Optimization of recharge and pumping rates by means of an inverse 3D model

The paper concerns the optimization of pumping and artificial recharge rates under hydraulic head constraints. This optimization is accomplished by means of an inverse three-dimensional (3D) model which is a combination of a numerical model, sensitivity analyses and nonlinear regression. The optimization criterion used is the minimization of the sum of the squares between the calculated and the desired water table maps. These maps were established for the end of each month of the period from December to August so that the annual average flux is outward from the modeling area. This outward flux will push back the salt water intrusion. The assumed natural recharge rates of the different months equal the mean values of the period 1958–1977. The aquifer parameters describing the water conducting and storing properties are also required as input data as well as the initial hydraulic heads. The optimized parameters are the artificial recharge rates of the months December, January, February and March and the pumping rates of the months April, May, June, July and August. For the first-mentioned months, the pumping rates are considered as known. During the last-mentioned period, no artificial recharge is possible. A unique solution is obtained. To check the optimized rates, a water balance is made. With this balance, it is shown that the treated phreatic aquifer can be used as a subterranean reservoir to store water that is abundantly present in the winter until the summer when water demand is large. It is also proved that the salt-water intrusion can be stopped by the temporal storage of the artificial recharged water.     

一种检测被捕获节点的基于异常的算法研究

无线传感器网络在许多应用场合里需要采集较敏感的数据,因此安全问题至关重要。一旦传感器节点被捕获,且没有采取相应措施,节点的密钥信息易被泄露,攻击者完全可伪装成这些节点,向网络任意注入错误的信息,由此导致网络的安全性能急剧下降。提出了针对被捕获节点的一种基于异常的入侵检测算法,能有效识别无线传感器网络的被捕获节点。算法对传感器节点间关系进行抽象,采用传感器网络的事件驱动特性来确定某节点在固定时间间隔内是否在发生数据包,基站通过检测可疑节点的数据包发送时间的差异来加以确认。算法不依赖于任何被捕获节点如何行动和密谋的假设,能识别出偏离正常行为值的最大多数被捕获节点,而不会出现"假肯定"。     

基于TSVD-SCN的光纤入侵信号识别算法研究

采用随机配置网络(SCN,Stochastic configurat ion network)对光纤振动信号进行识别,常由于光 纤预警系统的背景噪声问题使得网络的隐含层输出接近奇异,直接影响了SCN对光纤数据的 识别准确率。 因此本文提出了一种基于截断奇异值分解(Truncated singular value decomposition,TS VD)的SCN 方法(TSVD-SCN) 对光纤入侵信号进行识别。TSVD-SCN通过对网络的隐含层输出进行SVD分解并设置阈值去 除其中较小的 奇异值,以减少隐含层输出矩阵的条件数,提升网络识别率。本文利用占空比,平均幅差函 数,FFT求能 量占比的方法进行特征提取,采用基于TSVD-SCN算法对不同入侵振动特征矢量进行分类识 别。实验证明, 本文所提算法模型精度比SCN的模型精度更高,可以准确识别光纤入侵信号类型,对SCN网 络在实际应用中对分类精度的提高有着重要意义。     

基于主成分分析的改进贝叶斯网络入侵检测研究

传统的贝叶斯网络入侵检测技术中,未考虑到入侵检测数据集中属性数量过多的问题,导致贝叶斯网络构造过程中计算量过大,严重影响了检测效率;传统的贝叶斯网络入侵检测技术,在检测的过程中也没有考虑到当前网络受到的攻击行为和安全状态,仅仅根据原始训练数据集生成的贝叶斯网络进行测试,对检测精度造成一定的影响。针对上述两个问题,提出结合主成分分析和滑动窗口的贝叶斯网络入侵检测技术,仿真实验表明,改进后的技术能够大大降低数据维数,提高运算效率和检测精度。     

翻译Snort规则到Statl规则

各种入侵检测系统越来越多,其中大多是基于信号检测(signaturebased)的。它们的信号库各不相同,不能共享。这导致每个产品都要开发自己的信号库,因此不同厂家的入侵检测系统根本无法互相配合,共同防范攻击。提出了一种将一个网络入侵检测系统的Snort的规则转换为STATL(NetSTAT)规则的方法,初步实现了两者之间的规则共享。     

机器学习理论在入侵检测技术中的应用研究

入侵检测系统是主动保障网络信息安全的重要方法。本文针对大规模、高带宽网络环境下,入侵检测技术存在的不足,提出将机器学习理论应用到入侵检测系统中。文章简要介绍几种适合用于入侵检测系统中的机器学习算法,并建立基于机器学习理论的入侵检测系统框架。利用机器学习的算法不仅能检测到一些已知的攻击,还可以通过自我学习检测到未知的攻击。     

入侵检测技术及其发展趋势

入侵检测是一个主动的和重要的网络安全研究领域，首先介绍了入侵检测系统的发展过程；阐述了入侵检测系统的功能、通用模型夏分类，并重点分析了入侵检测系统的各种入侵检测技术；最后指出了目前入侵检测系统面临的主要挑战，并提出了入侵检测技术的未来发展趋势。     

基于报警偏离分析的入侵检测研究

在入侵检测实践中频繁报警与高误警率一直是难以避免的问题。针对这样的情况,文章提出了一种入侵检测中的报警偏离分析方法,它在减轻频繁报警冲击的同时,通过综合评估的方式降低了错误报警的影响。实验结果表明了该方法的有效性。     

浅谈图书馆信息网络边界安全防护

网络威胁种类和数量迅速增加,传统信息安全防护手段难以有效解决网络安全问题,对图书馆应用系统的正常使用构成较大影响。按照＂软硬兼施、协同组合＂的思路,部署UTM设备和内网安全管理软件,从网络关口和网络终端两个边界角度对图书馆网络安全进行分析,将两个安全边界的防护手段进行统一和组合,形成完整的边界安全防护方案,实现协同配合、精准控制和一体化管理,更好地保护图书馆网络和数字资源。     

新的基于机器学习的入侵检测方法

提出了一种基于机器学习的用户行为异常检测方法,主要用于UNIX平台上以shell命令为审计数据的入侵检测系统。该方法在LaneT等人提出的检测方法的基础上,改进了对用户行为模式和行为轮廓的表示方式,在检测中以行为模式所对应的命令序列为单位进行相似度赋值;在对相似度流进行平滑时,引入了“可变窗长度”的概念,并联合采用多个判决门限对被监测用户的行为进行判决。实验表明,该方法在检测准确度和实时性上均优于LaneT等人提出的方法。