【摘 要】
:
为了提高移动终端网络数据安全,提出基于孤立森林的移动终端网络数据异常检测方法。将移动终端数据流视作网络流量,根据信息增益原理完成数据片段划分,获取数据片段信息特征,并采用归一化处理验证数据特征可靠性。使用孤立森林算法中异常分数算法对获取到的数据特征进行数据异常检测,并设定相应的判定条件完成检测过程。构建实验环节,通过模拟移动终端数据传输的形式,验证文中方法与传统方法的使用效果,文中方法的检测率与误差率的实验结果均优于传统方法。文中方法对于动态数据的检测能力较佳,对网络数据具有较高的控制能力。
论文部分内容阅读
为了提高移动终端网络数据安全,提出基于孤立森林的移动终端网络数据异常检测方法。将移动终端数据流视作网络流量,根据信息增益原理完成数据片段划分,获取数据片段信息特征,并采用归一化处理验证数据特征可靠性。使用孤立森林算法中异常分数算法对获取到的数据特征进行数据异常检测,并设定相应的判定条件完成检测过程。构建实验环节,通过模拟移动终端数据传输的形式,验证文中方法与传统方法的使用效果,文中方法的检测率与误差率的实验结果均优于传统方法。文中方法对于动态数据的检测能力较佳,对网络数据具有较高的控制能力。
其他文献
随着毫米波及大规模天线阵列技术在5G中使用,波束赋形算法复杂度、射频端器件数量都随之飙升,导致实际应用成本过高,模数混合天线阵列是降低大规模天线阵列硬件复杂度的一种解决方案。但常用的波束赋形算法无法直接应用于模数混合天线阵列结构,故文中提出了一种模数混合天线阵下的鲁棒MVDR波束形成器,可以很好地对抗实际场景下各类加性误差所造成的算法性能退化。通过仿真试验,文中提出的模数混合天线阵下的鲁棒MVDR波束形成器性能不劣于纯数字天线阵列下的鲁棒MVDR波束形成器,且在高信噪比条件下,输出SINR较纯数字天线阵列
本文在分析遗传模拟退火算法的基础上,构建了机器人静态环境模型,并对机器人静态路径设计流程进行了仿真。仿真结果表明,利用遗传模拟退火算法可以实现最优路径规划。
随着社会的不断进步与房发展,在港口建设过程中,港口电气设备的作用越来越重要。随着各个国家物流行业的进步与发展,各个国家的海上运输行业得到突飞猛进,为了促进其长期稳定发展,必须尽可能的保证其安全性以及可靠性。所以在新时代港口运输行业逐渐发展的今天,必须不断的加强港口电气设备的管理,并不断的对港口的电气设备进行维护。
摘要:本文提出,技术革命和社会变革相互作用,协同推动社会进步,高等教育在线教学对技术的认识需要实现技术哲学对技术约束的超越、从技术工具观中抽离。在线教学的一个基本特征是大规模复杂教育,如何解决个性化学习趋势和大规模培养需求之间的矛盾,是服务未来社会的高等教育的困惑之一,这也是传统教学中难以实现兼顾融合的痛点,而依托新技术的在线教学为此提供新的融合解决途径:5G通信技术优化云端多元学习场景体验、教育
有效的故障定位技术可使配电系统的电力恢复时间最小化。文中采用基于云计算的集中式方法来检测故障区域并实现定位,利用边缘设备来智能地预处理和过滤测量数据,确保只有测量值发送到云服务器中。开发了基于计算引擎算法的云计算集中式系统,定期执行计算以检测配电系统中的故障,通过电流识别矩阵的绝对差快速定位故障相位及位置,从而实现单个或多个同时故障的检测与定位。选择IEEE-37节点测试馈线配电系统验证所提方法的性能,结果表明:所提出的云计算方法在单个故障和多个故障情况下都能够有效定位故障,并且实时测量故障的时间戳数据。
通过将函数迭代积分和切比雪夫多项式结合,iNavFIter算法首次将运动不可交换性误差降低到了机器截断误差级别,为新一代高精度或高动态惯性导航系统奠定了算法基础。文中利用了FPGA并行度高、灵活性强的特点,在硬件上对iNavFIter算法进行了实现,并对算法的时序和资源利用率进行了优化。该设计使用Xilinx的Kintex-7型号FPGA开发板,将算法打包成IP核部署到FPGA上,并通过以太网与上位机进行通信,接收上位机发送的陀螺加速度计数据,并将解算结果发送给上位机进行结果展示。惯导仿真数据表明,设计的
传统网络舆情大数据特征识别方法所构建的演化模型损失值偏高,导致识别结果属性不一致,因此提出基于多模态神经网络的网络舆情大数据特征识别方法。布设网络舆情大数据情感维度空间,在该空间中分析网络舆情在三个阶段的演化规律,以此构建网络舆情大数据演化模型。采用多模态神经网络进行模型演化结果学习,识别具有相同属性的网络舆情大数据特征。仿真测试结果表明,该方法构建的模型损失值低,识别出的大数据特征具有相同属性,应用效果更好。
针对现有技术台区信息采集效果不佳、台区特征识别能力差等问题,提出了新型的配电台区信息分析方法。该方法采用配电台区全业务标签体系构架实现多源数据融合和构建,通过配网台区画像架构设计,构建出新型的资产设备管理的周期画像。以营配业务为核心建立台区标签体系,实现各种问题分析的模型架构,并借助于标签化识别方式实现台区特征信息的识别。该研究还通过融合多维类别特征识别的方式进行业务场景画像分析,实现复杂维度业务场景画像构建。试验表明,该研究的方法误差精度低,提高了配电台区全业务管理能力。
针对现有协同过滤方法对用户与商品的潜在信息挖掘不全面的问题,提出了一种基于多特征融合和外积神经协同过滤的个性化商品推荐方法。该方法分别采用多层感知器和卷积神经网络提取用户与商品之间的交互关系矩阵,充分利用拼接方法和外积运算的互补性,提高了对用户与商品关系的表征能力。利用外积神经协同过滤模型提升模型稳定性和拓展性。亚马逊公开数据集的测试结果表明,与原有单一特征的推荐模型相比,多特征融合能够有效提高商品评分预测性能,且推荐性能优于现有协同过滤方法。
目前电力一体化管理已成为大趋势,而利用原有的云数据中心架构存储电力一体化数据时,存在数据存储成本高、数据存储安全性低的问题。为此,该研究充分利用数字经研体系先进性、可扩展、可补充性的特点,设计了新的电力一体化云数据中心架构,将该数据中心架构分为数据分析域、数据处理域、数据管理域和数据访问域四个部分,通过各子域间的协同运行,提高数据存储和应用质量,保障数据存储的安全性。实验结果显示,在实际项目中应用该架构后,提高了存储数据的灵活性与可用性,且能够有效保障数据的安全。