基于CGAN-LSTM的无监督网络异常流量检测算法

针对现有网络异常流量检测算法鲜少关注网络流量这类时间序列数据在时间上的依赖关系以及没有从时间周期角度对网络异常流量进行检测的问题,提出一种基于CGAN-LSTM的无监督网络异常流量检测算法.首先使用LSTM结构的生成器和判别器学习正常样本的数据分布,其次使用时间周期信息指导生成器G生成样本,最后同时使用生成器的重构误差...     

基于深度学习的异常事件检测研究综述

基于视频的异常事件自动检测技术一直是学术界和企业界研究的热点,在人群监控、交通管理、老人儿童和特殊病人的护理等方面发挥了重要的作用。文章首先介绍传统的异常检测方法,然后从评价指标、基本网络模型、检测框架、基准数据集等方面详细介绍了深度学习在异常检测中的研究进展,最后对未来的研究方向进行了展望。     

基于GAN的图像超分辨率方法研究

图像超分辨率是一种采用软件算法提高图像空间分辨率的技术,由于传统超分辨率方法超清程度有限,基于深度学习的图像超分辨率方法成为研究者们近年来的研究重点。基于生成对抗网络（GAN）的图像超分辨率方法,在其网络模型结构基础上增加批处理归一化（BN）层以提升网络收敛速度、加强网络训练稳定性,更改上采样层网络并对损失函数作相应修改。在网络训练过程中,选择当前比较通用的Adam优化器。实验结果表明,该方法具有很好的超分辨率图像重建能力,且在训练过程中训练稳定性得到提升,收敛速度也有所加快。     

基于GAN的跨领域图像隐写方案

针对信息隐藏中载体修改存在修改痕迹、载体选择困难且负载量过低的问题,在载体合成的基础上提出了一种基于GAN的跨领域图像隐写方案。在由秘密消息驱动而无需预设载体及类型的情况下,将所选样本直接构造为含密信息,进行图像跨领域转换,映射到生成式图像空间传递信息。这种方案符合无载体信息隐藏思想,可有效抵抗基于统计特性的隐写检测。基于CelebA数据集进行了实验,结果验证所了提方案的可行性和安全性。     

基于聚类分析的非监督式异常检测研究

传统的异常检测方法要求训练数据集完全由已标记为正常的实例所构成，但在实际应用中，很难得到这样的训练数据集。本文提出了一种基于聚类分析的非监督式异常检测方法，该方法的优点在于不需要任何标记数据，并且能够实现网络连接数据的实时检测。实验采用KDD99数据集进行测试，结果表明，该方法具有比较高的检测性能。     

异常检测技术研究综述

随着网络规模不断扩大,网络安全不断受到威胁,单一的防火墙和防病毒软件已经不能满足用户对网络安全的期望,同时,入侵检测系统(IDS)的相关技术也逐步成熟,已经成为网络安全系统的重要组成部分。它的核心就是检测算法,着重介绍了异常检测算法及其发展趋势。     

基于变分自编码器的异常检测算法研究

异常检测能够检测出数据中的异常情况,为各类系统正常运转提供重要支撑.提出一种基于变分自编码器的异常检测算法,该算法使用变分自编码器对输入数据进行特征提取,结合深度支持向量网络,压缩特征空间,并寻找最小超球体分离正常数据和异常数据,通过计算数据特征到超球体中心的欧式距离衡量数据的异常分数,并以此进行异常检测.在基准数据集...     

基于异常的入侵检测技术研究

基于异常的入侵检测系统可分为数据采集层;事件产生层;报告响应层。常用的异常检测技术主要有基于统计学方法的异常检测技术;基于神经网络的异常检测技术;基于数据挖掘技术的异常检测技术;基于进程行为的方法等。     

基于异常检测的网络安全技术研究

随着计算机信息技术的迅猛发展,网络影响范围的逐步扩大,网络安全问题El益严重,对网络安全技术进行探讨具有重要意义．本文首先对实践中比较常用的网络异常检测方法进行分析和介绍,之后对网络入侵所面临的主要问题及发展趋势进行探讨．     

改进的基于密度峰值背景纯化的高光谱异常检测

高光谱图像具有光谱分辨率高的特点,包含了大量可区分不同地物的光谱信息,在异常目标探测领域具有独特的优势.高光谱的光谱维度较高,容易导致信息冗余,使高光谱图像异常目标与背景不容易被区分出来.为了解决这个问题,提出了一种改进的基于密度峰值背景纯化的高光谱图像异常目标检测算法.通过一个极限学习网络,获得一个低维的特征空间;计算双窗内像元的局部密度,滤除背景中的异常目标获得纯背景集;用协同表示算法进行异常检测,避免对背景进行假设及估计.实验表明该方法AUC值更高,能更好地实现异常目标和背景的分离,有效地对高光谱图像进行异常目标检测,同时部分数据集的检测时间也得到了一定程度的缩短.     

网络入侵检测系统研究综述

计算机网络的发展,使网络安全变得越来越重要。入侵检测是近年来网络安全研究的热点。本文主要介绍了网络入侵检测系统,主机入侵检测系统,常用的入侵检测技术。     

基于信息增益的KNN社交网络异常用户检测

为了解决传统机器学习算法对社交网络异常用户检测准确率不高的问题,提出一种基于信息增益的K近邻社交网络异常用户检测方法.首先通过使用信息增益特征选择方法确定数据集中每个属性的重要性,去除冗余属性;然后使用KNN分类算法构建分类模型.为验证所构建模型的效果,使用真实数据集进行实验.实验结果表明,进行特征选择后构建的分类模型...     

基于异常检测的K-means改进算法研究

K-means算法作为较为普遍的聚类算法,聚类效果受孤立点、噪声点和初始聚类中心影响较大。结合Isolation Forest算法计算数据中每个样本的异常度系数,根据离群值过滤比例计算得到异常度系数阈值,对高度异常值加以隔离,并对隔离后的数据集使用平均插值法求得初始聚类中心。运用改进K-means算法对真实数据集进行聚类分析,与此同时,通过比较多个离群值过滤比例下的聚类结果,找到离群值过滤比例的最优取值。仿真结果表明,相比于原始算法,新算法显著提升了聚类准确性,聚类效果更佳。     

基于回归与深度强化学习的目标检测算法

基于强化学习的目标检测算法在检测过程中通常采用预定义搜索行为,其产生的候选区域形状和尺寸变化单一,导致目标检测精确度较低。为此,在基于深度强化学习的视觉目标检测算法基础上,提出联合回归与深度强化学习的目标检测算法。首先,深度强化学习agent根据初始候选区域所提取的信息决定相应搜索行动,根据行动选择下一个逼近真实目标的候选区域;然后,重复上述过程,直至agent能确定当前区域为目标区域时终止搜索过程;最后,由回归网络对当前区域坐标进行回归,达到精确定位目的。实验结果显示,在单类别目标检测中,与原算法相比其精度提高了5.4%,表明通过引入回归有效提高了目标检测精确度。     

异常检测技术的分析与比较

讨论了几种常用的异常检测技术,分析了它们的原理,指出了它们存在的优点与缺点,以期得到更加有效的入侵检测技术和保护措施来保障系统的安全。     

基于深度学习的高分辨率星载遥感影像目标检测综述

高分辨率星载遥感成像是对地观测的重要手段,按照成像原理,高分辨率星载遥感大致包括可见光遥感、热红外遥感、SAR遥感等。随着人工智能技术的发展,卷积神经网络、生成式对抗网络等深度学习算法被广泛应用于遥感影像分析。对遥感影像分析而言,主要任务之一是目标检测。目前,FasterRCNN、SSD、RetinaNet等计算机视觉领域的深度学习目标检测算法已经广泛应用于遥感目标检测领域,并大幅提高了检测准确率。与传统目标检测算法相比,基于深度学习的目标检测算法有着检测准确率高的优势,同时有着检测速度慢、可解释性差的劣势。由于基于深度学习的目标检测算法在检测准确度上的优势,其在遥感影像解译领域有着广阔的应用前景。     

基于BP神经网络的异常入侵检测方法

提出一种基于BP神经网络的异常入侵检测方法,由于BP神经网络是一种基于误差反向传播算法的多层前馈神经网络,具有对不确定性的学习与适应能力,可以很好的满足入侵检测分类识别的需求.对“KDD Cup 1999 Data”网络连接数据集进行特征选择和标准化处理之后用于训练神经网络并仿真实验,得到了较高的检测率和较低的误报率.仿真实验表明,基于BP神经网络的入侵检测方法是有效的.     

异常挖掘研究综述

异常挖掘是数据挖掘的一个重要分支，已逐渐成为许多领域的有用工具。本文介绍了异常的基本含义以及异常挖掘的意义。对现有异常挖掘方法按照它们使用的主要技术进行了分类，对一些典型方法的基本思想进行了介绍，并指出了这些方法存在的局限。最后对异常数据挖掘的一些主要研究方向进行了展望。     

网络流量异常检测

提出了一种新颖的网络洪流攻击的异常检测机制.这种检测机制的无状态维护、低计算代价的特性保证了自身具有抗洪流攻击的能力.本文以检测SYN洪流攻击为实例详细阐述了异常检测机制.这个机制应用EWMA方法检测网络流的突变, 并运用对称性分析方法检测网络流的异常活动.测试结果表明本文所提出的检测机制具有很好的检测洪流攻击的准确度, 并具有低延时特性.