基于云模型BBO算法优化KELM的网络入侵检测

鉴于核极限学习机的网络入侵检测结果易受正则化系数C和核参数g的影响,本文选择网络入侵检测的准确率为适应度,通过云模型BBO算法优化正则化系数C和核参数g,实现网络入侵的自适应检测,从而确立一种云模型BBO算法优化KELM的网络入侵检测算法。结果表明,该算法能够实现网络入侵的高精度检测。     

基于聚类分析的数据挖掘方法研究

针对FCM算法的聚类效果易受其初始中心位置影响和易陷入局部最优的缺点,将灰狼优化算法和FCM结合,提出一种基于GWO优化FCM的聚类分析方法。以KDD CUP99数据集为研究对象,研究结果表明,与PSO、GA和SA算法相比较,GWO算法聚类分析的准确率和误判率更低,具有更快的收敛速度,效果更优,从而为数据聚类分析提供新的方法和途径。     

基于改进加权关联规则算法的入侵检测系统

入侵检测系统中的数据漏报和误报一直是困扰网络安全的问题,只有解决了这个问题才能真正提高网络安全性。通过研究加权关联规则挖掘算法,将关联规则算法应用到入侵检测系统的海量数据挖掘,研究一种基于改进加权关联规则算法的入侵检测系统,并给出了该系统的模型和流程结构,通过测试证实该模型可满足当前网络安全各项入侵检测系统的要求。     

基于信息熵与K-means融合算法的网络入侵检测模型

传统K-means算法在初始聚类中心选择时具有较大随机性,是影响聚类分析结果的关键因素。利用信息熵辅助选取聚类中心,提出一种信息熵与K-means融合算法,并以此为基础构建一种网络入侵检测模型,除完成异常入侵检测外,可使聚类中心随网络变化而动态更新,提高入侵检测效果。通过对比试验,证明了该方法的可行性及有效性。     

1种基于可变精度粗糙集的网络入侵检测模型

当前各网络入侵检测算法的准确率仍不尽人意;针对此问题,提出1种基于可变精度粗糙集(Variable Precision Rough Set)的网络入侵检测模型.模型通过粗糙集对不确性数据进行筛选,再利用粒子群算法对数据进行约简,然后再根据设定的阀值,用可变精度粗糙集导出规则并得到检测结果.实验结果表明,本模型运用的粒子群算法数据约简速度高于利用遗传算法的同类模型,且基于可变精度粗糙集的入侵系统检测准确率比基于非可变精度粗糙集的检测系统高.     

一种基于网络的入侵检测模型及其实现

在入侵检测CIDF体系结构基础上,提出了基于网络的二层式多数据包分析入侵检测模型.这一模型中,事件分析器对当前事件分两层进行处理:先将当前事件结合历史事件进行关联分类,找出与当前事件关联紧密的历史事件;然后对包含当前事件的这一类关联事件进行回归分析,最终发现潜在的协同攻击和分布式入侵行为.仿真试验说明该算法模型能够检测出传统入侵检测系统难以发现的分布式入侵行为.     

1种基于可变精度粗糙集的网络入侵检测模型

当前各网络入侵检测算法的准确率仍不尽人意；针对此问题。提出1种基于可变精度粗糙集（Variable Precision Rough Set）的网络入侵检测模型。模型通过粗糙集对不确性数据进行筛选。再利用粒子群算法对数据进行约简，然后再根据设定的阀值，用可变精度粗糙集导出规则并得到检测结果。实验结果表明。本模型运用的粒子群算法数据约简速度高于利用遗传算法的同类模型，且基于可变精度粗糙集的入侵系统检测准确率比基于非可变精度粗糙集的检测系统高。     

适应多元尺寸长度的卷积神经网络模型在网络入侵检测中的应用

为了实现对网络入侵检测领域深度层次特征的探索,本文将多元尺寸长度的卷积神经网络模型引入,并通过BN算法改善模型在学习率方面的表现,结果表明,卷积神经网络在检测入侵事件方面是完全可行、有效的。     

一种基于隐马尔可夫链的网络入侵检测研究

提出了一种基于HMM的网络异常入侵建模方法,使用隐马尔可夫模型中的Baum-welch算法识别攻击者攻击意图,给出了计算P(O|λ)和阈值的算法。仿真实验数据基于林肯实验室提供的入侵检测数据集,对系统进行了测试与性能分析,并与Snort系统比较,具有一定的应用价值。     

一种用于网络入侵检测的免疫克隆策略

网络入侵检测当前面临的主要问题是如何迅速有效地检测出未知模式的入侵. 借鉴生物免疫系统中的自进化学习机制, 我们设计一种免疫克隆算法,该算法以生物免疫的自我非我识别为基础,进一步引入免疫克隆学习机制以提高算法对入侵模式识别的效率和正确率.论述参数的设置,并且系统不再简单地丢弃穷举法中与Self匹配的候选检测器,而是对它们进行进化,引导它们偏离Self集合,生成检测器.论述免疫克隆算法的具体细节, 并完成相应的验证实验.实验表明该算法具有较好的识别未知模式的能力.     

一种基于数据挖掘技术的入侵检测系统模型及应用

随着技术的发展,网络日趋复杂,防火墙技术所表现出来的不足引出了人们对入侵检测系统(IDS)技术的研究和开发。首先介绍了入侵检测技术、数据挖掘技术和关联规则算法,然后提出了一种基于数据挖掘技术的入侵检测系统模型,并将数据挖掘中的关联规则模型应用到实际中,取得很好的应用效果。     

一种基于数据挖掘技术的入侵检测系统模型及应用

随着技术的发展,网络日趋复杂,防火墙技术所表现出来的不足引出了人们对入侵检测系统（IDS）技术的研究和开发。首先介绍了入侵检测技术、数据挖掘技术和关联规则算法,然后提出了一种基于数据挖掘技术的入侵检测系统模型,并将数据挖掘中的关联规则模型应用到实际中,取得很好的应用效果。     

BM算法与其改进算法分析

随着网络入侵检测技术的快速发展,入侵行为的检测算法也日益重要。本文对目前常见单模式匹配算法进行分析总结,以经典的单模式匹配算法为例,分析了其详细的实现过程。并以此为基础,分析了修改后的单模式匹配算法的优缺点,对该算法的继续改进提供了一定的参考意见,指出了单模式继续改进的方向。     

基于梅尔谱图和改进ResNet34模型的鸭蛋裂纹识别算法

针对鸭蛋裂纹人工检测受主观性影响造成精度波动大等问题,利用ResNet34网络模型,提出1种基于梅尔谱图的鸭蛋裂纹识别算法。首先利用敲蛋装置收集敲蛋声音数据,再将音频转化成梅尔谱图,构建梅尔谱图数据集,然后搭建ResNet34模型,引入迁移学习机制训练模型,再通过Adam优化算法更新梯度,增加注意力机制模块并将卷积结构替换为深度可分离卷积以对网络模型进行改进,并调整参数进行优化,最后利用模型对鸭蛋裂纹进行识别。结果显示：改进的ResNet34DP＿CA网络模型检测的平均准确率为92.4%,对比原始ResNet34网络模型,平均准确率提高5.5个百分点,参数量减少32%;对比其他网络模型VGG16、MobileNetv2和EfficientNet,平均准确率分别提高10.9、13.7、16.3个百分点,识别时间为21.5 ms。结果表明,所提出的基于梅尔谱图和改进ResNet34模型的鸭蛋裂纹识别算法,能够有效地对鸭蛋裂纹进行检测识别。     

基于迁移学习和数据增强的小样本柑橘缺陷检测研究

小样本目标检测旨在通过少量样本实现对图像中目标的识别和定位。目前针对柑橘缺陷的小样本数据集进行的检测较少,本文提出了使用数据增强和迁移学习来对小样本柑橘的缺陷类型进行检测的方法,采用旋转、裁剪和高斯模糊进行数据增强来扩充数据集,与使用迁移学习方法进行对比。实验表明：迁移学习方法中最优算法是FRCN ft-full,基于该算法的20-shot任务的mAP值为67.823%;在基于数据增强的方法中使用Faster R-CNN算法的mAP值达到了84.7%,使用YOLOv8算法的mAP是85.3%,YOLOv8算法略优于Faster R-CNN算法。迁移学习方法增强了检测模型的泛化能力,加快了模型的收敛速度;数据增强方法有效扩充了数据集,提升了小样本柑橘缺陷检测模型的准确性。     

基于Ghost-YOLOv3-2算法的2尺度猪目标检测

为了提高养殖场猪目标检测的检出率和实时性,提出一种从特征提取骨干网络和特征金字塔网络这2个方面对YOLOv3算法进行改进的猪目标检测算法(Ghost-YOLOv3-2),并与经典YOLOv3、Ghost-YOLOv3、YOLOv3-2等3种算法进行对比研究。试验结果表明,特征提取骨干网络的残差单元中引入影子块,可以在保留原有信息容量的同时减少计算量,提高网络速度;特征金字塔网络融合低层细粒度信息与高层语义信息,将输出层改为2尺度,可以进一步提高模型的表达能力与网络的实时性;改进的Ghost-YOLOv3-2算法在猪目标检测中平均精度(AP)达到88.03%,较YOLOv3算法提高5.2%;速度达到23.61 f/s,较YOLOv3算法提高34.6%,所提算法对猪检测的检出率和实时性有一定的提高。     

Sybil攻击防范算法研究

针对无线传感器网络 Sybil攻击的安全性威胁问题，分析了其攻击原理和现有的防范算法.提出了一种分散式防范算法，分别采用测量一致性、测量与计算一致性2种方法对攻击节点进行检测.该算法改变了传统集中式防范算法的思路，并能滤除攻击生成的虚节点.仿真和实验结果表明，该算法对Sybil攻击有很强的针对性，能达到99%的虚节点滤除率，并且有很好的鲁棒性.     

结合IDS的网络入侵诱骗模型的研究

在分析当前网络入侵诱骗技术并总结其弊端的基础上,提出一种新的入侵诱骗模型.在系统运行时,该模型结合入侵检测系统IDS(Intrusion Detection System),两者优势互补,当检测到有入侵行为时,才进行入侵诱骗,从而提高了网络的安全性.     

一种基于数据挖掘的Snort系统的设计与应用

为了提高入侵的检测效率,提出了一种基于数据挖掘的改进的Snort系统.该系统充分利用数据挖掘的入侵检测优点,采用改进的Apriori算法,在Snort原系统基础上增加一个数据异常检测模块,改进了Snort存在的缺点,提高了检测率.通过模拟实验验证和实际网络环境应用分析,得出该系统比原Snort系统具有更高的检测性能,能检测未知的网络入侵,提高计算机系统的安全性.     

基于层次分析法和深度学习的用户心理体验评价研究

为克服目前用户心理体验评价指标不够全面的缺陷,本文运用层次分析法建立用户心理体验评价的层次结构模型,运用深度置信网络(DBN)进行用户心理体验评价。研究结果表明,与BP、SVM和ELM相比较,DBN具有更高的评价精度。