一种面向实验室安全监测WSN的自适应分段聚类多跳路由协议研究

本文研究了一种面向实验室安全监测WSN的自适应分段聚类多跳路由协议,该协议由两个层次组成:异常数据预处理和WSN网络参数优化.异常数据预处理包括瞬时性异常数据分析、故障性数据预处理和数据有效性判断.然后本研究通过优化自适应参数(如跳跃次数、跳跃距离等),寻求发现一种降低系统能耗的最优方案,并且可以平衡系统其他指标来降低能量消耗从而延长网络系统的生命周期.根据实验室安全监测的结构特点,研究体系基于多个实验室房间的空间结构,设立多个隔离子单元的结构(如防火区、隔离门等).相应的,基于子单元结构设计而本研究引入等间隔多跳的传输方案.该设计便于有效地将灾害隐患隔离在防护区内,提高实验室整体安全系数.     

基于t-SNE降维预处理的网络流量异常检测

网络流量中大多数流量都是正常的,但经常会出现偏离正常范围的异常流量,主要由DDOS攻击、渗透攻击等恶意的网络行为引起,这些异常行为通常会导致网络质量下降,甚至网络直接瘫痪。因此引入网络安全态势的预测,在仅知道正常网络流量的情况下判断网络中的异常。异常检测是一种网络安全态势的预测方法,用来判断网络中是否有异常。现有的异常检测算法由于无法准确提取网络数据包的低维特征导致算法的性能不佳,因此,需要找到网络数据包的准确的低维特征表示,该低维特征表示能够区分网络数据包是正常的还是有攻击的。为此,本文引入基于t-SNE降维的NLOF异常检测算法。该算法采用t-SNE算法自动预处理网络数据包以获得低维的网络数据包特征,之后将得到的低维的网络数据包特征作为NLOF算法的输入进行异常检测。其中,本文的NLOF算法首先采用k-means算法将网络数据包聚类成为K个簇,并将网络数据包数量小于N个的簇标记为异常簇,之后将未被标记为异常簇的网络数据包作为LOF算法的输入进行异常检测。在ISCX2012数据集上的实验结果表明,基于t-SNE降维的LOF算法达到最优性能时,准确率为98.46%,精确度为98.38%,检测率为98.54%,FAR为0.66%。该算法比基于现有最新算法的准确率、检测率和F1分别高3.18个百分点、0.02个百分点和0.01个百分点。基于t-SNE降维的NLOF算法达到最优性能时,准确率为98.53%,精确度为98.86%,检测率为98.86%,FAR为0.32%。该算法比基于现有最新算法的准确率、检测率和F1分别高3.25个百分点、0.34个百分点和0.41个百分点。这是异常检测中首次采用t-SNE算法自动提取低维的网络数据包特征。此外,LOF算法仅能捕获异常点,而本文的NLOF算法能够同时捕获异常点和异常簇。     

基于SSC-BP神经网络的异常检测算法

针对物联网环境下产生的新型网络攻击的数量持续上升和复杂性不断升高,传统的异常检测算法误报率高、检测率低以及数据量大而造成计算困难等问题,提出了一种基于子空间聚类(Subspace Clustering,SSC)和BP神经网络相结合的异常检测算法.首先在网络数据集上通过子空间聚类算法中最常用的CLIQUE算法得到不同的子空间;其次对不同子空间中的数据进行BP神经网络异常检测,计算预测误差值,通过与预先设定好的精度进行比较,来不断更新阈值进行修正,以达到提高识别网络攻击的能力.仿真实验采用NSL-KDD公开数据集和物联网环境下的网络攻击数据集,将NSL-KDD公开数据集分割为4种单一攻击子集和1种混合攻击子集,通过与K-means,DBSCAN,SSC-EA以及k-KNN异常检测模型进行比较,在混合攻击子集中,SSC-BP神经网络模型的检测率比传统的K-means模型的检测率提高了6％,误检率降低了0.2％;而在4种单一攻击子集中,SSC-BP神经网络模型都能以最低的误检率检测出最多的受到攻击的网络.在物联网环境下的网络攻击数据集上,SSC-BP神经网络模型的性能均优于其他几种对比模型.     

一种基于邻近性和团的异常数据检测算法

随着数据科学研究的不断深入,异常数据对数据分析工作的干扰也越来也大,如何有效检测异常数据已成为数据研究的关键问题之一.目前传统基于距离的方法仅考虑单个对象的异常性,缺少对正常对象之间如何抱团的分析,针对此问题,论文提出了一种基于邻近性(Proximity)和团(Clique)的异常检测算法——PCOD(Proximity Cliques Outlier Detec-tion)算法.该算法引入了图论中团的概念,通过团来解释正常对象之间的连接,根据数据对象间的连接性来分析数据点是否为异常点.PCOD算法主要包括两个步骤:首先,根据数据对象之间的邻近性,将数据中各个对象表示为存在边的无向图;再递归搜索图获取所有团集合,对所有的团进行分析并检测出没有抱团的异常点.最后,使用Arrhythmia、Pima、Vowel等UCI数据集进行实验,实验结果表明PCOD算法在精确率方面优于同类异常检测算法.     

异常声音检测中模型压缩算法研究

深度学习已经在视觉、语音等领域取得了巨大的成功,随着深度学习性能不断的提升,模型的参数也在不断增加.针对如何在保证模型准确度的同时降低模型大小,使其能够部署在物联网设备上的问题,提出了一种异常声音检测模型与模型压缩算法.异常声音检测模型主要包括端点检测、特征提取、卷积检测模型.针对卷积模型较大的问题,提出了一种模型压缩算法,通过计算节点的输入输出权重之和,裁剪对模型影响较小的节点.实验表明,该异常声音检测模型与压缩算法在保持模型准确度的同时,可以一定程度上降低模型的大小.     

地面高精度磁测在新疆青河县贝勒克勒铁矿的应用

通过对新疆青河县贝勒克勒铁矿高精度磁法勘探资料的分析和研究,工作区可划分为西部、北部高磁异常区、中西部负值异常区、中部面积正负磁场平缓变化区、东部跳跃变化正值磁异常区,结合工作区岩矿石标本磁性参数可判别各类磁场类型形成的地质原因。划分局部磁异常6个,其中M1、M2、M3磁异常与地下隐伏含磁铁矿石英岩有关,M4、M5、M6磁异常与含铁石英岩有关。对局部典型异常M1、M4进行了半定量解释,并进行了钻探验证,实际验证结果与推断结果较为吻合。     

鞍山深部铁矿综合地球物理研究

在我国众多沉积变质型铁矿矿床中,鞍山铁矿以其成矿作用和地质、地球物理特征具有明显的代表性。通过开展航空物探工作,确定了磁异常范围和重力异常区域,并通过在异常区域开展可控源音频大地电磁法查证工作,目的是研究异常成因、深部构造及推断可能隐伏铁矿体的埋深、宽度、规模及产状。通过收集工区地质资料并结合CSAMT勘查成果综合分析,发现深部低阻异常,并初步确定了低阻异常的位置、规模等分布特征及其成因;发现了2个有意义的隐伏低阻异常体,推测是由磁铁矿(化)体引起;基本查明了工区内的地层分布特征;推断了6条隐伏断裂构造及其产状特征;对工区内各类岩矿石露头实施了电性参数测量,获得工区内岩矿石的电性特征。本次工作,为鞍山-本溪地区的铁矿资源潜力的快速评价提供了不可或缺的基础资料,为指导下一步深部勘查工作提供了依据。     

起伏地形磁异常三维相关成像方法及应用

常规的磁异常三维相关成像方法假定观测面为水平面,在地表起伏明显时,将对成像结果产生一定的影响。为此,对磁测数据三维相关成像方法进行了改进,在反演中加入了高程参数,建立了起伏地形条件下的磁异常三维相关成像方法步骤。通过实测磁异常资料试验表明,本文方法能够有效地成像出地下磁性体的空间赋存状态和等效磁性分布,同时其输出结果也与实际地形标高一致,有效地改善了复杂地表条件下的磁异常三维相关成像效果,更有利于该方法在我国中西部高山地区的成像解释应用。