检索结果

Select

1. 基于混合卷积神经网络和循环神经网络的入侵检测模型

方圆, 李明, 王萍, 江兴何, 张信明

计算机应用 2018, 38 (10): 2903-2907. DOI: 10.11772/j.issn.1001-9081.2018030710

摘要（1161）

PDF （918KB）（854）

针对电力信息网络中的高级持续性威胁问题，提出一种基于混合卷积神经网络（CNN）和循环神经网络（RNN）的入侵检测模型。该模型根据网络数据流量的统计特征对当前网络状态进行分类。首先，获取日志文件中网络流量的各统计值，进行特征编码、归一化等预处理工作；然后，通过深度卷积神经网络中可变卷积核提取不同主机入侵流量之间空间相关特征；最后，将已经处理好的包含空间相关特征的数据在时间上错开排列，利用深度循环神经网络挖掘入侵流量的时间相关特征。实验结果表明，该模型相对于传统的机器学习模型在曲线下方的面积（AUC）上提升了7.5%~14.0%，同时误报率降低了83.7%~52.7%。所提模型能准确地识别网络流量的类别，大幅降低误报率。

参考文献 | 相关文章 | 多维度评价

Select

2. 领域驱动的高效用co-location模式挖掘方法

江万国, 王丽珍, 方圆, 陈红梅

计算机应用 2017, 37 (2): 322-328. DOI: 10.11772/j.issn.1001-9081.2017.02.0322

摘要（563）

PDF （1053KB）（611）

空间并置（co-location）模式是指其实例在空间邻域内频繁共现的空间特征集的子集。现有的空间co-location模式挖掘的有趣性度量指标，没有充分地考虑特征之间以及同一特征的不同实例之间的差异；另外，传统的基于数据驱动的空间co-location模式挖掘方法的结果常常包含大量无用或是用户不感兴趣的知识。针对上述问题，提出一种更为一般的研究对象——带效用值的空间实例，并定义了新的效用参与度（UPI）作为高效用co-location模式的有趣性度量指标；将领域知识形式化为三种语义规则并应用于挖掘过程中，提出一种领域驱动的多次迭代挖掘框架；最后通过大量实验对比分析不同有趣性度量指标下的挖掘结果在效用占比和频繁性两方面的差异，以及引入基于领域知识的语义规则前后挖掘结果的变化情况。实验结果表明所提出的UPI度量是一种兼顾频繁和效用的更为合理的度量指标；同时，领域驱动的挖掘方法能有效地挖掘到用户真正感兴趣的模式。

参考文献 | 相关文章 | 多维度评价

Select

3. 由贪心策略构造Chebyshev多项式概要

李方圆何海江

计算机应用 2009, 29 (08): 2253-2253.

摘要（1148）

PDF （563KB）（1166）

基于Chebyshev多项式的概要能有效估计数据库关系属性的频度分布。然而，从M个Chebyshev系数选择最近似原始频度分布的N（N>M）个系数，是NP难问题。依据贪心策略，提出了三种概要构造算法，精度最高的一个称为GreedyB。 GreedyB先找出2N个绝对值最大的系数，再由贪心策略剔除多余的N个。在模拟数据序列和实际数据序列的实验数据表明，GreedyB尽管时间复杂度要高，但L1、L2、L∞等误差显著较小。