一种针对在线社交网络的自动化僵尸账号攻击方案

分析僵尸账号对社交网络的主要威胁及社交网络对僵尸账号的检测机制,针对现有检测机制的不足设计规避检测的策略.使用该策略设计并实现一款利用僵尸账号对社交网络进行攻击的自动化工具.使用该工具对国内外最大的2个社交网站进行攻击测试.实验结果证明了策略与工具的有效性,并证明了社交网络针对僵尸账号的检测机制仍存在不足.     

一种基于僵尸机状态转换的僵尸网络监测方法

目前互联网上发生的大规模网络攻击事件,大多都与僵尸网络攻击有关。僵尸病毒的感染开始于一个外部网络与内部网络的通信过程。通过对通信过程研究分析,基于系统开发平台Window和Visual C++(vc6.0),对一个潜在的用户从被感染到成为僵尸机,进一步扩散支点形成僵尸网络全部变化过程进行模拟,设计出检测系统。实验证明检测系统具有较好的扩展性,能对Phabot传播扩散过程中的各个状态进行有效捕获,在网络中主要网络节点布置该系统完全可以监测僵尸病毒的传播。     

p2p僵尸网络及检测

随着网络逐步融入人们的生活,网络安全形势变得越来越复杂,僵尸网络变得越来越危险,但人们尚未认识到僵尸网络特别是p2p僵尸网络的危害。针对上述情况,文章对僵尸网络的现状和危害进行了较为系统的分析,并提出了一种基于网络流量基本检测方法,对P2P僵尸网络未来的发展进行了预测。     

网络社交环境下高校教师群体知识共享机理研究

文章从网络社交环境这一背景出发,分析高校教师群体的四大基本特点,并构建知识共享机制模型,认为高校教师群体知识共享是一种由内到外,由个体成员向组织系统延伸的内外交叉的多重共享关系,为后续研究提供借鉴意义。     

手机网络社交软件的应用心理

手机网络社交软件的应用日益加重人们对手机的依赖,本研究把手机网络社交软件的功能满足分为移动通信满足、网络社交满足、娱乐满足、社会信息满足和生活业务满足,在此基础上对手机网络网络软件应用进行心理学探索,发现手机网络社交软件的应用能够使人们获得巨大的心理满足,主要表现在四个方面:存在感满足、信息获取满足、表达欲满足和信息给予满足。     

论校园社交网络对大学生人际交往的影响

继E-Mail、BBS、QQ、BLOG之后,互联网络兴起了基于真实人际关系的社会交往网络(Social Networking Service,SNS)热潮。校园社交网络是社交网络应用的拓展,以大学生为对象,其透明、真实、开放等特征弱化了以往互联网络媒介的虚拟性和匿名性,大大刺激了当代大学生的尝试心理与交流需求。作者探讨了校园社交网络中大学生群体人际交往的特征,并在此基础上分析校园社交网络对大学生人际交往的影响及其存在的问题,最后提出相应的对策建议。     

论基于社交网络的成人学习管理

随着网络信息技术的飞速发展,社交网络变得越来越流行.社交网络运用于成人学习既有优势,也存在不足.本文根据学习动机理论和管理学中的X理论,对社交网络环境下的成人学习管理提出建议,以期为促进远程学习者实现有效的网络学习提供有益的启示.     

社交网络关键节点检测的积极效应问题

在社交网络中,识别有影响力的关键节点对于调控网络至关重要,是网络科学最前沿热点的研究内容。然而,现有方法大多基于局部特征进行求解,缺乏对网络整体结构的建模。为有效地解决这个问题,针对社交网络关键节点检测积极效应问题KPP-POS（key player problem positive）,在KPP-POS的检测指标D_R的基础上,建立关键节点积极效应模型的0-1整数线性规划模型（0-1 integer linear programming key players problem positive effects model,IP-KPP-POS）,进而提出一种计算复杂度较低且精确度较高的局部搜索启发式算法。最后通过多种人造网络和真实网络的实验分析,验证IP-KPP-POS模型在解决社交网络关键节点检测积极效应问题上的正确性和有效性。     

网络流行语表征下的社交焦虑现象与干预研究

用自编问卷《青少年社会交往情况调查问卷》对223名青少年进行问卷调查,用《青少年使用网络社交流行语的心理调查访谈提纲》对20名不同层次的青少年进行访谈调查,采用实验组对照组前后测设计,结合干预社交焦虑为主题的团体心理活动方案,对24名学生进行结构化团体心理活动的干预,对另外24名学生不施加其他相关干预,探讨社交类网络流行语与社交焦虑之间的关系,分析社交焦虑的影响因素,探索社交焦虑的干预机制。调查发现：使用“社恐”这一类热词多是用来达到自己的某种社交目的,社交类网络流行语的使用频率和社交焦虑之间不存在直接相关,情境体验式团体心理活动对于干预社交焦虑、缓解交往恐慌情绪有明显的效果。     

浅议社交网络与泛在学习的实现

网络技术的发展使人的日常生活和网络的结合越来越紧密。移动通信技术的发展和轻量化多功能的终端设备的出现,帮助人们可以随时随地使用任何设备进行泛在学习。文中阐述了这种社会化的现代信息网络和泛在学习所呈现的特点,以及它们的内在关联是值得教育教学工作者思考的问题。     

一种基于NCS数据的移动通信网络话务分布预测的模型及算法

目前已提出的一些计算移动通信网络话务分布的算法都不适合大规模的计算,并且不十分适合当前的移动通信网络.基于最优化理论,结合移动通信网络的实际特点,提出一个适于高精度话务分布预测的最优化模型.此外,为了便于计算机实现,又从最优化数学模型推导出一个更易实施的算法.话务分布预测算法通过比较NCS数据和实际的场强值得以实现.该算法的优点是无需增加额外的硬件设备并适合大规模计算.实验结果显示该算法既高效又精确.     

基于关联规则的入侵检测技术研究

针对现有入侵检测技术的不足和目前关联规则算法的研究,结合网络的特点,提出了一种适合入侵检测的数据挖掘算法一基于矩阵结构的模糊关联规则数据挖掘算法。该算法使数据挖掘技术和入侵检测技术融合在了一起,由于矩阵结构的模糊关联规则可以有效地减少关联规则在生成频集的过程中产生过多候选集,从而提高了入侵检测的效率。     

基于Weka平台的不确定数据挖掘

阐述传统关联规则挖掘Apriori算法的基本原理和算法思想,针对只能处理位置已经被精确给定的对象,利用开源Weka平台,通过数据转换,处理不确定数据集,对鸢尾花数据进行测试实验,挖掘出一些有益的关联结果。     

基于深度卷积神经网络的指纹纹型分类算法

传统指纹纹型分类算法的准确率直接受到相应特征提取算法的影响.在海量指纹库中,同类纹型指纹形态变化明显增大,不同类纹型界限变得模糊,仅通过人工定义的特征进行分类很难适应全部指纹数据.为解除纹型分类问题与人工定义的特征提取问题的耦合,提出一种直接在指纹原图上进行纹型识别的算法.利用卷积神经网络自动特征提取的能力从大量指纹数据中学习得到纹型特征,并通过对训练数据的设计使网络能够适应指纹的多样性,提升算法的鲁棒性.此外,多尺度网络模型平均方法使分类准确性得到进一步提升.在国际公开指纹数据集NIST DB4上测得纹型四分类准确率达94.2%.     

车辆网络中基于网络编码机会的调度算法

证明在车辆网络中应用网络编码,其广播容量最大化问题是NP难的;提出一种基于最大编码机会的优化调度算法. 该算法结合网络编码与车辆缓存提供的编码机会,有效提高了广播容量. 结果表明,与贪婪算法相比,该算法获得更大网络编码增益,保证了一定的传输公平性.     

Web用法挖掘数据采集方案的优化设计

从提高Web用法挖掘系统整体运行效率的角度出发,优化设计Web用法挖掘数据方案;通过细化采集工作,实施简化待采集信息元集合,扩展信息元标识功能,在信息抽象基础上对信息进行分类提交和存储,进行分布式数据预处理等策略,使得在高质量完成数据采集工作的基础上,系统的存储效率、性能平衡、解析与转储效率也得到明显提升。     

一种基于k-means聚类的航运信息孤立点分析算法

为了从大量含噪的航运信息中挖掘出有用的知识,研究孤立点探测方法在航运信息处理中的应用.首先在对k-means聚类算法分析的基础上,定义中位数的概念及孤立点的判断标准,提出一种基于k-means聚类的孤立点分析算法;然后,针对航运信息的特点,采用一维数据和多维数据异常点探测方法挖掘AIS数据库中的异常信息.实验结果证明,基于k-means聚类的算法对孤立点更敏感,能够探测到一维统计方法中探测不到的异常点     

无线Ad Hoc网络中基于跨层设计的有效用户识别方法

提出了一种同步DS-CDMA无线Ad Hoc网络中的有效用户识别方法,采用跨层设计,将MAC层SEEDEX协议中的调度信息用于物理层的帧编码和用户识别. 接收机首先判断是否存在有效用户,如存在则使用当前时隙所有可能发送数据的节点的扩频码来确定有效用户,不存在则直接丢弃该数据帧,从而减少了接收机的能量消耗. 仿真结果表明,该方法同现存的同类算法比较,减小了运算量,节省了接收机能量,改善了接收机错判概率.     

基于稠密卷积神经网络的遥感图像自动色彩校正

对于单幅遥感光学图像,目前已经有很多有效的色彩校正算法,但是这些算法需要人工经验或对场景的先验知识,无法满足对快速增长的海量遥感图像进行自动化处理的需求。针对这一问题,提出一种基于稠密卷积神经网络的遥感图像自动色彩校正方法DCN（dense convolutional networks）。该模型可以预测遥感图像的RGB通道的颜色校正系数K,从而对原始图像进行自动色彩校正。DCN使用稠密模块代替部分卷积层,用更少的层数实现更多的连接。DCN模型由3 000幅GF-2号遥感图像在Tensorflow框架上训练得到,损失函数为颜色校正系数向量与真值向量之间的色偏角θ。经过测试验证,校正后的图像与原图像仅有很小的色偏角,且与真实地物颜色吻合。与传统方法相比,该方法在训练后,可直接使用生成的模型对训练集中未出现的图像进行颜色校正,无需对场景的先验知识和人工经验,也无需参考图像,可实现对海量遥感光学图像的自动化色彩校正。与传统的卷积神经网络CNN（convolutional neural networks）相比,基于DCN的模型拥有更少的参数和更好的泛化能力,而且不受输入图像大小的限制,在测试集上有更好的结果。