基于IFCM加权的SVDD硬件木马检测方法

针对硬件木马（HT）种类繁多难以获取未知木马特征及采集的旁路信号含噪声问题,提出了一种基于IFCM加权的SVDD（IFCMW-SVDD）硬件木马检测方法。传统支持向量数据描述（SVDD）在解决单分类问题时存在相同条件下训练全部样本的不足,需要根据相应问题对样本有主次之分进行训练。通过一种改进的模糊C均值方法（IFCM）计算金片旁路信号的隶属度,将其作为样本特征的权重（◢W◣）系数,使得针对硬件木马检测问题构建SVDD模型的支持向量能够描述金片信号的同时尽可能减小描述范围。实验表明,所提方法实现单分类硬件木马检测的同时较传统SVDD算法在检测精度和稳定性上都有所提高。     

IFCM:改进的区间值数据的模糊C-均值聚类算法

对基于区间值数据的模糊聚类算法进行了研究,介绍了具有控制区间大小对聚类结果影响的加权因子的模糊C-均值聚类新算法.针对区间值数据模糊C-均值聚类新算法提出了一个适应距离的弹性系数,使算法得到改进,既能利用传统的FCM算法,又考虑了区间大小对聚类结果的影响,同时也能发现不规则的聚类子集,使聚类结果更加准确.     

基于DTW的长期直觉模糊时间序列预测模型

针对现有直觉模糊时间序列模型中直觉模糊关系组和确定性转换规则过度依赖训练数据规模的问题,提出一种基于动态时间弯曲（DTW, dynamic time warping）距离的长期直觉模糊时间序列预测模型。通过直觉模糊C均值（IFCM, intuitionistic fuzzy C mean）聚类构建直觉模糊时间序列片段库,动态更新和维护规则库,减少系统复杂度。提出基于DTW距离的直觉模糊时间序列片段相似度计算方法,有效解决不等长时间序列片段匹配问题。通过对合成数据以及包含不同时间序列模式的气温数据的实验,与其他相关模型比较,说明该模型对于不同时间序列趋势变化模式中均具有较高的预测能力,克服传统模型提高模型只能满足单一模式时间序列预测,提高模型的泛化性能。     

基于GA与IFCM聚类算法的入侵检测

针对直觉模糊c-均值(IFCM)聚类算法易陷入局部最优的问题,从适应度值标定和群体多样化2个方面对遗传算法(GA)进行优化,并将优化后的GA与IFCM算法相结合,提出一种改进的IFCM算法用于入侵检测。优化后的GA具有更优良的全局寻优特性,与IFCM算法结合后,可避免算法陷入局部最优。在KDD CUP99数据集上的仿真结果表明,与IFCM算法相比,改进算法能有效提高聚类精度和检测效率。