基于BP神经网络的入侵检测算法

为解决传统入侵检测算法存在的高漏报率及高误报率问题,结合BP神经网络算法的优点,提出一种采用遗传算法来优化BP神经网络算法的入侵检测算法。该算法通过遗传算法找到BP神经网络的最适合权值,采用优化的BP神经网络对网络入侵数据进行学习和检测,解决直接使用BP学习造成的训练样本数量过大而难以收敛的问题,同时缩短样本训练时间,提高BP神经网络分类正确率。仿真实验结果表明,与传统网络入侵检测算法相比,该算法的训练样本时间更短,具有较好的识别率和检测率。     

食源性病原微生物快速分析与检测

食源性疾病是食品安全的主要问题,近年来,国内外食源性疾病时间频频发生,据WHO(世界卫生组织)统计,各国食源性疾病的漏报率在90%以上,每年公布细菌性食源疾病事件对于实际发生率来说只是冰山一角。因此,对食源性疾病的预防与控制已引起了世界各国的关注。     

利用蜜罐提高NIDS的检测性能

目前的入侵检测技术本身存在着缺陷,比如特征检测中规则库不完备.由这些缺陷而导致的误报和漏报是制约其发展的重要瓶颈.Honeypot/net是一种新的安全技术,通过部署蜜罐收集攻击信息,再把这些信息加以整理传送给IDS,可以弥补入侵检测技术的一些缺点,从而降低IDS的误报率和漏报率.本文分析了这一设想的可行性,并提出了设计方案.此方案中包括一个Honeynet Software,它联系Honeynet 控制台和NIDS控制台,完成其中提取新模式、传递攻击信息等功能.     

改进BM算法及其在网络入侵检测中的应用

传统BM算法存在一些无用的比较,影响了字符串的匹配速度,降低了入侵检测效率。为此,提出一种改进BM算法,并将其用于网络入侵检测系统的检测引擎中。实验结果表明,较采用BM算法的Snort检测器,改进BM算法构建的网络入侵检测系统可有效降低误报率和漏报率,提高入侵检测率与时间利用率。显然,这对提升网络入侵检测系统的整体能力非常有用。     

火灾报警消防联动控制系统的漏报率和误报率及系统设计的研究

探讨了火灾报警系统的漏报率和误报率，并针对火灾报警系统的漏报率和误报率提出了火灾报警消防联动系统设计数学模型和设计方法。     

基于支持向量数据描述的报警融合方法

报警融合是入侵检测系统中很重要的一个环节,然而不同的攻击类型具有不同的数据特点,统一的无差别的处理方法势必会存在缺陷。提出了采用基于支持向量数据描述的报警融合算法,并且结合模拟退火的思想,根据不同的攻击类型,选择适合它的属性和核参数,剔除冗余特征,避免样本不均衡产生的影响,通过局部检测、数据融合以及最终的决策分析,提高了报警的检测率,降低了漏报率。通过KDD99数据集对提出的方法进行了验证。     

面向下一代互联网的异常检测模型研究

网络安全保障是下一代互联网成功运行的关键.针对下一代互联网协议的新特点与存在的安全新问题,构建面向下一代互联网的异常检测模型,支持下一代互联网IPv6协议,快速采集海量数据,以日志数据为驱动,准确提取正常行为模式,基于机器学习和时间序列分析,保证异常检测的自适应性,旨在降低漏报率与误报率.     

煤与瓦斯突出预警方法探讨

给出了煤与瓦斯突出预警的定义,明确指出了突出预警与预测的区别;从空间、时间和指标体系的角度对突出预警进行了分类,并根据突出灾害特点提出了突出预警应该具有的特征;以系统论和事故理论为指导,分析了突出预警系统构成和实现途径,并阐述了从警源监测、警兆识别、警情分析、警度发布和预警响应5个方面进行突出预警的步骤,同时给出了采用预警总准确率、漏报率和虚报率3个指标进行预警效果评价的方法。现场应用结果表明,所提突出预警方法的平均状态预警总准确率为89.1%,平均趋势预警总准确率为92.5%,漏报率为0。     

博世C系列Professional报警探测器

产品特色：该探测器最大的亮点是采用五种技术来降低产品的误报和漏报率，在报警的准确率方面有了技术上的突破。[第一段]