检测的非平衡性等问题,提出了采用两阶段的负载均衡策略的检测模型。在线检测阶段对网络数据包按协议类型进行分流的检测,离线建模阶段对不同协议类型的数据进行学习建模,供在线部分检测。在讨论非平衡数据处理的各种采样技术基础上,采用改进后的过抽样少数样本合成过采样技术（SMOTE）对网络数据进行预处理,采用AdaBoost 、随机森林算法等进行分类。另外对特征选取等方面进行了实验,结果表明SMOTE过抽样可提高各少数类的检测,随机森林算法分类效果好而且建模所用的时间稳定。     

适用于非平衡数据的多关系多分类模型

针对多关系多分类的非平衡数据,提出一种分类模型。在预处理阶段,建立目标类纠错输出编码(ECOC)、目标关系与背景关系间的虚拟连接并完成属性聚集处理,进而划分训练集和验证集。在训练阶段,依据一对多划分思想,结合CrossMine算法构造多个子分类器,采用AUC法评估验证各子分类器。在验证阶段,比较目标类ECOC与各子分类器分类结果连接字的海明距离,选择最小海明距离的目标类为最终分类。经合成和真实数据的实验,验证了模型有效性及分类效果。     

基于cc-NUMA多核处理器构架的虚拟机监控器原型设计与实现

基于cc-NUMA构架的多核处理器是未来的主流。系统内集成百处理器核心也会在几年内出现,而现有的系统软件并不能充分发挥这一构架的优势。文章设计实现了一个虚拟机原型,通过虚拟机向上层操作系统屏蔽底层cc-NU-MA构架的特性,使操作系统无需修改可高效的运行并且应用程序降低开发的难度。实验结果表明运行在虚拟化后同一NUMA节点内的Linux可以达到很好的性能。     

基于参数化的三维颅面配准

针对颅面配准问题,提出通过对颅面进行参数化将其转换成二维参数域的对应问题。首先,根据人类的生理特征标定6个特征点,利用这些特征点将颅面转换到一个统一的坐标系以实现姿态和大小的统一;其次,以两个外眼角为约束对参考颅面进行最小二乘保角映射,计算出6个特征点的参数值;然后,以这六个生理特征点的参数值为约束,利用最小二乘保角映射将任一待配准模型映射到二维参数域;最后,根据二维参数域确定三维颅面上的对应点,从而实现三维数据配准。为了验证所提方法,以对应点为控制点,利用薄板样条(TPS)变换把参考颅面变形到目标颅面,以变形后两个模型上对应点之间的几何距离的平均为度量,将所提算法和基于主轴分析的迭代最近点(ICP)配准以及基于随机采样控制点的迭代TPS配准方法进行了比较,实验结果表明,所提算法的配准效果优于其他两种方法。     

含输入死区系统的滤波误差初始修正迭代学习控制

针对一类输入环节含死区非线性特性且误差初值非零的非参数不确定系统,提出滤波误差初始修正学习控制方案,分别解决死区斜率下限可知与未知两种情形下的轨迹跟踪问题.给出了两种修正滤波误差信号构造方法,并根据Lyapunov综合方法设计学习控制器,采用鲁棒学习策略处理非参数不确定性和死区非线性特性.经过足够多次迭代后,实现滤波误差在预设的作业区间也收敛于零.文中所提出的控制方案,具有构造简单与实施方便的特点,仿真结果表明了本文所提控制方法的有效性.     

基于非监督特征学习的兴趣点检测算法

由于兴趣点是图像中的基础、关键特征,因此兴趣点检测是图像配准、图像检索以及图像识别的关键步骤。基于兴趣点对于图像特征响应较为强烈的特性,结合非监督特征学习算法可以自主地从无标签的样本中提取特征的思想,提出了UFL-ID兴趣点检测算法。该算法无监督学习了图像的底层特征,对特征进行信息量和各向同性的评价,并利用特征的卷积响应及评价参数寻找图像中的兴趣点。与其他常见的兴趣点检测算法的对比实验表明,该算法具有良好的重复性与抗噪能力。     

基于改进庄家法则的多目标进化算法

非支配集的构造方法是多目标进化算法中最重要的问题。在用庄家法则构造非支配集时,若非支配个体较多,由于需要进行多轮比较,所以算法的计算复杂度较高。在庄家法则中引入一个副庄家,用以减少下一轮比较个体的个数,从而最终减少比较的轮数。数值实验表明：改进后的算法具有较高的运行效率。     

常识问题——常识推理的逻辑基础

本文主要讨论常识推理的逻辑基础，基于一条从非单调推理到常识推理的技术途径，由此指出在更一般意义上形式化常识推是的一些结果，它建立常识逻辑和解决常识问题提供了有用的基础工具。     

关于HFE密码系统的密钥问题研究

多变量密码系统的设计与分析在理论探索与实际应用中扮演着重要的角色.在现有的多变量密码系统中,由Partarin在1996年提出的HFE密码系统被认为是最有前途的.在许多应用中,因HFE密码系统快速的公钥加密等原因,它还是一个很有前途的公钥密码.它的安全性是基于有限域F上的多元二次方程组的求解问题.在HFE公钥密码系统中,密钥问题是一个很重要的问题,但目前还没有映射φ:K-Fn[其中K是F的n次扩展,F的特征为2]及其逆的作用下,对每一个非平凡公钥都有qn(n 1)n/Ⅱi=1(qi-1)2个非平凡私钥与之相对应,同时得出结论:求有限域F上的任意二次方程组的解[方程的个数优小于等于变元的个数n]都可转化求有限域K(K是有限域F的"次扩展)上多项式方程的根,另外还给出了有限域F上HFE密码系统的两类弱密钥.这些结果不但能加深对HFE密码系统的理解,而且也可能产生对HFE密码系统的新的攻击.     

基于多核学习的投影非负矩阵分解算法

非负矩阵分解(NMF)把给定的数据矩阵分解成低维的非负基矩阵和对应的系数矩阵,两者之间存在必然联系。为此,研究者将基矩阵转换为系数矩阵的投影,进一步提高分解效率。但是该方法无法处理非线性数据,核函数的引入部分解决了此问题,却同时导致核函数参数选择的问题。基于多核学习理论,提出了一种多核学习的投影非负矩阵分解(MKPNMF)算法,该算法有效地避免了核函数参数选择的问题,同时提高了学习性能。在实际人脸数据上的实验结果表明,MKPNMF较已有的NMF类方法具备明显的性能优势。