面向应用型本科院校网络安全课程教学研究

通过和国内著名的安全厂商合作,借鉴企业先进实践经验,设置合理的实验环境与教学内容,通过完善实践环节和有效的实践控制机制,使学生通过实验提高理论知识体系,培养学生信息安全意识和增强学生活学活用的能力,为企业提供信息安全保障与管理人才。     

基于约简SVM的网络入侵检测模型

支持向量的数量越大,基于SVM的网络入侵检测系统速度越慢。针对该问题提出一种新的SVM约简方法,在特征空间中对支持向量进行聚类,寻找聚类质心在输入空间中的原像,将其作为约简向量,以实现支持向量削减目的。实验结果证明,该方法能提高SVM入侵检测引擎的速度,增强入侵检测系统的实时响应能力。     

改进工作集选择策略的序贯最小优化算法

针对标准序贯最小优化(sequential minimal optimization, SMO)算法采用可行方向工作集选择策略所带来的缓存命中率低下问题,给出了SMO类型算法每次迭代所带来的目标函数下降量的二阶表达式,并据此提出了一种改进的工作集选择策略.新策略综合考虑算法收敛所需的迭代次数及缓存效率,从总体上减少了核函数计算次数,因此极大提高了训练效率,并且,它在理论上具有严格的收敛保障.实验结果表明,核函数越复杂,样本维度越高,缓存容量相对训练样本的规模越小,改进工作集选择策略的SMO算法相较于标准SMO算法的性能提高就越显著.     

高斯核尺度空间中的采样算法研究

将线性尺度空间的特征点扩展问题转化为多尺度数据集的同尺度内分类问题,该问题属于尺度不变的非平衡数据集分类问题。提出了一种基于尺度空间的核学习的采样算法来处理支持向量机(support vector machine,SVM)在非平衡数据集上的分类问题。其核心思想是首先在核空间中对少数类样本进行上采样,然后通过输入空间和核空间的距离关系寻找所合成样本在输入空间的原像,最后再采用SVM对其进行训练,从而有效克服了目前采样方法在不同空间处理训练样本所带来的数据不一致问题。该算法所采用的采样策略不仅能够降低数据失衡率,而且能够拓展少数类样本所形成的凸壳,从而更为有效地纠正最优分类超平面偏移问题。实验结果证明,所获得的结果分类器具有更好的泛化性能,能够在同尺度内有效扩展稳定特征点数量。     

城市地下管线数据建库与信息管理系统的建立

本文应用地理信息系统的基本原理,分析了城市综合地下管线信息管理系统的工作内容和技术特点,针对厦门市对管线信息管理的功能要求,提出了实现城市地下管线信息管理的方法。     

应用型软件工程教学团队建设方案

从应用性教学定位出发,总结以往软件工程教学的经验,提出一套操作性强、行之有效的软件工程教学团队建设方案,从师资建设、教学安排、特色实训环节等方面阐述团队建设的实践经验,提出教学团队指导项目小组接受完整软件工程训练的一系列方法和措施,并对今后的改革方向做进一步思考。     

改进型规模约束在聚类算法中的应用

规模约束可有效改善聚类算法的性能,但是各类规模约束后所含实例对象数量不一致将降低聚类算法的性能.采用一种新的模式对各类进行了规模约束,并转化为线性规划问题进行求解.UCI标准数据集上的实验结果表明本算法与随机模式相比具有更好的聚类精度,即使当规模约束适当放宽后,聚类性能也可得到明显提升.提出的方法能够有效地提高聚类的准确性.     

一种基于兴趣点分布的匿名框KNN查询方法

针对利用匿名框实现的兴趣点K近邻（KNN）查询带来的通信开销大、时延长等问题,提出了基于单一兴趣点Voronoi图划分和四叉树层次化组织的KNN查询方法。该方法根据兴趣点层次信息有针对性的构造查询匿名框用来获取详细查询信息,在保护位置隐私的同时,降低了查询通信开销,同时注入虚假查询保护了用户的真实查询内容隐私。最后分别采用模拟地理数据和真实地理数据进行理论分析和有效性验证。     

车载自组网城市环境信道传播模型设计与仿真

针对车载自组网（VANET）在城市环境中信道传播模型不真实的问题,提出了一个考虑障碍物影响的信道传播模型。首先,通过地图位置处理把信号的传播分为直接的视距传输、经过1次转向的非视距传输和禁止传输三类;其次,给出了视距与非视距传输下接收端的接收功率表达式;最后,推导了Nakagami分布下的分组传递率。理论分析和洪泛广播协议仿真实验结果表明,该模型有效反映了信号传播受路旁障碍物影响的真实情况,在轻负载的稀疏场景降低了31.4个百分点的覆盖率,而在重负载的稠密场景则提升了13.32个百分点的覆盖率。所提模型模拟了5.9 GHz高频信号的直线传输效应,为通信协议的设计策略以及真实的VANET仿真提供了依据。     

令牌损失信息的通用文本攻击检测

目的 文本对抗攻击主要分为实例型攻击和通用非实例型攻击。以通用触发器（universal trigger,UniTrigger）为代表的通用非实例型攻击对文本预测任务造成严重影响,该方法通过生成特定攻击序列使得目标模型预测精度降至接近零。为了抵御通用文本触发器攻击的侵扰,本文从图像对抗性样本检测器中得到启发,提出一种基于令牌损失权重信息的对抗性文本检测方法（loss-based detect universal adversarial attack,LBD-UAA）,针对 UniTrigger攻击进行防御。方法 首先 LBD-UAA 分割目标样本为独立令牌序列,其次计算每个序列的令牌损失权重度量值（token-loss value,TLV）以此建立全样本序列查询表。最后基于 UniTrigger 攻击的扰动序列在查询表中影响值较大,将全序列查询表输入设定的差异性检测器中通过阈值阀门进行对抗性文本检测。结果 通过在 4 个数据集上进行性能检测实验,验证所提出方法的有效性。结果表明,此方法在对抗性样本识别准确率上高达 97. 17%,最高对抗样本召回率达到 100%。与其他 3 种检测方法相比,LBD-UAA 在真阳率和假阳率的最佳性能达到 99. 6% 和 6. 8%,均实现大幅度超越。同时,通过设置先验判断将短样本检测的误判率降低约 50%。结论 针对 UniTrigger 为代表的非实例通用式对抗性攻击提出 LBD-UAA 检测方法,并在多个数据集上取得最优的检测结果,为文本对抗检测提供一种更有效的参考机制。