基于HPC的虚拟化平台异常检测技术研究与实现北大核心CSCD

文章针对虚拟化平台异常行为检测问题提出一种基于硬件性能计数器(Hardware Performance Counter,HPC)和集成学习的动态检测方法。该方法基于KVM虚拟化平台,采集平台运行样本时的HPC值,按照随机森林(Random Forest,RF)学习时产生的特征重要性分数进行特征筛选,提高RF分类模型的准确率,实现异常检测。文章在平台上采集了1040个良性程序样本和1040个恶意程序样本,在特征筛选阶段选取8个判断恶意样本的重要HPC事件。实验结果表明,特征筛选后的RF分类模型在测试集上可以达到95.38%的准确率,相较于特征筛选前的同类模型和其他传统机器学习模型具有更高的准确性和稳定性。     

基于组合赋权的TOPSIS模型与机器学习算法对山东某地区水质等级评估分析

为高效评估水质等级,缓解水体污染,以山东省某地区在2020年6-9月的水质监测数据为依据,建立基于组合赋权的TOPSIS模型,该模型旨在传统TOPSIS模型的基础上引入主客观赋权理念,为更真实准确地评估水质等级提供了科学依据.水质等级评估结果为:Ⅰ类水5个,Ⅱ类水46个,Ⅲ类水264个,Ⅳ类水399个,Ⅴ类水196个,...