检索结果-内蒙古大学图书馆

计算机系统应用 2022年第2期31卷 246-252页

作者：张树晓唐勇刘宇靖国防科技大学计算机学院长沙410073

针对BGP异常数据的检测问题,依托互联网公开的真实BGP更新报文数据,重点结合网络的拓扑特征及时序变化特点,提出一种新的基于图嵌入特征和lstm自动编码器的BGP异常检测方法.首先利用BGP数据中AS_PATH属性信息,构建基于时间序列的网络拓... 详细信息

针对BGP异常数据的检测问题,依托互联网公开的真实BGP更新报文数据,重点结合网络的拓扑特征及时序变化特点,提出一种新的基于图嵌入特征和lstm自动编码器的BGP异常检测方法.首先利用BGP数据中AS_PATH属性信息,构建基于时间序列的网络拓扑图的动态嵌入特征数据集,然后使用lstm自动编码器模型对数据进行检测,发现异常数据.在实际的异常事件数据中,该方法成功检测到了异常数据,并且相比传统的检测方法有较高的准确率.

关键词：图嵌入特征 BGP 异常检测 lstm自动编码器

来源：评论

学校读者我要写书评

暂无评论

基于滑动窗口和lstm自动编码器的渔船作业类型识别

引用

计算机系统应用 2022年第6期31卷 287-293页

作者：徐文进董少康青岛科技大学信息科学技术学院青岛266061

过度捕捞和非法捕捞给海洋生态造成严重破坏,随着船舶自动识别系统(AIS)的发展,国内外学者基于AIS轨迹数据提出了许多算法进行渔船作业类型识别,但是这些算法忽视了轨迹的时域特征.因此,本文提出了一种基于滑动窗口和lstm自动编码器的... 详细信息

过度捕捞和非法捕捞给海洋生态造成严重破坏,随着船舶自动识别系统(AIS)的发展,国内外学者基于AIS轨迹数据提出了许多算法进行渔船作业类型识别,但是这些算法忽视了轨迹的时域特征.因此,本文提出了一种基于滑动窗口和lstm自动编码器的识别算法,该算法首先使用滑动窗口提取轨迹特征,再通过lstm自动编码器去学习轨迹的时域特征和潜在的高级特征,最后在lstm自动编码器中嵌入Softmax分类器,联合优化损失函数,使分类效果达到最优.在浙江海域的渔船AIS轨迹数据上进行了实验,结果表明所提方法的准确率为95.82%,证明了本方法的有效性和可靠性,算法可用于辅助拖网、围网作业类型的判断.

关键词： lstm自动编码器滑动窗口深度表征学习 AIS 拖网围网

来源：评论

学校读者我要写书评

暂无评论

层次聚类算法研究及其在入侵检测中的应用

层次聚类算法研究及其在入侵检测中的应用

引用

作者：汤洋洋西北师范大学

学位级别：硕士

聚类算法作为无监督学习中的重要算法，在智慧城市、入侵检测、遥感图像分类等领域受到了广泛关注。聚类的本质是利用数据点之间的相似性将数据点划分到不同的簇中，使得每个簇内部的数据点相似性高于其与其他簇内数据点的相似性。其中... 详细信息

聚类算法作为无监督学习中的重要算法，在智慧城市、入侵检测、遥感图像分类等领域受到了广泛关注。聚类的本质是利用数据点之间的相似性将数据点划分到不同的簇中，使得每个簇内部的数据点相似性高于其与其他簇内数据点的相似性。其中，层次聚类因其能够发现数据间的层次结构和无需预先指定聚类个数等优势被广泛研究，但仍存在不足之处：1）层次聚类算法容易受到边界点的影响导致聚类准确率不高;2）层次聚类算法的可扩展性较差，难以处理高维数据。　　本文针对以上不足之处，基于智能优化算法和自动编码器的相关理论对现有层次聚类算法进行优化，着重解决其受边界点影响和在高维数据集上表现较差的问题，并将改进后的层次聚类算法应用于入侵检测系统，具体的工作内容如下：　　（1）针对层次聚类算法容易受到边界点影响的问题，提出了一种基于边界点识别与再分配的层次聚类算法（AHierarchicalClusteringAlgorithmBasedonBoundaryPointsIdentificationandRedistribution—LHC）。此算法首先将数据分为高密度层、中间层和低密度层，分别在层次内部和层次之间进行层次聚类得到初始的聚类结果。然后引入海洋捕食者算法对结果进行优化，识别出边界点并对边界点进行再分配，从而提高了层次聚类算法的准确率。　　（2）针对层次聚类算法在高维数据集上表现较差的问题，本文提出了一种基于lstm自动编码器的两阶段层次聚类算法（Two-stageHierarchicalClusteringAlgorithmBasedonlstmAutoencoder—LAHC）。该算法首先使用lstm自动编码器将数据表示为低维特征，根据互惠最近邻和反向最近邻对低维特征进行粗分类，然后使用平均密度对粗分类形成的簇进行合并。实验证明，本文所提出LAHC算法在高维时序数据集上的聚类效果优于现有相关算法。　　（3）本文将改进的LAHC算法应用于入侵检测技术。在建立训练模型阶段采用核主成分分析方法来提取网络数据的特征，并使用本文所提算法对其进行聚类分析，以准确区分正常类型和攻击类型。实验表明，该模型的检测效果优于其他对比模型。

关键词：层次聚类算法边界点再分配 lstm自动编码器入侵检测

来源：评论

学校读者我要写书评

暂无评论

基于半监督深度学习的时间序列异常检测方法研究

基于半监督深度学习的时间序列异常检测方法研究

引用

作者：肖辉南京航空航天大学

学位级别：硕士

现如今,时间序列数据在各种现实世界系统中出现的可能性越来越大,例如发电厂、医疗保健等。在这些系统中,时间序列的异常检测是必需的,其涉及到预测性维护、入侵检测、防欺诈、云平台监控与管理等多个方面。通常,时间序列的异常检测都... 详细信息

现如今,时间序列数据在各种现实世界系统中出现的可能性越来越大,例如发电厂、医疗保健等。在这些系统中,时间序列的异常检测是必需的,其涉及到预测性维护、入侵检测、防欺诈、云平台监控与管理等多个方面。通常,时间序列的异常检测都被视为无监督学习问题。然而,在真实场景下,除了一大组未标记的数据外,通常还存在一小组可用的标记数据,例如由专家进行标注的正常或异常数据集。只有少数方法利用了标记数据,但现有的半监督算法还未适用于时间序列异常检测领域。针对上述问题,本文提出了基于lstm自动编码器与注意力机制的半监督时间序列异常检测模型和基于集成学习的半监督时间序列异常检测模型。本文对lstm自动编码器的损失函数进行改进,使其能够同时被无标记数据和标记数据影响,并通过最小化损失函数来同时学习无标记数据和标记数据的分布。本文还进一步增加了注意力机制能够使得模型性能在标记数据所占权重的变化时更加稳定。之后,本文将lstm自动编码器的改进经验应用于lstm预测模型之上,实现了半监督学习下的lstm预测模型,并且进一步的将半监督的lstm预测模型和半监督的lstm自动编码器模型进行集成,形成了性能更优的半监督模型。两种算法均能有效地解决时间序列数据的强依赖性、标记成本高的问题,从而取得较好的时间序列异常检测结果。

关键词：半监督学习时间序列异常检测 lstm自动编码器集成学习

来源：评论

学校读者我要写书评

暂无评论

建议与咨询留下您的常用邮箱和电话号码，以便我们向您反馈解决方案和替代方法

时间限定

文献类型

馆藏选择

核心期刊

语言

文献类型

帮助

文字说明：

检索规则说明：

检索范例：

分类表

所选分类

限定检索结果

文献类型

馆藏范围

日期分布

学科分类号

主题

机构

作者

语言

请选择保存的检索档案：

请选择收藏分类：

通借通还

建议与咨询 留下您的常用邮箱和电话号码，以便我们向您反馈解决方案和替代方法

时间限定

文献类型

馆藏选择

核心期刊

语言

文献类型

帮助

文字说明：

检索规则说明：

检索范例：

分类表

所选分类

限定检索结果

文献类型

馆藏范围

日期分布

学科分类号

主题

机构

作者

语言

请选择保存的检索档案： 新增检索档案 确定 取消

请选择收藏分类： 新增自定义分类 确定 取消

通借通还

建议与咨询留下您的常用邮箱和电话号码，以便我们向您反馈解决方案和替代方法

请选择保存的检索档案：

请选择收藏分类：