【摘 要】
:
为了解决无线网络入侵检测中的数据隐私问题,文中提出了一种基于联邦学习和循环神经网络的无线网络入侵检测模型,准确率可达到97.34%,训练时间为2136s.与传统的入侵检测相比,能够在缩短耗时的前提下达到一定的准确率.与分布式训练相比,所提方法的数据传送更简单且保障了用户隐私.
【机 构】
:
北京化工大学信息科学与技术学院 北京100029 北京化工大学图书馆 北京100029
【出 处】
:
中国计算机用户协会网络应用分会2020年第二十四届网络新技术与应用年会
论文部分内容阅读
为了解决无线网络入侵检测中的数据隐私问题,文中提出了一种基于联邦学习和循环神经网络的无线网络入侵检测模型,准确率可达到97.34%,训练时间为2136s.与传统的入侵检测相比,能够在缩短耗时的前提下达到一定的准确率.与分布式训练相比,所提方法的数据传送更简单且保障了用户隐私.
其他文献
经费的申请、使用和报销是高校财务管理的重要组成部分.传统的报销管理方式不仅效率低下,而且时间成本高,存在易出错、数据统计困难等问题.文中介绍了网上预约报销管理系统,其在传统流程中加入了报销人网上填写预约报销单的流程,使信息采集工作直达业务办理人,既减轻了报销人和财务管理人员的工作量,又为之后的会计核算、资金核算自动化提供了可靠支持.
软件的部署和管理是高性能计算公共平台运营工作中的重难点,容器技术提供类似于虚拟机的环境,使高性能软件的部署和管理更加灵活、简单.通过容器部署软件时,需要解决容器与高速网络兼容的问题并确保部署后容器无明显性能损耗.在Omni-Path高速网络环境中,使用Singularity容器技术部署软件,结果表明该部署方式不仅兼容Omni-Path网络,且性能表现良好.目前该软件部署方案已运用于北京大学高性能软
近年来,人体行为识别和深度学习是智能视频分析领域的热点及研究趋势,在视频检索、智能监控以及人机交互等方面具有广泛的应用前景及研究意义.传统的方法目前已难以适应复杂场景下的人体行为识别,且不再满足需求,利用深度学习的方法进行人体行为识别是当前的主流算法,但仍存在困难与挑战.根据人体行为识别的发展历程,首先介绍了早期传统的识别方法,然后重点对深度学习框架下的识别方法进行了分类介绍,其中包括当前常见的卷
碰撞威胁评估是实现安全自动驾驶的关键一步,通过对车辆当前环境的感知,可以获取其周围潜在关联对象,并由此进行威胁评估,从而有效识别车辆周围的威胁.在深入研究碰撞威胁评估算法的基础上,对现有碰撞威胁评估算法进行了分析.首先文中介绍了基于确定性方法与概率性方法的碰撞威胁评估算法,然后分别从算法的实时性和鲁棒性两方面进行了比较.最后对碰撞威胁评估算法的的研究趋势进行了展望.
随着科学技术的不断发展,人工智能领域成为当今的研究热点,尤其是深度学习备受各界瞩目.围绕目标追踪的深度学习方法,探索当今较为成熟的基本模型,具体包括卷积神经网络、循环神经网络、生成对抗网络和深度强化网络.针对每一个基本模型,文中均结合通俗易懂的经典例子来阐述其基本结构和操作流程.然后基于上述4个基本模型展开更为系统的分析和讨论,揭示各种方法的优势和不足.最后,立足于当今的科技发展形势,对深度学习的
北京教育考试院与科大讯飞公司于2019年起合作研发AI客服平台,将部署于科大讯飞云的智能语音系统与部署在阿里云的互联网电话系统相融合,建设机器人应答系统.客服系统针对教育考试招生咨询业务特点,通过话术设计,建立“拟人机器人”来替代人工,24小时接听并回答咨询电话.试运行阶段,“机器人”分流了约1/4的咨询量,应答准确且语音亲和度良好,得到了社会认可.这是省级考试招生机构首个AI客服实践探索,也是新
网络技术的快速发展使网络流量的组成更加复杂,流量数据的分类问题面临着更大的挑战.文中提出一种基于卷积神经网络与长短时记忆循环神经网络的双分支网络分类方法,在双分支网络并行训练后确定相应的网络权值,拟合得出最终的分类结果.网络在普通流量、恶意流量以及加密流量的数据集测试中具有较高的准确率以及强健的稳定性.
针对招生工作中招生目录的复杂性,对其需求难点进行了分析和研究,利用数据整合、对象关系优化、统一招生标准等技术手段,提出一种通用的多层次高校研究生招生目录模型,并对其实现的关键技术进行了阐述.通过优化模型元素间的逻辑关系,一定程度上降低了招生目录的复杂度;引入二级院系权限控制机制,保证了招生数据的可靠性和安全性;同时模型还具有较高的灵活性和扩展性.
数据中心机房作为信息化建设的重要基础设施,为高校开展教学、科研和社会服务工作提供了信息化保障,它的平稳顺利运行直接关系到学校整体工作是否可以有序开展.文中通过介绍北京化工大学昌平校区数据中心机房一期项目的电气系统、暖通系统、弱电系统及其子系统的建设情况,展示了一个规划科学合理的现代化的数据中心机房.
近年来,随着智能技术的进步和社会的发展,智能化的应用已经融入到生活的方方面面,基于视觉的行人检测是智能监控、智能驾驶、无人驾驶等领域的重要组成部分,现有基于深度学习的行人检测方法主要分为两类:1)以Faster RCNN为代表的检测方法,具有较高的检测精度;2)以YOLO为代表的检测方法,具有快速的检测速度.在实际的诸多应用场景中,对检测算法的准确度是要求较高的,文中实现了基于Faster RCN