DNS安全防护技术在恶意域名管控上的有效性研究

随着传统互联网向“互联网+”的不断转型,DNS域名系统作为互联网建设的重要基础设施之一,已经转变为具有地址解析功能的综合感知性和可靠传输性的新功能模式。最近几年,互联网安全问题日渐复杂,如垃圾邮件、DDoS攻击等,其中域名攻击更是形势严峻。在防范域名攻击方面,传统的机器学习检测方法已经过时,现在方法正慢慢向主流深度学习的检测方法转变。但随着恶意域名检测技术的不断改进,研究提出了更智能的DGA域名,以避免神经网络的检测,基于这些DGA变体的后续检测已成为域名检测技术的主要研究方向。最后,总结了域名检测的发展和存在的问题,并展望了域名检测技术的发展。     

恶意网页及其检测技术研究

随着互联网的快速发展,恶意网页所造成的危害也越来越大。对典型恶意网页进行了分析与分类,通过对现有的恶意网页检测技术的比较分类,分析了各种检测技术的优缺点。     

基于机器学习的恶意程序检测研究

传统的基于特征代码的商用病毒扫描器可以有效地发现已知的恶意程序,但却不能可靠地发现未知的恶意程序。将机器学习技术应用于恶意程序检测,可以准确有效地发现未知恶意程序。讨论了基于机器学习的恶意程序检测方法,并提出结合RIPPER和贝叶斯方法检测程序。     

基于机器学习的电磁脉冲相位特征挖掘算法

对电磁脉冲信号相位特征的准确挖掘和参量估计可以有效准确地确定信号源的方位,实现对识别目标的准确定位。传统的相位特征挖掘算法采用贝叶斯估计算法,算法在受到脉冲干扰时估计性能不好。提出一种基于机器学习的电磁脉冲信号相位特征挖掘算法,实现对相位估计精度的改进提高。首先构建电磁脉冲信号的模型,得到相位特征挖掘模型原始模型,求解相位模糊数搜索结合解得到两个阵列输出数据的相位差。计算电磁脉冲信号参数相位补偿项,采用机器学习算法进行电磁脉冲信号相位特征挖掘,构建调频信号作为估计目标方位角的载波信号,采用最小二乘拟合求斜率最终实现相位特征等相关信息的挖掘。仿真实验表明,该算法能准确估计出电磁脉冲信号辐射源的相位等参数信息,相位特征挖掘性能较好,展示了优越的数据挖掘和目标检测定位性能。     

基于机器学习的Web链接的抽取

互联网网页是通过超链接连接起来的,为人们的日常生活和商务用途提供了非常丰富的信息资源。链接结构分析在万维网的很多研究领域发挥着越来越重要的作用。然而存在着许多与主题无关的链接,造成了主题漂移。本文分析了链接本身的特点,介绍了一种有监督机器学习方法自动地抽取网页中的相关链接。试验结果表明该算法具有实用的价值。     

基于机器学习的中文微博情感分类研究

在中文微博数据的文本情感分类任务中使用机器学习方法 ,为研究不同的特征集对情感分类准确率的影响,综合了一元词特征、句法特征、微博特征、基于评价对象特征、词典特征用于支持向量机分类器中,通过准确率、召回率、F指数比较分析不同特征组合对于分类性能的影响。所提方法用于微博数据中关于药品二甲双胍的评论文本,实验结果表明,一元词特征对文本情感分类的准确率高于其他单类特征,而在与句法特征、微博特征、基于评价对象特征、词典特征的综合使用得到了最高的分类精度。     

基于多维相似度的网络传输通道恶意入侵检测方法

为解决现有网络传输通道入侵检测方法存在的稳定性较差、误检率较高的问题,提出基于多维相似度的网络传输通道恶意入侵检测方法.利用2个数据样本间的差异程度来判断数据的多维相似度,再根据数据间的相邻数目来判断数据是否存在异常,并完成对异常数据的挖掘;在此基础上,依据用户的行为或是对系统的操作情况,结合判断是否存在恶意入侵的现象...     

基于空间向量计算的恶意文档检测技术

通过对恶意文档的攻击方式、组成结构和攻击代码的全面分析,提出了一种基于空间向量计算的检测方法,针对典型的变形手段提出了有针对性的改进.对119个文档进行了检测,结果表明,与传统检测软件相比,该算法对恶意文档检测在漏报率和误报率上均具备一定优势.     

机器学习应用于恶意代码检测的研究

在新开发的系统被部署应用之前,恶意代码检测成为非常重要的一个环节,同时也是很大的一个挑战。本文中,采用机器学习,发现系统的实现结构,包含设计中的正常功能以及隐藏存在的恶意行为。通常情况下,带有机器学习的出版的系统被认为是完全确定的。但是实际的系统经常是不确定的,而且流行的算法并不适用。本文设计了针对不完全确定系统的广义并且高效的机器学习算法,来检验恶意代码的植入。并进一步延伸机器学习的结果,从一个近似的模型开始,比已知的算法更有效的学习一个实现的结构。实验表明本文的算法更有效地检测恶意植入行为。     

数字图书馆中基于机器学习的手写汉字识别的研究

介绍了一种基于机器学习的手写汉字识别方法。针对写汉字的特点，选择并提取了横竖笔划特征、用边特征、结构划分特征、分区特征点、黑点重量等作为分类特征。在分类策略中采取了先粗分类后细分类的多级分类方法．并将决策树算法ID3成功地应用到分类策略中，在识别中利用决策树引导特征提取。减少了特征提取的数量，从而大大提高了识别速度。     

基于内核Rootkit的恶意网页防护系统

随着Internet的飞速发展,恶意网页已经成为影响网络安全的主要问题之一。Rootkit是一种基于Windows分层驱动模型的技术。介绍了一种基于Rootkit技术的恶意网页防护系统的设计,对恶意网页防护的研究具有一定的参考价值。     

基于BI-LSTM+Attention的网站多结构异常检测分析实证研究

[目的/意义]针对现有网民网站访问分析方法存在样本规则库更新,对新网站的访问难以提供识别分析等问题,使用BI-LSTM、BI-LSTM+Attention算法构建网站识别模型,实现网民访问网站的意图和安全性识别预测.[方法/过程]使用BI-LSTM对网站进行多结构分析识别,根据网站链接的结构特性提取出域名信息和参数信息...     

基于遗传算法的机器学习方法赋值理论研究

主要论述将遗传算子与两个机器学习方法—Michigan法和基于Pitt法的一个演化程序相结合,对某个输入信息通过其预先的属性和属性值,经过分级系统中分级规则,得出有意义的输出结果。并将这一理论应用到归纳推理代数中进行验证。     

基于机器学习的铁路工程生态风险管理研究

随着我国对生态文明建设的重视程度不断提高,铁路工程因其对生态环境影响类型多、程度大、范围广等特点受到了广泛关注。不断扩张的铁路工程网络与生态环境保护之间的协同愈显重要,亟需形成适用于铁路工程生态风险识别与应对的系统框架。本文利用文本数据,基于LDA、Word2Vec和PCA三种机器学习模型,识别得到铁路工程的8类生态风险以及其对应风险源和应对策略,形成“风险识别—风险溯源—风险应对”的铁路工程生态风险管理架构。本文提出基于机器学习的铁路工程风险识别与应对的模型方法,补充了现有研究的方法体系;同时,本文提出的“风险识别—风险溯源—风险应对”的研究架构亦丰富了铁路工程生态风险管理和保护的理论内涵。     

基于机器学习的自适应个性化数字图书馆模型研究

由于信息数量和种类增加,用户对数字图书馆期待更多的智能服务.本文提出通过引入机器学习技术来解决此问题,首先简要介绍了机器学习技术,说明了可适应个性化数字图书馆局限性,然后提出基于机器学习的自适应个性化数字图书馆模型,最后探讨了用户模型的自动创建.实践表明,此模型可满足用户对信息的需要,简化信息查找过程.     

基于机器学习的垃圾邮件过滤技术

垃圾邮件给人们的生活带来了极大的危害,为了制止垃圾邮件的进一步扩散,研究者们提出大量的检测算法.本文首先分析了垃圾邮件过滤的一般步骤,再对机器学习算法在垃圾邮件过滤技术中的应用进行了全面分析,最后对邮件过滤技术研究方向进行展望.     

基于知识图谱的机器学习研究前沿探析

机器学习是人工智能的一个前沿分支学科,同时也是实现人工智能的一个重要途径.以机器学习领域内的著名期刊《机器学习》(Machine Learning)和《机器学习研究杂志》(Journal of Machine Learning Research)作为样本,运用多视角引文网络分析CiteSpaceⅡ软件绘制的知识图谱显示出国际机器学习研究的前沿领域是以“数据挖掘”为代表的9个知识群;通过对知识图谱的深度解读,进一步揭示出机器学习研究的前沿演化路径.     

基于机器学习的网络通信流量分析技术研究

随着计算机网络通信技术的高速发展,海量的信息需要在计算机网络间传输,为提高网络资源的传输效率,掌握网络运行的规律、用户的上网行为规律和网络异常情况等,均需要对网络通信流量进行检测、分析和发现,以高效利用和管理好网络资源。提出基于机器学习的流量分析模型,利用改进的Boosting算法,作为认识、管理和优化网络环境的基础参考依据,阐明计算机网络通信流量分析的目的、方法和应用意义。     

一种基于机器学习的研究前沿识别方法研究

研究前沿是科技创新过程中最具潜力和前瞻性的研究方向,尽早识别研究前沿对科学研究、企业研发资源优化配置、政府创新战略前瞻部署等至关重要。针对目前在研究前沿识别研究中存在的不足,提出一种基于机器学习的研究前沿识别方法。该方法首先通过构建机器学习模型来识别出潜在高被引论文,解决利用引文分析法来识别研究前沿的时滞性问题,并将潜在高被引论文纳入研究前沿识别的高被引论文核心文档集中;其次,以高被引论文核心文档集为数据源,利用聚类分析法识别出研究前沿主题,并对研究前沿主题进行对比和评价分析,进而识别出研究前沿;最后,以太阳能光伏电池研究领域为例进行了实证研究,验证了该方法的可行性和有效性,为研究前沿识别提供了新的研究方法。     

基于机器学习的烟草包装封口处视觉缺陷图像检测方法

针对缺陷检测方法中存在检测所需时间较长、漏检率较高等问题,基于机器学习,提出封口处视觉缺陷图像检测方法。首先,采用小波阈值去噪方法对烟草包装封口处图像进行小波变换,抑制图像噪声;在图像去噪处理后,使用机器学习基函数对封口处纹理图像进行小波分解,将图像分解成彼此独立的子窗口。然后计算不同窗口的差分统计纹理特征值,最后运用欧式距离分类器进行缺陷判断,结合Harris角点检验算法进一步完成缺陷部分精确检测。实验结果表明,所提方法检测所需时间平均缩短了约0.27 s,误检率降低了近8个百分点。