基于云计算的电力系统入侵检测仿真与研究

针对电力系统网络中海量、高维的入侵行为数据,在研究了分布式云计算、粗糙集、基因表达式编程等技术基础上,提出了一种基于混合基因表达式编程和云的分布式入侵检测方法。该方法利用粗糙集约简方法对噪声数据进行查找、剔除或校正,以减少噪声对属性约简的影响。进一步,利用云计算和混合基因表达式编程算法,提高对海量高维网络日志数据的及时、准确响应和处理。在仿真环节,对于KddCup 99、实测数据集、KddCup噪声数据集和NSL-KDD数据集,所提方法的检测准确率(DAR)为93.5%、91.9%、93.5%和89.9%,与基因表达式编程(GEP)、遗传算法(GA)和遗传规划(GP)相比,所提方法的DAR分别提高了1.28倍、1.27倍和1.45倍;虚警率(FAR)最大分别减少了9.74倍、32.99倍和17.06倍。仿真结果进一步验证了所提方法可以大大降低入侵数据集的复杂度,从而提高算法的全局搜索能力。     

基于云计算的水工水情监测与分析系统研发

本文首先对被测环境中水工水情检测需求进行分析,然后设计了水工水情监测系统方案.该方案结合了ZigBee与云计算技术的优势,将每个检测设备作为网络终端采集节点,并将所有的节点组合形成星型拓扑结构组网,从而实现监控区域内水情信息的检测与分析.最后对本文提出的水工水情监测与分析系统进行测试.测试结果表明,输出功率为±3 dBm时,外界地理环境为空旷无障碍的条件下,本文构建的水工水情监测与分析系统的通信距离为450 m,在外界地理环境有障碍时,系统的通信距离为320 m.在传送信号强度为-95 dBm时,系统的丢包率为0.由此可见本文构建的水工水情监测与系统满足实际需求.     

融合机器学习的云监控数据分析仿真

为进一步提升云监控平台数据分析的准确性和效率,在研究了集成云平台和分布式计算基础上,设计了融合机器学习的云监控数据分析平台。该平台包含核心结构和扩展结构2部分,分别用于对小量数据及大规模数据进行分析及分布式计算。核心架构可分为3层：智能搜索层、应用程序接口(API)层和云计算层。这3层相互作用,处理工作负载跟踪,并监视任何异常模式。扩展结构有利于用户在Hadoop文件系统中存储数据,且为用户提供了高可用性和可扩展的存储功能。对核心结构及扩展结构进行仿真分析。结果进一步验证了云监控数据分析平台的有效性及实用性。该平台为系统CPU及内存使用分析过程提供了一定依据。